6 casos de éxito con el uso del Machine Learning
Desde chatbots hasta análisis predictivos, los líderes de TI comparten cómo están utilizando la inteligencia artificial y el machine learnig para generar conocimientos empresariales y nuevos servicios.
Las organizaciones líderes ya están aprovechando la tecnología, que imita el comportamiento de la mente humana, para atraer a los clientes y reforzar las operaciones comerciales. Y la tendencia solo ganará más tracción en los próximos años, ya que la inteligencia artificial y el machine learning serán una de las cinco principales prioridades de inversión para más del 30 por ciento de los CIO para 2020, según Gartner .
Los temores iniciales sobre el uso de IA y ML para desplazar trabajos parecen estar disipándose, con más del 67 por ciento de los ejecutivos de negocios encuestados por PwC diciendo que la IA ayudará a los humanos y las máquinas a trabajar mejor juntos . Reconociendo la oportunidad de mover la aguja para sus negocios, algunos CIO están experimentando, construyendo e incluso patentando nuevas tecnologías de IA y ML. Estos líderes de TI compartieron sus casos de uso de ML con CIO.com .
La IA aumenta la investigación de valores
Putnam Investments, un proveedor de fondos mutuos, planes 401 (k), IRA y otros planes de jubilación, considera que la inteligencia artificial y el machine learning son esenciales para impulsar una mejor cobertura de acciones por parte de los analistas de investigación de la firma de servicios financieros, le dice CIO Sumedh Mehta a CIO.com .
Los analistas trabajan en estrecha colaboración con los científicos de datos de Putnam para crear tesis que ayuden a obtener información a partir de grandes cantidades de datos, dice Mehta. Putnam también está trabajando en algoritmos que recomendarán los prospectos de ventas más importantes.
“Es un poder enormemente disruptivo y transformador y el motor de todo el negocio es la eficiencia y la productividad”, dice Mehta de AI y ML.
Mehta, que se basa en una combinación de ingenieros de software, científicos de datos, análisis y proveedores, ha creado un centro de excelencia de ciencia de datos, que es esencialmente el punto cero para los esfuerzos de IA y ML que apoyan a las partes interesadas del negocio. Dice que sus socios comerciales “ilustrados” han adoptado estos enfoques para lograr una mejor automatización.
El trabajo de IA y ML es parte de la transformación digital más amplia de Putnam, que implica modernizar la infraestructura de TI con computación en la nube y crear una plataforma única en la que ejecutar el negocio.
Consejo clave: las organizaciones deben tomarse su tiempo y establecer expectativas de manera adecuada, entendiendo que las primeras ideas conducirán a nuevas preguntas en lugar de respuestas. “No existe un momento eureka cuando se trata de IA”, dice Mehta. “No es el caso de que de repente su algoritmo produzca información que no conocía”.
La IA hace que las finanzas sean menos exigentes
Intuit está acelerando los esfuerzos de IA y ML bajo Ashok Srivastava, quien se unió al fabricante de software financiero como director de datos en octubre.
Intuit está utilizando Amazon Web Services para ayudar a su chatbot QuickBooks Assistant a comprender y procesar mejor el lenguaje natural , dice Srivastava, quien se unió a la compañía después de construir la plataforma de big data de Verizon. Un área de enfoque creciente es guiar a los usuarios a través de los cientos de categorizaciones que informan a Quickbooks.
“Estamos tratando con más de mil millones de transacciones de QuickBooks y podemos optimizar las categorizaciones que ocurren con alta precisión”, agrega Srivastava.
TurboTax de la compañía utiliza inteligencia artificial para ayudar a los usuarios a obtener su reembolso máximo al guiarlos a través del proceso de deducción detallada, lo que puede ahorrarles hasta un 40 por ciento del tiempo de preparación de impuestos y los esfuerzos para recuperar documentos.
La compañía está utilizando ML y tecnología en la nube de AWS para escalar más rápidamente, dice Srivastava.
Consejo clave: cultivar algoritmos sólidos requiere atraer al talento de ingeniería adecuado para resolver desafíos comerciales reales. Srivastava, quien también trabajó para el Centro de Investigación Ames de la NASA, actualmente está contratando ingenieros que pueden trabajar con tecnologías ML e AI para lograr los objetivos de la compañía.
Los datos históricos predicen el rendimiento futuro
Rich Hillebrecht tiene desafíos únicos como CIO de Riverbed Technology, un proveedor de software diseñado para mejorar el desempeño de redes de área amplia. Hillebrecht dice que está probando cómo usar ML para ingerir datos de múltiples fuentes a lo largo de la cadena de suministro de la empresa para impulsar mejores conocimientos comerciales.
“Queremos aplicar técnicas de aprendizaje automático para procesar muchos más datos de los que tendríamos normalmente”, dice Hillebrecht a CIO . com
Por ejemplo, Riverbed puede combinar la gestión de pedidos y otros datos de ERP con datos históricos sobre el clima y otros factores para encontrar patrones que puedan predecir el rendimiento futuro. “Queremos ser más predictivos en términos de riesgo aguas abajo en términos de capacidad y nuestra capacidad para cumplir con los pedidos de los clientes”, dice Hillebrecht.
Otros casos de uso de Riverbed podrían incluir el uso de ML para ajustar automáticamente las configuraciones de rendimiento y detectar amenazas de ciberseguridad. Hillebrecht prevé la creación de un lago de datos único del que se pueden extraer conocimientos empresariales.
