Traducido del inglés al español - www.onlinedoctranslator.

com

Inteligencia artificial aplicada

Una revista internacional

ISSN: (Imprimir) (En línea) Página de inicio de la revista: https://www.tandfonline.com/loi/uaai20

Lienzo de IA empresarial que integra la

inteligencia artificial en los negocios

Ulrich Kerzel

Para citar este artículo: Ulrich Kerzel (2020): Enterprise AI Canvas que integra la inteligencia artificial en los
negocios, inteligencia artificial aplicada, DOI: 10.1080 / 08839514.2020.1826146

Para vincular a este artículo: https://doi.org/10.1080/08839514.2020.1826146

Publicado online: 04 Oct 2020.

Envíe su artículo a esta revista

Ver artículos relacionados

Ver datos de Crossmark

Los términos y condiciones completos de acceso y uso se pueden encontrar en

https://www.tandfonline.com/action/journalInformation?journalCode=uaai20
INTELIGENCIA ARTIFICIAL APLICADA https://doi.org/
10.1080/08839514.2020.1826146

Lienzo de IA empresarial que integra la inteligencia artificial en los

negocios
Ulrich Kerzel

Fernstudium, IUBH Internationale Hochschule GmbH, Erfurt, Alemania

ABSTRACTO
La inteligencia artificial (IA) y el aprendizaje automático tienen un
enorme potencial para transformar empresas e interrumpir
sectores industriales enteros. Sin embargo, las empresas que
desean integrar decisiones algorítmicas en su organización se
enfrentan a múltiples desafíos: deben identificar casos de uso en los
que la inteligencia artificial pueda crear valor, así como decisiones
que puedan respaldarse o ejecutarse automáticamente. Además, la
organización deberá transformarse para poder integrar sistemas
basados en IA en su fuerza de trabajo humana. Además, los
aspectos más técnicos del modelo de aprendizaje automático
subyacente deben discutirse en términos de cómo impactan en las
distintas unidades de una empresa: de dónde provienen los datos
relevantes, qué restricciones deben tenerse en cuenta, ¿Cómo se
evalúa la calidad de los datos y la predicción? El lienzo de IA
empresarial está diseñado para reunir a científicos de datos y
expertos en negocios para discutir y definir todos los aspectos
relevantes que deben aclararse para integrar sistemas basados en
IA en una empresa digital. Consta de dos partes, en la que la
primera se centra en la visión empresarial y los aspectos
organizativos, mientras que la segunda se centra en el modelo de
aprendizaje automático subyacente y los datos que utiliza.

1. Introducción

La inteligencia artificial (IA) y el aprendizaje automático tienen un enorme potencial para

transformar empresas e interrumpir sectores industriales enteros. Cuando se hace
referencia a la inteligencia artificial, generalmente se hace la distinción entre IA general (o
fuerte) y estrecha: Sistemas de IA general (Turing1947) (McCarthy 2007) exhiben un
comportamiento inteligente a la par o incluso superando a la inteligencia humana en una
amplia gama de escenarios. Si bien los sistemas generales de inteligencia artificial aún son
esquivos, se espera que interactúen y razonen de manera muy similar a como lo hacemos
los humanos. Los sistemas de IA estrechos, por otro lado, tienen como objetivo resolver
un problema particular y especializarse en la ejecución de una tarea específica y singular.
Este enfoque ha tenido éxitos espectaculares, como jugar el juego "Go" sin el
conocimiento humano (Silver et al.2017) o detección de cáncer (Esteva et al., 2017; Ardila y
col.2019).

CONTACTO Ulrich Kerzel u.kerzel@iubh-fernstudium.de IUBH Internationale Hochschule GmbH, Erfurt

D-99084, Alemania
© 2020 Taylor y Francis
2 U. KERZEL Y U. KERZEL

Si bien el desempeño de la inteligencia artificial limitada es realmente asombroso

en estos y otros ejemplos, se enfocan principalmente en una pregunta de
investigación específica. Las empresas, por otro lado, primero y ante todo, deben
abordar la cuestión de cómo generar valor para sus clientes y partes interesadas. P.
Sondergaard, vicepresidente senior de Gartner dijo ya en 2015 que "los algoritmos
son donde reside el valor real [porque] los algoritmos definen la acción" (Levy2020).
Esta declaración captura bastante bien la esencia de las decisiones algorítmicas: los
algoritmos permiten crear valor y pueden vincularse a decisiones: el resultado de un
algoritmo es típicamente una predicción, ya sea una clasificación o una regresión,
que luego se puede traducir en decisiones operativas. Si bien muchas empresas
también se dedican a la investigación fundamental, el factor impulsor de la mayoría
de las innovaciones y ofertas se remonta a la pregunta: ¿Cómo crea valor la empresa?

