|
|
Ten Predictions for AI in 2020
The Last Mile of AI: Deployment
|
La última milla de IA: implementación
|
|
We’re already seeing waves of this from certain vendors, but the idea of helping organizations through that last mile of the AI lifecycle—deploying a model into production—will become a focal point for customers and vendors alike in 2020. Here are a few recently collected data points that emphasize the importance of vendors helping customers to operationalize AI:
|
Ya estamos viendo oleadas de esto de ciertos proveedores, pero la idea de ayudar a las organizaciones a través de esa última milla del ciclo de vida de la IA (implementar un modelo en producción) se convertirá en un punto focal para clientes y proveedores por igual en 2020. Estos son algunos puntos de datos recopilados recientemente que enfatizan la importancia de que los proveedores ayuden a los clientes a operar la IA:
|
|
72% of organizations with AI initiatives do not yet have AI in production.
|
El 72% de las organizaciones con iniciativas de IA aún no tienen IA en producción.
|
|
44% of organizations investing in specialized infrastructure to support AI initiatives do not expect to see value in their investments for at least ten months.
|
El 44% de las organizaciones que invierten en infraestructura especializada para apoyar iniciativas de IA no esperan ver valor en sus inversiones durante al menos diez meses.
|
|
Nearly one in four organizations (23%) cite model deployment as the phase of the AI/ML data pipeline that creates the greatest challenge.1
|
Casi una de cada cuatro organizaciones (23%) cita la implementación de modelos como la fase de la canalización de datos AI/ML que crea el mayor desafío.1
|
|
Why would an organization invest hundreds of thousands of dollars to not see a return on the investment for over a year? Why would businesses waste the time, effort, and money to make it 80% of the way to leveraging AI, and then fall short at the end? Simply put, they won’t. They’ll turn to prebuilt tools, solutions, or applications that embed AI and say, “it’s good enough.” In the short term, that may work, but in the long term, they’ll need to figure out how to better customize AI to their specific business and use case. And to get there, they’ll need to solve the AI deployment challenge.
|
¿Por qué una organización invertiría cientos de miles de dólares para no ver un retorno de la inversión durante más de un año? ¿Por qué las empresas perderían el tiempo, el esfuerzo y el dinero para hacer que el 80% del camino para aprovechar la IA, y luego quedarían cortos al final? En pocas palabras, no lo harán. Se recurrirán a herramientas, soluciones o aplicaciones preconstruidas que incrustan IA y digan, «es lo suficientemente bueno». A corto plazo, eso puede funcionar, pero a largo plazo, tendrán que averiguar cómo personalizar mejor la IA a su negocio y caso de uso específicos. Y para llegar allí, tendrán que resolver el desafío de implementación de IA.
|
The Persona Conundrum
|
El enigma Persona
|
|
Recognizing the challenges seen by so many organizations across the data lifecycle, new terminology is being used in the market to address the different personas involved throughout the data and applications lifecycle. DevOps incorporates best practices, tools, collaboration, and automation throughout the development and deployment lifecycle between developers and IT operations. DataOps fills a pressing need to incorporate data-centric roles in that process—data engineers, data architects, data scientists—to communicate, collaborate, and incorporate best practices for tie-ins to analytics workflows and next-generation applications. MLOps goes hand in hand with the first prediction, by addressing collaboration between data science teams and operations teams for AI-based applications in production.
|
Reconociendo los desafíos que enfrentan tantas organizaciones a lo largo del ciclo de vida de los datos, se está utilizando una nueva terminología en el mercado para abordar las diferentes personas involucradas a lo largo del ciclo de vida de los datos y las aplicaciones. DevOps incorpora prácticas recomendadas, herramientas, colaboración y automatización a lo largo del ciclo de vida de desarrollo e implementación entre desarrolladores y operaciones de TI. DataOps cumple una necesidad apremiante de incorporar funciones centradas en los datos en ese proceso (ingenieros de datos, arquitectos de datos, científicos de datos) para comunicarse, colaborar e incorporar las mejores prácticas para vinculaciones a flujos de trabajo de análisis y aplicaciones de próxima generación. MLOPS va de la mano con la primera predicción, al abordar la colaboración entre equipos de ciencia de datos y equipos de operaciones para aplicaciones basadas en IA en producción.
|
|
Shifting to data science and analytics, there has been an increased focus on democratizing data access to support all areas of the business. This of course pushes the need for tools that best enable both generalists and specialists to complete their jobs efficiently and effectively. While vendors announce products that seem like the panacea for data democratization, gaps remain when it comes to the entry points and handoffs from one role to another.
