10 herramientas de Inteligencia Artificial

1. Highspot
Highspot ayuda a las empresas a aumentar el impacto de sus equipos de cara al
cliente. Brinda administración de contenido inteligente, orientación contextual,
capacitación intuitiva, capacitación basada en datos y participación del cliente, todo
respaldado por análisis habilitados para acciones. Maximiza la inversión en marketing con
una única fuente de información y gracias a esto se puede mantener el contenido
actualizado y los vendedores pueden encontrar fácilmente lo que necesitan para generar
valor al cliente y cerrar la venta. 

2. Troops
Troops ayuda a los vendedores a automatizar su flujo de trabajo y los alinea con equipos de
Marketing y Gestión de productos. Permite extraer información de Salesforce y facilita su
uso, publicidad y transformación en un canal de Slack. Desde las generaciones de informes
automáticos que se publican en Slack hasta la búsqueda de información de clientes de
Salesforce en un canal especializado de Slack, Troops centraliza la información para los
profesionales de ventas en un solo lugar. Gracias a esta herramienta se crean nuevos
informes, paneles y alertas que mantienen a sus equipos informados sobre lo que sucede en
tiempo real.

3. Nudge
Una plataforma que utiliza IA para ayudar a los líderes de ventas a impulsar su
rendimiento. Aprovecha la inteligencia artificial y el aprendizaje automático para mantener
el CRM 100% actualizado con cada contacto e interacción para que los vendedores se
enfoquen en cerrar acuerdos.

4. Conversica
Conversica es una persona en línea personalizada que automáticamente contacta, involucra,
nutre, califica y da seguimiento a los clientes potenciales a través de conversaciones de
correo electrónico hasta que el cliente potencial se convierte en una oportunidad. 
No solo es más rápido en la identificación de oportunidades de venta, sino que también
cierra el ciclo en los seguimientos posventa, creando una experiencia personalizada.

Imagen: Freepik

5. Quill
Esta herramienta es un generador de lenguaje natural para los equipos. Analiza datos en
línea para identificar los hechos, las palabras y el lenguaje que son importantes para el
equipo de ventas. Igualmente, produce contenido para la empresa acorde a sus reglas
comerciales y preferencias de estilo como tono, estilo, formato y las palabras que usan.

6. People.ai
Ayuda a los equipos a cerrar más negocios con una mayor visibilidad. Recopila
información sobre la actividad de ventas para ver dónde pasan su tiempo los equipos y
luego usa esa información para identificar acuerdos estancados, brinda alertas tempranas
sobre reuniones que se están desacelerando y crea una hoja de ruta de éxito basada en
actividades para cada oportunidad. 
Además, utiliza este acceso a la información para proporcionar asesoría de ventas
impulsada por Inteligencia Artificial para ayudar a los representantes de ventas a descifrar
por qué las ofertas se estancan y qué hacer a continuación.

7. Clara Labs
Clara es un programador de reuniones automático que utiliza un lenguaje natural para
responder a las solicitudes de correo electrónico, está disponible las 24 horas del día, los 7
días de la semana y realiza un seguimiento de los miembros de la reunión.

8. Crystal Knows
Crystal ofrece a los profesionales de ventas perfiles de personalidad para todas las personas
con las que entran en contacto. Describe la información del perfil en la web, en
herramientas como LinkedIn, Salesforce y más. Para ayudar a los profesionales de ventas a
aprovechar esa información, Crystal les brinda acceso a plantillas de correo electrónico
basadas en la personalidad del destinatario. 

Este tipo de comunicación personalizada está diseñada para fortalecer la relación entre el
profesional de ventas y el cliente o prospecto. De igual manera, puede ofrecer sugerencias
sobre el idioma para usar, sugerencias de redacción y plantillas.

9. Chorus.ai
Chorus utiliza Inteligencia Artificial para registrar, transcribir y analizar las llamadas de
ventas en tiempo real, revelando por qué se ganan y se pierden las ventas. En lugar de pasar
horas revisando las llamadas, Chorus puede dividir una llamada de 1 hora en un momento
destacado de 5 minutos proporcionando comentarios prácticos para ayudar a avanzar en un
acuerdo. Es así que, los vendedores pueden aumentar las nuevas transacciónes
identificando puntos de mejora.

10. PersistIQ
PersistIQ ayuda a agrupar a los profesionales para vender más rápido que antes. Clona
automáticamente los flujos de trabajo exitosos y refina el proceso de ventas para llevarlos al
 éxito. Los profesionales pueden personalizar su propia experiencia con PersistIQ y ver los
datos a través de diferentes perspectivas (basadas en cuentas o clientes nuevos).