La integración de la inteligencia artificial en una empresa requiere más consideración que la

analítica tradicional: si bien la integración de decisiones basadas en datos no es nueva para
muchas empresas, estas suelen centrarse en establecer o ampliar equipos de especialistas con
herramientas sofisticadas. Como estas actividades todavía se basan en equipos humanos,
pueden integrarse en organizaciones de formas familiares, incluidas las estructuras
organizativas y de gestión. Sin embargo, la integración de las decisiones tomadas por la
inteligencia artificial también debe abordar las preguntas sobre cómo funcionan juntas la
inteligencia humana y la inteligencia artificial y cómo y por quién se toman las decisiones. Desde
una perspectiva organizacional, los sistemas de inteligencia artificial no se "administran".
Además, en el futuro previsible, los sistemas de IA no son adecuados para todo tipo de
decisiones: algunas decisiones las toman mejor los humanos, otros son más adecuados para ser
delegados a una inteligencia artificial. Decidir en qué categoría se incluye una idea de negocio
en particular requiere una amplia experiencia técnica más allá del nivel de la mayoría de los
expertos en negocios.
El lienzo de IA empresarial está diseñado para reunir a científicos de datos,
especialistas en IA y expertos en negocios, y tiene como objetivo plantear todas las
preguntas relevantes que deben abordarse para identificar primero los casos de uso más
prometedores que aportan valor a la empresa y sus clientes, así como más detalles
técnicos sobre los datos subyacentes y el modelo de aprendizaje automático.

2. Relación con otros trabajos

Existen muchos enfoques para identificar nuevas oportunidades comerciales. Un enfoque

muy exitoso es el Business Model Canvas (BMC), propuesto por Osterwalder y Pigneur
(Osterawalder y Pigneur2010; Osterwalder2004). El Business Model Canvas utilizó nueve
bloques de construcción que se centran en la propuesta de valor, los socios clave, las
actividades, los recursos, así como los clientes y los flujos de costos e ingresos. El BMC es
una herramienta útil para que los expertos en negocios identifiquen nuevas propuestas
de valor y cómo aportan valor a la empresa y a los clientes; sin embargo, como un lienzo
general, el BMC no aborda los aspectos adicionales.
 INTELIGENCIA ARTIFICIAL APLICADA 3

requisitos para evaluar si la propuesta es adecuada para un sistema basado en IA o para

integrar inteligencia artificial en la organización. Implícitamente, BMC asume que algún
equipo será responsable de realizar la propuesta de valor, pero no es necesario evaluar
los detalles en esta etapa. El Machine Learning Canvas (MLC) propuesto por Dorard
(Dorard nd), por otro lado, se centra principalmente en los aspectos técnicos del
desarrollo de un caso de uso adecuado para algoritmos de aprendizaje automático,
cubriendo aspectos relacionados con el modelo, como fuentes de datos, recopilación de
datos, características, así como hacer predicciones y las decisiones o acciones resultantes.
Si bien el MLC también contiene la "propuesta de valor" como elemento central, la
mayoría de los bloques del lienzo están relacionados con detalles técnicos que son más
relevantes para los científicos de datos que para los expertos en negocios. lo que hace que
el lienzo de aprendizaje automático sea principalmente relevante para el equipo de ciencia
de datos que desarrolla e implementa una idea de negocio. El AI Canvas propuesto por
Agrawalet al. (Agrawal, Gans y Goldfarb2018) utiliza IA como término general para las
predicciones basadas en máquinas, sinónimo de aprendizaje automático. Este lienzo
captura las ideas principales de un nuevo proyecto propuesto, como lo que se debe
predecir y la acción resultante, así como algunos aspectos generales de los datos
requeridos y la capacitación, pero no entra en detalles técnicos como el lienzo de
aprendizaje automático ni cómo las empresas integrarían esto en sus operaciones. El AI
Canvas propuesto por K. Dewalt (DewaltDakota del Norte) proporciona una combinación
de alto nivel de aspectos centrados en el negocio y la ciencia de datos. Los aspectos
centrados en el negocio incluyen discusiones sobreoportunidad, solución, y clientes,
Similar a propuesta de valor en el lienzo de aprendizaje automático de L. Dorard. Al igual
que en Machine Learning Canvas, este lienzo también incluye campos parafuentes de
datos, desarrollo de modelos, y criterios de éxito, aunque permanecen en un nivel
superior en comparación con el lienzo de aprendizaje automático. Finalmente, el AI Project
Canvas sugerido por J. Zawadski (Zawadzki2019) se basa en el lienzo del modelo de
negocio original y se centra principalmente en el desarrollo de la idea de negocio, como la
propuesta de valor costos e ingresos, así como quiénes son los clientes finales y las partes
interesadas y las habilidades requeridas. Sin embargo, el AI Project Canvas no incluye más
detalles técnicos y, por lo tanto, está dirigido principalmente a gerentes de proyectos.