|
Al pasar a la ciencia de datos y el análisis, se ha centrado cada vez más en democratizar el acceso a los datos para dar soporte a todas las áreas del negocio. Esto, por supuesto, impulsa la necesidad de herramientas que permitan a los generalistas y especialistas completar sus trabajos de manera eficiente y eficaz. Mientras que los proveedores anuncian productos que parecen la panacea para la democratización de datos, persisten lagunas cuando se trata de puntos de entrada y traspaso de un rol a otro.
|
|
Regardless of <insert your term>Ops terminology or who is looking to access what data from what tool using what device, the various and growing number of personas involved in data management and analysis creates a challenge for vendors in how to best position their products and solutions. In 2020, expect vendors to prioritize persona-based marketing from IT operations and developers to data scientists and business analysts.
|
Independientemente de la terminología de Ops o quién busca acceder a qué datos desde qué herramienta utilizando qué dispositivo, el número creciente de personas involucradas en la gestión y el análisis de datos crea un reto para los proveedores en la mejor forma de posicionar sus productos y soluciones. En 2020, espere que los proveedores prioricen el marketing basado en personas, desde las operaciones de TI y los desarrolladores hasta los científicos de datos y analistas empresariales.
|
Fixing the AI Skills Gap…with AI
|
Corregir la brecha de habilidades de IA... con IA
|
|
How do you fill the AI skills gap? With AI of course. It’s borderline clichéd to cite the AI skills gap as a preventer in leveraging AI. It’s an interesting conundrum: Either you don’t have a data scientist, or you do and you’re asking too much of them. Sixty-three percent of organizations with AI initiatives underway have personnel completing tasks across different phases of the AI lifecycle that fall outside of their core skillset and responsibility.2 And it’s forcing organizations to hold back future investments in the technology.
|
¿Cómo se llena la brecha de habilidades de IA? Con IA, por supuesto. Es un cliché límite para citar la brecha de habilidades de IA como un preventivo para aprovechar la IA. Es un enigma interesante: o no tienes un científico de datos, o lo tienes y estás pidiendo demasiado de ellos. El 63% de las organizaciones con iniciativas de IA en marcha tienen personal que realiza tareas en diferentes fases del ciclo de vida de la IA que quedan fuera de su conjunto de habilidades y responsabilidad.2 Y está obligando a las organizaciones a frenar futuras inversiones en la tecnología.
|
|
The ironic part is that while both customers and vendors have recognized this challenge, the vendors (who are hiring much of the AI talent) are building tools with embedded AI to solve the problem. This can help two types of roles, both of which need the help. For the non-data scientists like data engineers, data architects, data stewards, etc., advanced tools with intelligent automation will enable them to more rapidly complete their day-to-day tasks, while exposing them to AI technologies with guardrails. For the data scientists themselves, it’s more about focusing on their core expertise and enabling better collaboration and repeatability across the AI lifecycle. We’ve seen it throughout this year, and next year is no different: AI democratization will continue to be desired, emphasized, and embraced.
|
Lo irónico es que, si bien tanto los clientes como los proveedores han reconocido este desafío, los proveedores (que están contratando gran parte del talento de IA) están creando herramientas con IA integrada para resolver el problema. Esto puede ayudar a dos tipos de roles, los cuales necesitan la ayuda. Para los científicos que no son de datos, como ingenieros de datos, arquitectos de datos, administradores de datos, etc., las herramientas avanzadas con automatización inteligente les permitirán completar más rápidamente sus tareas diarias, mientras los expondrán a tecnologías de IA con barandillas. Para los propios científicos de datos, se trata más de centrarse en su experiencia principal y permitir una mejor colaboración y repetibilidad a lo largo del ciclo de vida de la IA. Lo hemos visto a lo largo de este año, y el año que viene no es diferente: la democratización de la IA seguirá siendo deseada, enfatizada y aceptada.
|
AI Will Take Action
|
AI tomará medidas
|
|
For those leveraging AI today, the predominant method is to access AI through a product or solution to provide predictive insights. Systems turn to prebuilt AI models that are trained on historical results, analyze real-time data streams, and then alert when something is wrong. Nearly one in three (32%) organizations with AI initiatives underway are using AI as a recommendation engine.3 And IT is a key entry point in this area, whether analyzing log files, managing IT systems, monitoring resources, or orchestrating infrastructure. But simple alerting is the low hanging fruit. In fact, in some cases, it should not be considered “AI” at all since it’s more rule-based automation than AI.
