IA a escala

Acelerar la integración de la IA en toda su empresa puede generar un crecimiento positivo del negocio. El 90 % de las iniciativas corporativas de IA tienen dificultades para ir más allá de las fases de prueba. Las organizaciones están madurando en ciencia de datos, pero aún no logran integrar y escalar el análisis avanzado y AI/ML en la toma de decisiones cotidiana y en tiempo real, por lo que no pueden aprovechar el valor de la IA. Se requerirá una transformación digital acelerada para el nuevo mundo del teletrabajo y se puede aprovechar la IA/ML para lograrlo más rápidamente. Y se traducen en operaciones comerciales más eficientes, experiencias de cliente más atractivas y una toma de decisiones más perspicaz. Las empresas pueden obtener ganancias significativas en toda la cadena de valor con la IA, pero las organizaciones tienen que hacerlo bien desde el principio o corren el riesgo de acumular multas, sanciones, errores, resultados corruptos y desconfianza general de sus usuarios empresariales y del mercado.

Las empresas que están escalando estratégicamente la IA informan de casi tres veces el rendimiento de las inversiones en IA en comparación con las empresas que persiguen pruebas de concepto aisladas.

IBM Services tiene capacidades integrales para extraer valor de la IA. Impulsa la innovación sostenible a nivel empresarial con modelos escalables de IA/ML, que sean respetuosos con el medio ambiente, accionables, reutilizables y escalables, que no son experimentos científicos puntuales. Los servicios de IBM para la IA a escala tienen como objetivo escalar las interacciones y aplicaciones de IA actuales hacia una configuración empresarial. Se compone de varios pilares que forman la oferta general:

Partimos de la visión de establecer y escalar una IA y datos fiables como componentes clave de la estrategia empresarial para obtener una ventaja competitiva. Nos basamos en un marco de medición para generar un valor genuino de IA en el que usted y sus clientes puedan confiar.

Asesoramos y trabajamos en colaboración con su equipo para crear un modelo operativo personalizado. Entendemos que cada organización es diferente y que lo que funciona para una no funcionará para otra. Por ejemplo, un modelo federado en lugar de un modelo no federado. A continuación, trabajamos codo con codo con usted para desarrollar una serie de iniciativas que produzcan un valor empresarial cuantificable a través de la recolección de activos de IA por parte de equipos escalables y conectados.

Guiamos su dirección de datos y tecnología para la IA con la capacidad de migrar y construir nuevas aplicaciones basadas en datos de IA y ML utilizando una cartera de productos de IA lo suficientemente flexibles para recopilar, integrar y gestionar datos para múltiples casos de uso, plataformas y nubes.

Posicionamos las operaciones de IA como un componente clave y una parte crítica para implementar ciencia de datos y modelos de IA de forma repetida, consistente y a escala con cuatro objetivos principales: ingeniería, implementación, monitorización y confianza.

Ayudamos a desarrollar la gestión del cambio para aumentar las tasas de adopción de IA con un riesgo mínimo, estableciendo una gestión activa del cambio a nivel empresarial. Este enfoque puede identificar y abordar los obstáculos a las formas en las que la IA puede crear valor para su empresa.

Ayudamos a elegir el conjunto de habilidades, roles y configuración de equipos adecuados en la organización de IA, lo cual es esencial para alcanzar madurez y escalabilidad.

Un detalle importante de los servicios de IBM para la IA a escala es que no tiene que empezar de nuevo. IBM trabaja con su entorno actual: su automatización de inteligencia, su gobernanza y su gestión de datos. El cliente puede obtener visibilidad y control totales sobre sus cargas de trabajo, dondequiera que se ejecuten, generando un valor empresarial real. Con el objetivo de minimizar el tiempo de implementación y el tiempo de obtención de valor con un riesgo mínimo, el proceso de IBM incluye un enfoque de cuatro fases para la implementación de IA a escala.

1. Fase de evaluación (de 4 a 6 semanas): auditoría, evaluación y planificación a corto plazo: para identificar las brechas en el proceso, los métodos y las herramientas existentes. Trabajo con el cliente en una colaboración conjunta para ejecutar las primeras soluciones.