3. El lienzo de IA empresarial

A primera vista, puede resultar tentador entregar el Business Model Canvas (Osterawalder
y Pigneur 2010; Osterwalder2004) o el AI Project Canvas (Zawadzki 2019) a los expertos en
negocios o gerentes de proyectos y luego el Machine Learning Canvas (Dorard nd) a los
científicos de datos en el siguiente paso. De hecho, esto es lo que sucede en la industria y
la aplicación con bastante frecuencia, aunque los diversos lienzos rara vez se utilizan en la
práctica y, en cambio, los proyectos potenciales se discuten y derivan en presentaciones o
rotafolios. Sin embargo, en muchas situaciones prácticas esto no conducirá a resultados
satisfactorios: Desarrollo de datos-
4 U. KERZEL Y U. KERZEL

Las aplicaciones impulsadas que utilizan el aprendizaje automático o la inteligencia

artificial (limitada) requieren una comprensión detallada de los datos disponibles u
obtenibles para un caso de uso dado, así como una estimación de la viabilidad de
desarrollar un modelo en un tiempo razonable. Si bien estos aspectos pueden ser bien
entendidos por los científicos de datos (senior), los expertos en negocios o los gerentes de
proyectos a menudo están demasiado alejados de estos detalles. Por otro lado, los
científicos de datos generalmente solo tienen una visión limitada de cómo crear valor
comercial y optimizar las decisiones operativas en un entorno corporativo, así como qué
cambio organizacional o gestión de cambios se requeriría para integrar un proyecto de IA
en una empresa. Las ideas y los detalles del proyecto, los aspectos técnicos y las
implicaciones organizativas están entrelazados y estrechamente relacionados. Discutir
primero los aspectos comerciales y obtener la aprobación de la alta dirección antes de
comprometerse profundamente con el científico de datos puede llevar a bucles
innecesarios que redefinen los proyectos en el mejor de los casos e implementan algo que
cumpla con el plan del proyecto, pero que no cumpla con los requisitos del cliente en el
peor de los casos. . Además, los expertos en negocios y los científicos de datos tienen
antecedentes muy diferentes y usan un lenguaje o jerga diferente.
El lienzo de IA empresarial propuesto en este trabajo está diseñado
específicamente para que todas las comunidades relevantes, como los expertos en
negocios y dominios, así como los científicos de datos, puedan trabajar juntos en un
marco común. Esto permite capturar la experiencia de un equipo de planificación de
proyectos diverso y garantiza que se consideren todos los aspectos relevantes de
todo el proyecto. Se ha prestado especial atención a la consideración de la toma de
decisiones, la optimización de decisiones y el impacto en las estructuras
organizativas. Los detalles técnicos, como la definición del objetivo de predicción, a
menudo se discuten solo entre científicos de datos, estas especificaciones a menudo
tienen consecuencias de gran alcance en el lado comercial: a medida que las
decisiones operativas las toman las máquinas, ¿Cómo debería tratar la empresa con
las personas que tomaron estas decisiones antes? ¿En qué trabajarán estas personas
y cómo cambiará su función laboral? Otro aspecto importante es considerar cómo se
optimizan las decisiones operativas. Antes del proyecto basado en IA, derivar la
decisión óptima normalmente ha sido responsabilidad de un gerente o experto, ya
que las decisiones se toman automáticamente, ¿cómo se cambia el proceso de
optimización para incorporar las predicciones de la IA?
El Enterprise AI Canvas consta de dos partes, la primera parte está dirigida principalmente a
la perspectiva empresarial de la integración de un sistema de IA, la segunda parte se centra más
en el aprendizaje automático subyacente y el modelo de datos. Ambas partes se muestran en
detalle enFigura 1 y todos los elementos se analizan a continuación en detalle. Cada elemento
del lienzo se puede considerar por separado en cualquier orden, sin embargo, es recomendable
comenzar con los elementos centrales primero y luego avanzar hacia los elementos más
estrechamente relacionados. Por lo tanto, es útil comenzar conValoren la primera parte y
primero considere cómo la nueva oportunidad de negocio potencial puede crear valor. En
consecuencia, es útil comenzar conPredicción y acción en
 INTELIGENCIA ARTIFICIAL APLICADA 5

Enterprise AI Canvas - Parte 1: Vista empresarial

Decisión y optimización: Valor: Éxito:

¿Cómo se optimizan las decisiones? ¿Por quién? ¿Cómo genera valor el caso de uso? ¿Qué se puede ofrecer? ¿Cómo se define el éxito (métricas, KPI)? ¿Qué hace que el caso de uso sea "bueno" o "malo"?