|
Para aquellos que aprovechan la IA en la actualidad, el método predominante es acceder a la IA a través de un producto o solución para proporcionar información predictiva. Los sistemas recurren a modelos de IA preconstruidos que están capacitados en resultados históricos, analizan flujos de datos en tiempo real y, a continuación, alertan cuando algo está mal. Casi una de cada tres (32%) organizaciones con iniciativas de IA en marcha están utilizando la IA como motor de recomendaciones.3 Y TI es un punto de entrada clave en esta área, ya sea analizando archivos de registro, administrando sistemas de TI, supervisando recursos u organizando infraestructura. Pero la simple alerta es la fruta baja que cuelga. De hecho, en algunos casos, no debe considerarse «IA» en absoluto, ya que es más automatización basada en reglas que IA.
|
|
Where AI is going next in this space is taking the appropriate action based on learned behaviors or requirements. Actionable AI will change the way systems are managed, maintained, and provisioned. It will do more than simply provide insight. AI will begin acting to truly enable the next wave of intelligent automation. And while some may consider AI in IT the low hanging fruit, every industry will look to embrace the idea of AI taking action. Maybe it’s a valve automatically turning off, a production line automatically stopping, or a notification directing personnel to allocate more time to a high-value task.
|
A dónde va la IA a continuación en este espacio está tomando las medidas apropiadas en función de los comportamientos o requisitos aprendidos. La IA procesable cambiará la forma en que se administran, mantienen y aprovisionan los sistemas. Hará más que simplemente proporcionar información. La IA comenzará a actuar para habilitar realmente la próxima ola de automatización inteligente. Y aunque algunos pueden considerar que la IA en TI es la fruta baja que cuelga, cada industria buscará adoptar la idea de que la IA tome medidas. Tal vez se trate de una válvula que se apaga automáticamente, de una línea de producción que se detiene automáticamente o de una notificación que indique al personal que asigne más tiempo a una tarea de alto valor.
|
Why versus What
|
¿Por qué versus qué?
|
|
Going hand in hand with actionable AI is ensuring the right level of control and accountability. AI today is used heavily to answer questions like: What is that? What happened? What is going to happen? Using AI for pattern recognition is where we are today (still in its infancy). But organizations need much more information to stand behind an AI-based decision, including understanding the cause and effect of an action taken. Using AI to help users understand the cause and then explain the effect in human terms will significantly advance AI adoption. This of course lands in the realm of explainable AI, where insights derived from AI must be explained to a point where they can be understood by a human. While few technology vendors offer features like this today, in 2020, this feature will become a must-have, especially to advance AI adoption in highly regulated industries.
|
Ir de la mano con la IA procesable es garantizar el nivel correcto de control y rendición de cuentas. Hoy en día, la IA se usa en gran medida para responder preguntas como: ¿Qué es eso? ¿Qué pasó? ¿Qué va a pasar? El uso de IA para el reconocimiento de patrones es donde estamos hoy (todavía en su infancia). Pero las organizaciones necesitan mucha más información para respaldar una decisión basada en la IA, incluida la comprensión de la causa y el efecto de una acción tomada. El uso de la IA para ayudar a los usuarios a comprender la causa y luego explicar el efecto en términos humanos contribuirá significativamente a la adopción de la IA. Esto, por supuesto, aterriza en el ámbito de la IA explicable, donde los conocimientos derivados de la IA deben explicarse hasta un punto en que puedan ser entendidos por un ser humano. Aunque pocos proveedores de tecnología ofrecen características como esta hoy en día, en 2020, esta característica se convertirá en un imprescindible, especialmente para avanzar en la adopción de la IA en industrias altamente reguladas.
|
From the Home to the Workplace
|
Del hogar al lugar de trabajo
|
|
The use of AI assistants has never been higher. It’s becoming more common than ever to leverage NLP on a smart device to answer basic questions or complete basic tasks. Consumers constantly prompt their devices with phrases such as: What’s the temperature today? What’s on my calendar? Tell me about today’s current events. Add milk to my grocery list.
|
El uso de asistentes de IA nunca ha sido mayor. Es cada vez más común que nunca aprovechar la PNL en un dispositivo inteligente para responder preguntas básicas o completar tareas básicas. Los consumidores constantemente incitan a sus dispositivos con frases como: ¿Cuál es la temperatura hoy en día? ¿Qué hay en mi calendario? Háblame de los acontecimientos actuales de hoy. Añadir leche a mi lista de comestibles.