Consejo clave: una estrategia sólida para la IA y el aprendizaje automático requiere un enfoque cauteloso. Hillebrecht dice que está evaluando cuidadosamente las herramientas y tecnologías, incluido IBM Watson.
Aprovechando mejores conocimientos de los clientes
Como muchos grandes bancos, US Bank ha recopilado una gran cantidad de datos de clientes. Y como la mayoría de los bancos, US Bank ha tenido problemas para obtener información útil a partir de estos datos. Bill Hoffman, director de análisis de US Bank, está trabajando para cambiar eso. Durante los últimos meses, ha estado utilizando tecnología Einstein AI / ML de para aumentar la personalización en las unidades de banca comercial, de patrimonio comercial, mayorista y de pequeñas empresas del banco. Salesforce.com
Por ejemplo, si un cliente buscó en el sitio web de US Bank información sobre préstamos hipotecarios, un agente de servicio al cliente puede hacer un seguimiento con ese cliente la próxima vez que visite una sucursal. También ayuda a US Bank a encontrar patrones que los humanos podrían no ver. Por ejemplo, el software puede recomendar que los agentes llamen a un cliente potencial en una industria en particular el jueves entre las 10 am y las 12 pm porque es más probable que atiendan el teléfono. Einstein también puede poner una invitación de calendario en el calendario del agente para recordarle que llame al candidato el jueves siguiente.
Estas capacidades llegan al núcleo de lo que muchas organizaciones de servicios financieros están tratando de hacer; cultivar una visión de 360 grados de los clientes para recomendar servicios relevantes en el momento. “Nos estamos moviendo de un mundo que estaba describiendo lo que sucedió o lo que está sucediendo a un mundo que se trata más de lo que sucederá o debería suceder”, dice Hoffman. “El valor fundamental es estar un paso por delante, anticipándose a las necesidades de nuestros clientes y el canal en el que quieren interactuar con nosotros”.
Consejo clave: adopte un enfoque de prueba y aprendizaje para la IA y el aprendizaje automático y sea paciente. Pero también esté preparado para escalar cosas que están funcionando. “Siempre tenga al cliente en el centro”, dice Hoffman. “Pregunte: ¿Cómo beneficiará esto al cliente?
ML elimina el ‘trabajo duro’, lo que hace que el trabajo sea más productivo
Ed McLaughlin, presidente de operaciones y tecnología de Mastercard , dice que ML “impregna todo lo que hacemos”. Mastercard está utilizando ML para automatizar lo que él llama “trabajo duro” o tareas repetitivas y manuales, liberando a los humanos para que realicen trabajos que agreguen productividad y valor. “Está claro que hemos alcanzado un estado de la técnica en el que existe un caso claro de inversión para automatizar las tareas del lugar de trabajo”, dice McLaughlin.
Mastercard también está utilizando herramientas de machine learning para aumentar la gestión de cambios en todo su ecosistema de productos y servicios. Por ejemplo, las herramientas de aprendizaje automático ayudan a determinar qué cambios están más libres de riesgos y cuáles requieren un escrutinio adicional. Finalmente, Mastercard está utilizando ML para detectar anomalías en su sistema que sugieren que los piratas informáticos están tratando de obtener acceso. McLaughlin también puso una “red de seguridad” en la red; cuando detecta un comportamiento sospechoso, dispara los disyuntores que protegen la red. “Contamos con sistemas de calificación de fraude que constantemente revisan las transacciones para actualizarlas y calificar la siguiente transacción que se realiza”, dice.
Consejo clave: en lo que respecta a McLaughlin, AI / ML son solo herramientas en el amplio conjunto de herramientas del procesador de pagos. A pesar de todas las nuevas y brillantes herramientas del mercado, dice que los CIO no deberían confiar en ellas para solucionar mágicamente los problemas comerciales.
La IA como facilitador de productos y negocios
En el fabricante de software Adobe Systems, la CIO Cynthia Stoddard está reinventando su departamento con un “modelo operativo basado en datos”, confiando en el análisis basado en Hadoop para obtener información para administrar mejor la TI y el negocio. Como parte de la estrategia basada en datos, Stoddard dice que está experimentando con ML para ayudar a analizar los tickets en el software de la mesa de ayuda para buscar tendencias en fallas del sistema. La idea es que si el sistema ve eventos que sugieren que podría ocurrir una interrupción, el sistema puede ser proactivo para eliminar o mitigar esos eventos antes de que provoquen fallas.
La identificación de patrones en las fallas de los servicios de TI, dice, también permitirá a Adobe crear algunas capacidades de “autocuración” para absorber el trabajo que su personal de TI hace actualmente. También está investigando la tecnología de chatbot para atender las solicitudes de soporte de TI de los empleados. El negocio comercial de Adobe también ha adoptado la IA. En noviembre de 2016, la compañía presentó Sensei , una capa de tecnología de inteligencia artificial que está aplicando a su producto para crear y publicar documentos, y para analizar y rastrear el desempeño de aplicaciones web y móviles.
Consejo clave: el uso de ML para identificar patrones es la clave para crear capacidades de autocuración. “Si sabe cómo lo solucionó, puede poner el componente de autocuración y eliminar el elemento humano de la ecuación”, dice Stoddard.