8 herramientas para proyectos de Big Data e

Inteligencia Artificial
 INNOVACIÓN
FacebookTwitterWhatsappLinkedinMail
Hace algo menos de 3 años publicamos el post “7 Herramientas Big Data para tu empresa“,
donde destacábamos qué herramientas habían demostrado mayor efectividad para llevar a
cabo los proyectos de Big Data. Estas tecnologías cambian a gran velocidad, y muchas de las
apuestas punteras de hace algunos años han quedado desmarcadas en favor de otras más
actuales y efectivas.
En este post vamos a mostraros una nueva selección de herramientas open source que pueden
usarse para construir soluciones Big Data y de Inteligencia Artificial, cubriendo todos los pasos
de la misma: almacenamiento, procesamiento, análisis y visualización.
Hadoop
Podríamos decir que Apache Hadoop ha conformado los cimientos del mundo Big Data.
Inspirada en el funcionamiento del sistema de almacenamiento de Google (Google File
System) e impulsada principalmente por Yahoo, Hadoop es la herramienta estándar
para almacenar grandes volúmenes de datos de forma distribuida y redundante en un cluster de
máquinas.

Hadoop originalmente diseñada como un framework

completo, incluyendo también capacidades de procesado a través del paradigma MapReduce,
pero a día de hoy se emplea principalmente como almacenamiento: las tareas de procesado
se relegan a herramientas más flexibles a través de YARN. YARN es un sistema de gestión
de recursos del cluster. Desde este punto de vista, podemos entender Hadoop como el
“sistema operativo” de un cluster Big Data, permitiendo así desplegar sobre él aplicaciones de
procesado más avanzadas.
Otra de las ventajas de Hadoop es que, al haberse convertido en un estándar de facto, está
disponible en prácticamente todos los proveedores de servicios Cloud, que facilitan su
configuración y despliegue. Igualmente, a través de estas plataformas cloud resulta sencillo
redimensionar el cluster según las necesidades de cada momento, resultando así muy
eficiente en costes hardware.
Elasticsearch
Elasticsearch continúa destacando como una de las bases de datos NoSQL más populares.
Inicialmente concebida como una herramienta para realizar búsquedas complejas en grandes
volúmenes de documentos en texto, hoy día Elasticsearch también se emplea frecuentemente
para trabajar con datos en otros formatos, como información estructurada o geolocalizaciones.

Su principal ventaja es la capacidad de responder

a consultas en tiempo real, incluso si requieren de filtros complejos o búsquedas aproximadas
en texto. Para soportar esta funcionalidad, Elasticsearch se despliega sobre un cluster de
máquinas que reparten los datos con redundancia y comparten el trabajo de las consultas.
Con la infraestrutura apropiada, Elasticsearch es capaz de responder consultas en
milisegundos, habilitando así aplicaciones de análisis en tiempo real.
Elasticsearch cuenta además con todo un entorno de aplicaciones relacionadas y plugins, que
facilitan tareas como el procesamiento de ficheros de logs (a través de Logstash) o la lectura
de mensajes de colas Kafka, entre muchas otras fuentes de datos.
En el Instituto de Ingeniería del Conocimiento (IIC) utilizamos esta herramienta en varias de
nuestras soluciones de Procesamiento del Lenguaje Natural (PLN) y del entorno digital.
Apache Spark
Apache Spark se puede considerar la evolución del paradigma MapReduce nativo de Hadoop,
permitiendo ejecutar tareas de procesamiento de datos hasta 100 veces más rápido que su
predecesor, gracias a un uso efectivo de la memoria RAM de las máquinas del cluster.

Las tareas de procesado en Spark pueden

programarse empleando los lenguajes más habituales en el sector, como son Scala, Java,
Python o R. Además, las funcionalidades de las que se provee Spark son lo suficientemente
flexibles como para poder realizar tareas de cruce, filtrado y ordenación con facilidad. Y yendo
un paso más allá, Spark incluye funcionalidades específicas para cargar información desde
bases de datos o Hadoop, realizar tratamiento de datos en tiempo real o incluso aplicar
modelos sencillos de aprendizaje automático.
Apache Kafka
Si Hadoop es el cimiento de las soluciones Big Data, podríamos decir que Apache Kafka es el
pegamento. Kafka es un sistema de colas de mensajes redundante y distribuido, que permite
implementar de manera fiable las comunicaciones entre los diferentes módulos o
componentes de una solución Big Data.
 El uso habitual de Kafka es conectar los diferentes
elementos de la solución: un módulo que captura datos de una red social y debe transmitirlos a
una base de datos para su almacenamiento, o un modelo de aprendizaje automático que debe
hacer predicciones y enviarlas a través de un servicio de mensajería. Kafka mantiene un
historial de todos los mensajes, de modo que, si cualquier parte de la solución sufre un fallo, el
sistema puede reiniciarse sin que se haya perdido ningún mensaje.
Kafka se ha convertido en un elemento integral de cualquier sistema que deba procesar datos
en tiempo real sin pérdidas, y con este fin lo empleamos en varias de nuestras soluciones en el
IIC.
Jupyter
Todo buen científico debe llevar un cuaderno o registro de sus experimentos, anotando
cuidadosamente los datos empleados, las condiciones del experimento, y los
resultados. Jupyter Notebook es la herramienta más empleada por los científicos de datos
para este fin.