|
|
But the shift of this technology to the enterprise is starting and will continue throughout 2020. In enterprise IT, for example, 57% of organizations feel that using NLP to interact with IT systems is good for limited and specific functions like asking to generate a report, while an additional 35% can’t wait to use AI assistant technology, citing it as the way of the future and looking forward to fully embracing all aspects of the capabilities.4 The same can be said in analytics, where a new type of end-user with limited expertise will be looking to data to help their specific line of business achieve a data-driven goal. We’re in the early stages where BI platforms let users ask (with voice) a question and get a response. Even with the potential for AI to misunderstand a spoken word or sentence, expect to see expansions of usage and rhetoric libraries for certain industries to ensure a better understanding and reaction to voice commands in the workplace. 2020 will bring a whole new adoption trendline based on voice interaction capabilities.
|
Pero el cambio de esta tecnología hacia la empresa está comenzando y continuará a lo largo de 2020. En TI empresarial, por ejemplo, el 57% de las organizaciones consideran que el uso de NLP para interactuar con sistemas de TI es bueno para funciones limitadas y específicas, como pedir que se genere un informe, mientras que un 35% adicional no puede esperar a usar la tecnología de asistente de IA, citándola como el camino del futuro y esperando por completo que abarca todos los aspectos de las capacidades.4 Lo mismo puede decirse en el análisis, donde un nuevo tipo de usuario final con experiencia limitada buscará datos para ayudar a su línea de negocio específica a alcanzar un objetivo basado en datos. Estamos en las primeras etapas en las que las plataformas de BI permiten a los usuarios hacer (con voz) una pregunta y obtener una respuesta. Incluso con la posibilidad de que la IA malinterprete una palabra o frase habladas, espere ver expansiones de uso y bibliotecas retóricas para ciertas industrias a fin de garantizar una mejor comprensión y reacción a los comandos de voz en el lugar de trabajo. 2020 traerá una nueva línea de tendencia de adopción basada en la interacción de voz. capacidades.
|
Prioritizing Customer Service
|
Priorizar el servicio al cliente
|
|
Many of us have been there: We can’t find something or need help answering a question and see a popup in the corner of the webpage that offers real-time assistance. While humans are often behind that customer service interaction, chatbots are increasingly used as a means of answering a question or directing to the next interaction. The challenge today is that many of those chatbots are more based on simple automation, so help is limited, especially with more complex questions or requests. The next year will look to enhance that first-level chatbot experience from simple automation to more advanced comprehension and recommendation. AI will detect intent, establish emotional state, more appropriately answer questions, and on the back-end, provide the human side of customer service with the right information to ensure the customer is as satisfied as possible with the final actions.
|
Muchos de nosotros hemos estado allí: No podemos encontrar algo o necesitamos ayuda para responder una pregunta y ver una ventana emergente en la esquina de la página web que ofrece asistencia en tiempo real. Mientras que los humanos a menudo están detrás de esa interacción de servicio al cliente, los chatbots se utilizan cada vez más como un medio para responder una pregunta o dirigir a la siguiente interacción. El reto de hoy es que muchos de esos chatbots están más basados en la automatización simple, por lo que la ayuda es limitada, especialmente con preguntas o solicitudes más complejas. El próximo año buscará mejorar esa experiencia chatbot de primer nivel, desde la automatización simple hasta la comprensión y recomendación más avanzadas. La IA detectará la intención, establecerá el estado emocional, responderá de manera más adecuada a las preguntas y, en el back-end, proporcionará al lado humano del servicio al cliente la información correcta para garantizar que el cliente esté lo más satisfecho posible con las acciones finales.
|
Riding the Millennial Wave
|
Montando la ola milenaria
|
|
The next wave of workers will enter the workforce with a different (and better) level of data literacy. They’ll be accustomed to leveraging advanced or next-generation technology in their everyday lives to solve problems or complete tasks and will look to do the same in their jobs. This will bring light to a new wave of influence within organizations to use AI to improve day-to-day tasks. While lines of business will likely continue to be the key driver in AI consumption, expect a bigger push from the workers themselves who look to benefit from advanced automation to improve operational efficiency and productivity.