2. Diseño y establecimiento (4-6 semanas): construcción de forma colaborativa un marco común para crear, escalar y mantener la IA. Definición de un marco de escalabilidad con el cliente basado en el entorno existente.

 3. Adoptar (3-4 meses): colaboración para entregar los primeros proyectos. Puesta a prueba de 3 a 5 MVPs piloto sobre el marco para perfeccionarlo; finalizar y establecer la arquitectura, los procesos y el programa. Trabajo con el cliente en una colaboración conjunta para ejecutar las primeras soluciones. IBM Garage: Co-Create, Co-Execute, Co-Operate.

Escala (en curso): configuración del equipo de escalado, gestión del machine learning en producción. Proporcionar al cliente una IA completamente gestionada como servicio en toda la organización, para que el cliente pueda centrarse en los retos empresariales.

RAD-ML es el marco de IBM para acelerar rápidamente el tiempo de producción de aplicaciones de ciencia de datos mediante la automatización. Con el apoyo de la metodología Rapid Asset Development – Machine Learning (RAD-ML) y otros activos y aceleradores de IBM, los servicios de IBM para la IA a escala proporcionan marcos responsables, coherentes, innovadores para abordar y aprovechar la ciencia de datos para construir modelos de IA / ML escalables, repetibles, reutilizables y que se pueden ejecutar. La oferta de IBM reduce radicalmente el tiempo de desarrollo de esos modelos y establece canalizaciones para acelerar la implementación en producción, al tiempo que aumenta la eficiencia de los científicos de datos de los clientes, lo que les permite centrarse en lograr los resultados empresariales esperados y hacer lo que mejor saben hacer y disfrutar más.

Los servicios de IBM para la IA a escala son un servicio de "consultar para operar" que proporciona un medio para integrar y escalar de forma coherente las PoC de IA/ML en producción, así como para ejecutar y gestionar esos modelos de IA/ML a lo largo del tiempo. Los activos desarrollados utilizando las directrices del método RAD-ML se pueden implementar más fácilmente en una arquitectura de machine learning escalable.

RAD-ML es un marco probado para desarrollar activos de ML escalables, que define la preparación de los activos en dimensiones funcionales y estratégicas, y puede utilizarse como punto de partida para cualquier solución de IA/ML si el cliente no tiene un marco común. Se puede aprovechar para desarrollar activos o módulos independientes de ciencia de datos sobre las soluciones existentes. Permite la creación de activos de machine learning que respetan las tres capacidades (accionables, reutilizables y escalables) utilizando los siguientes conceptos clave:

▪Los activos de machine learning deben integrarse en procesos empresariales con ROI probado.

▪Los activos de machine learning deben ser flexibles a diferentes contextos de datos e inversiones en tecnología.

▪Los activos de machine learning deben basarse en una tecnología sólida y un diseño de operaciones que pueda ampliarse.

Cada proyecto RAD-ML debe integrarse en el entorno del cliente preexistente. También debe añadir los aceleradores RAD-ML de código abierto y gratuitos: Brainstem, dash-blocks, arquitectura y plantillas de documentos. Para definir una arquitectura de operaciones de ML adecuada y estandarizada, es necesario establecer una visión general detallada de los componentes de destino. Los componentes objetivo se alinearán con la infraestructura interna y la configuración de herramientas.

IBM puede implementar este marco común en prácticamente cualquier nube, incluyendo una multinube híbrida. A continuación se muestra un ejemplo de cómo IBM puede utilizar las herramientas de AWS para crear una canalización de machine learning.

AWS CodeCommit sustituye a un repositorio git convencional: este es el lugar esencial donde se almacena todo el código utilizado de un proyecto.

CodeBuild ejecutará todas las pruebas unitarias y de integración, además de generar un tarball a partir de las fuentes de Python especificadas, el cual podrá desplegarse posteriormente en un contenedor Docker. CodeDeploy ejecutará un escenario de implementación específico, que, por ejemplo, crear el contenedor Docker, subirlo a un repositorio de imágenes Docker y, al final, cargar la imagen en un entorno de producción.