Jupyter se presenta como un “cuaderno” o listado de

celdas de código que pueden ejecutarse una a una para ir comprobando los resultados de
cada paso del experimento. De esta manera facilitan el trabajo exploratorio de análisis de los
datos, así como de entrenamiento de modelos de aprendizaje automático.
Los notebooks de Jupyter pueden escribirse en diversos lenguajes de programación
orientados a trabajo científico, como R o Julia, aunque el más popular es Python. De este
modo facilitan la utilización de todas las librerías de tratamiento de datos y aprendizaje
automático que ofrecen estos lenguajes. También se usan frecuentemente como material
educativo para aprender a trabajar en proyectos de Inteligencia Artificial, y se comparten
frecuentemente en Kaggle, la web por excelencia en competiciones de ciencia de datos.
Keras
Deep Learning es la rama de la Inteligencia Artificial que más éxitos ha recogido en los últimos
años, y una librería que destaca en facilidad de uso para implementar este tipo de modelos es
Keras. Basada en Tensorflow, el framework de Deep Learning liberado por Google en 2015,
Keras permite crear modelos de redes neuronales profundas con facilidad a través
del lenguaje de programación Python.

La principal ventaja de los modelos de Deep Learning

frente a otros modelos predictivos es su capacidad innata de tratar con datos multimedia,
como son imágenes o texto. Aunque tradicionalmente implementar estos sistemas requería de
formación muy especializada y largos tiempos de desarrollo, hoy día las librerías de Deep
Learning como Keras han bajado la barrera de acceso enormemente.
Además, los modelos implementados en Keras son compatibles con diferentes arquitecturas
de cálculo, como pueden ser CPUs o GPUs, así como con otros frameworks diferentes de
TensorFlow, como CNTK de Microsoft.

Kibana
Kibana es otro de los componentes de la familia Elasticsearch, que destaca especialmente por
estar centrado en la visualización de la información almacenada en una base de datos de esta
clase. Con Kibana es extremadamente sencillo construir un dashboard personalizado sobre las
tablas Elasticsearch que nos interese representar gráficamente, facilitando así las tareas de
análisis y presentación de resultados.

Usando Kibana pueden construirse muchas de las

visualizaciones que uno esperaría encontrar en un sistema de Business Intelligence,
como gráficas de series temporales, redes de relaciones en un grafo o mapas geográficos. Se
trata del complemento perfecto para una solución Big Data que ya integra Elasticsearch como
almacenamiento de datos.
Shiny
El lenguaje de programación R es, junto a Python, uno de los más utilizados por  los científicos
de datos para realizar análisis y construir modelos predictivos, pero si por algo destaca
especialmente es por sus capacidades para crear visualizaciones. Un ejemplo de ello
especialmente meritorio es Shiny. Con este paquete es posible crear pequeñas aplicaciones
web o dashboards interactivos, que muestren gráficas de nuestros datos o permitan lanzar
procesos de cálculo.
Shiny resulta una herramienta especialmente útil para el prototipado de soluciones, permitiendo
construir un demostrador de una aplicación de manera sencilla antes de embarcarse en el
proyecto de desarrollo que supondría construir una aplicación web completa.
A medida que más sectores de negocio se ven inmersos en una transformación digital, son
más los datos que se registran electrónicamente y, por tanto, susceptibles de analizarse y
procesarse automáticamente.

A la par de esta tendencia, las tecnologías de Big Data e Inteligencia Artificial también han

evolucionado, permitiendo más capacidad de procesado, pero sobre todo una mayor agilidad
a la hora de construir soluciones adaptadas a cada caso de uso concreto. En el Instituto de
Ingeniería del Conocimiento (IIC), nos mantenemos a la última en la aplicación de estas
tecnologías, proporcionando así un valor diferencial a nuestros clientes.
En la Asociación para el Desarrollo de la Ingeniería del Conocimiento usamos cookies propias o de
terceros