|
La próxima oleada de trabajadores entrará en la fuerza laboral con un nivel diferente (y mejor) de alfabetización de datos. Estarán acostumbrados a aprovechar la tecnología avanzada o de última generación en su vida cotidiana para resolver problemas o completar tareas y buscarán hacer lo mismo en sus trabajos. Esto traerá luz a una nueva ola de influencia dentro de las organizaciones para usar la IA para mejorar las tareas diarias. Si bien es probable que las líneas de negocio sigan siendo el motor clave en el consumo de IA, espere un mayor impulso de los propios trabajadores que buscan beneficiarse de la automatización avanzada para mejorar la eficiencia operativa y la productividad.
|
The Good and Bad of AI-based Content
|
Lo bueno y lo malo del contenido basado en IA
|
|
Throughout the year, numerous stories have highlighted some of the groundbreaking (and in some cases dangerous) angles of AI-based content writing to deliver ongoing financial news, highlight election/poll results, influence public opinion, change perception, and share “fake news.” While many tools have remained private/proprietary, such as those used by national media outlets to write factual articles in a repeatable way, other technologies have become more newsworthy as of late. OpenAI can automatically generate intelligent text responses. Deepfake is the idea of utilizing specialized AI to layer in/out pieces of images, audio, and video. The former was previously kept private but was recently made available to the public. This is paving the way for more people, organizations, entities, etc., to leverage AI in legitimate or malicious ways. And of course, it must be mentioned that with a globally impactful presidential election on the horizon, it will be more important than ever to detect what is real and what is fake in publicly shared content. 2020 will pave the way to establish a global standard in AI-writer detection.
|
A lo largo del año, numerosas historias han destacado algunos de los ángulos pioneros (y en algunos casos peligrosos) de la escritura de contenido basada en IA para ofrecer noticias financieras continuas, resaltar los resultados de las elecciones/encuestas, influir en la opinión pública, cambiar la percepción y compartir «noticias falsas». Aunque muchos instrumentos han seguido siendo privados o de propiedad intelectual, como los utilizados por los medios de comunicación nacionales para escribir artículos fácticos de manera repetible, otras tecnologías han pasado a ser más informativas últimamente. OpenAI puede generar automáticamente respuestas de texto inteligentes. Deepfake es la idea de utilizar IA especializada para capas de entrada/salida de piezas de imágenes, audio y vídeo. El primero se mantuvo en privado, pero recientemente se puso a disposición del público. Esto está allanando el camino para que más personas, organizaciones, entidades, etc., aprovechen la IA de manera legítima o maliciosa. Y, por supuesto, hay que mencionar que con unas elecciones presidenciales impactantes a nivel mundial en el horizonte, será más importante que nunca detectar lo que es real y lo que es falso en contenido compartido públicamente. 2020 allanará el camino para establecer un estándar global en la detección de escritores de inteligencia artificial.
|
Focus on Mobility
|
Enfoque en la movilidad
|
|
When it comes to augmented analytics, the focus has been on incorporating AI and ML to democratize access to data and, more importantly, insights. The idea is to enable more personnel across an organization to utilize data. And over the next year, businesses will turn to BI tools that enable a new wave of end-users to access data, dashboards, and reports—and that means accessing all of that on their terms from their preferred device. ESG research shows that 57% of all workers expect to be able to perform the majority of their job functions from any device and nearly one-quarter (23%) of workers specifically use a mobile device for more than a third of their workday.5 Marrying data, analytics, BI, and insight with AI-based technology will be central to the democratization of analytics.
|
Cuando se trata de análisis aumentados, el enfoque se ha centrado en incorporar IA y ML para democratizar el acceso a los datos y, lo que es más importante, información. La idea es permitir que más personal de una organización utilice los datos. Y durante el próximo año, las empresas recurrirán a herramientas de BI que permiten a una nueva ola de usuarios finales acceder a datos, paneles e informes, y eso significa acceder a todo eso según sus condiciones desde su dispositivo preferido. La investigación de ESG muestra que el 57% de todos los trabajadores esperan poder realizar la mayoría de sus funciones de trabajo desde cualquier dispositivo y casi una cuarta parte (23%) de los trabajadores utilizan específicamente un dispositivo móvil durante más de un tercio de su jornada de trabajo.5 La casación de datos, análisis, BI e información con tecnología basada en IA será central para la democratización de la analítica.
|
|
5. Source: ESG Master Survey Results, 2019 Digital Work Trends Survey, November 2019.
|
5. Fuente: Resultados de la Encuesta Máster ESG, Encuesta de Tendencias del Trabajo Digital 2019, Noviembre 2019.
|
|
|