AWS ECR funciona como el repositorio de todos los contenedores Docker, que se construyen en el flujo mencionado anteriormente. Actúa como repositorio de contenedores, al igual que CodeCommit actúa como repositorio de archivos de configuración y código fuente. Este es el punto en el que AWS SageMaker buscará una imagen Docker específica, cuando se active un trabajo de entrenamiento con los parámetros respectivos desde el exterior.

AWS SageMaker actúa como entorno de ejecución para todos los trabajos de entrenamiento. AWS SageMaker puede activarse mediante una API o binding en python. El usuario especifica qué tipo de modelo se va a ejecutar y dónde se encuentran los datos de entrada y de output respectivos. AWS SageMaker aceptará imágenes Docker con un punto de entrada predefinido que contenga el código de entrenamiento. Sin embargo, también es posible ejecutar allí un trabajo definido por TensorFlow/MXNext/ONNX. SageMaker ofrece una interfaz de usuario para la administración y se puede escalar de forma elástica, ya que es un servicio gestionado. Por lo tanto, el usuario puede elegir entre una amplia variedad de máquinas, que se utilizan para entrenar un modelo específico. AWS SageMaker también se puede utilizar para realizar el ajuste de hiperparámetros, que también se puede activar a través de la API. La herramienta seleccionará automáticamente la combinación de hiperparámetros que mejor funcione. Los resultados de una ejecución se pueden escribir directamente en S3 o incluso en DynamoDB.

AWS S3 actúa como el sistema de archivos básico para los archivos de entrada y salida. Por lo general, S3 se utiliza para almacenar grandes archivos de datos de entrenamiento y también se puede utilizar para almacenar modelos serializados. AWS S3 se integra de manera fluida con SageMaker.

AWS DynamoDB es una base de datos NoSQL basada en valores clave, gestionada por completo por AWS y que se puede escalar a demanda. La base de datos puede utilizarse para almacenar los KPI de una ejecución de modelos para rastrear el rendimiento del modelo a lo largo del tiempo, por ejemplo. También se aprovecha para integrar información en tiempo de ejecución y metadatos de rendimiento para la ejecución de un modelo. AWS DynamoDB se puede integrar de manera fluida con QuickSight, que es una herramienta de visualización de datos ofrecida por AWS.

AWS Elastic Inference es una instancia EC2 con esteroides. Los modelos entrenados en AWS SageMaker se pueden alojar en una instancia de EI para la predicción. Las máquinas subyacentes se pueden escalar según demanda.

La cuestión ética no es solo un problema de modelado, sino un problema empresarial. El 60 % de las empresas ven el cumplimiento como una barrera para lograr el éxito en la aplicación de la IA, en parte debido a la falta de confianza y comprensión del sistema. IBM diseñó un enfoque triple para fomentar la confianza, la transparencia y la equidad paraejecutar, mantener y escalar la IA de forma coherente, a la vez que se mantiene la confianza y se reduce el riesgo de marca y reputación. IBM puede ayudar al cliente con la cultura que necesita para adoptar y escalar de forma segura la IA, con la ingeniería de la IA a través de herramientas forenses para ver el interior de los algoritmos de caja negra, y con la gobernanza para asegurarse de que la ingeniería se ciñe a la cultura. En el centro de una IA fiable está la telemetría y las herramientas forenses que IBM domina en la comunidad de nuestra fundación de código abierto y Linux.

Los servicios de IBM para la IA a escala se estructuran en torno al kit de herramientas de código abierto de IBM Research, AI Fairness 360 y hojas informativas. Los desarrolladores pueden compartir y recibir códigos y conjuntos de datos de última generación relacionados con la detección y mitigación de sesgos de la IA. Estos esfuerzos de IBM Research también nos llevaron a integrar IBM Watson OpenScale, una oferta comercial diseñada para crear soluciones basadas en IA o empresas para detectar, gestionar y mitigar el sesgo de la IA.