¿Qué problema se puede solucionar? ¿Quién decide esto?

Organización: Dominios:
¿Cómo se forman actualmente las decisiones y acciones? ¿Cómo cambiará esto ¿Qué experiencia en el dominio se necesita? ¿Qué unidades de negocio están involucradas?

con este caso de uso? ¿Gestión del cambio? ¿Entrenamiento adicional?

Patrocinador: ¿Qué gerente senior es el responsable?

Enterprise AI Canvas - Parte 2: Model & Data View

Domains and Data Quality: Predicción y acción: Características:

¿Qué experiencia en el dominio se necesita? ¿Cómo y quién puede decidir si los datos ¿Qué debería predecirse? ¿Cómo se transforman las ¿Qué características son probablemente importantes?

son "buenos" o "malos"? ¿Cómo medir y mejorar la calidad de los datos? predicciones (como probabilidades) en acciones?

Fuentes de datos y procesamiento: Restricciones:

¿Qué fuentes de datos son necesarias, cuáles ya están disponibles? ¿Qué tipo de datos se ¿Cuál es el marco de tiempo típico para una predicción? ¿Qué granularidad se requiere? ¿Con

necesitan? ¿Qué sistemas se requieren y ya están disponibles para manejar los datos? qué frecuencia es necesario volver a entrenar el modelo? ¿Cómo se sirven los modelos? ¿Edge,

en las instalaciones o en la nube?

Evaluación y seguimiento: ¿Qué métricas se utilizan? ¿Cómo se hará el seguimiento del proyecto? ¿Qué pasa en caso de incidencias?

Figura 1. Enterprise AI Canvas.

la segunda parte para analizar qué se debe predecir exactamente y cómo una predicción de un
modelo de aprendizaje automático se puede convertir en una acción operativa.

3.1. Parte 1

La primera parte del lienzo de IA empresarial se centra en la visión empresarial de la

oportunidad: ¿cómo aporta valor la oportunidad, qué se entiende por "éxito
cese, ¿cómo impacta en la organización el brindar la oportunidad?
• Valor: El elemento central de la oportunidad comercial potencial es cómo
crea valor para la organización y los clientes. El principal relevante
6 U. KERZEL Y U. KERZEL

Las preguntas se centran en la oferta potencial y qué problema se puede

resolver con la nueva oportunidad de negocio. El caso de uso potencial puede
ser una nueva oferta o una mejora sustancial de los enfoques anteriores.
• Éxito: La parte central de una nueva oportunidad de negocio o un importante
la mejora de una oferta existente está relacionada con su éxito. Sin embargo, queéxito los
medios deben definirse cuidadosamente. Desde una perspectiva técnica, los científicos de
datos pueden verse tentados a centrarse en métricas que se centran en la calidad de las
predicciones individuales realizadas por el modelo de aprendizaje automático. Sin
embargo, como estas predicciones están integradas en las decisiones operativas, una
"buena" predicción no se traduce necesariamente en una "buena" decisión operativa. Los
expertos en ciencia de datos y negocios deben trabajar juntos e identificar métricas
específicas que permitan evaluar la calidad de las decisiones operativas tomadas por el
modelo de IA. Es probable que no se trate de métricas técnicas, sino de indicadores clave
de rendimiento (KPI) relacionados con la oportunidad de negocio. Tenga en cuenta que
esto no implica que no se deban utilizar las métricas técnicas; sin embargo, A menudo,
hay muchas capas entre la predicción de un modelo de aprendizaje automático y la
decisión operativa resultante que deben tenerse en cuenta. Lo que importa al final es que
se tome la mejor decisión posible.
• Decisiones y optimización: Este aspecto se centra en el aspecto operativo
de las decisiones relacionadas con el caso de uso potencial. Si un enfoque existente se
mejora sustancialmente utilizando un sistema basado en inteligencia artificial, los
especialistas comerciales deben comprender qué decisiones se toman en ese momento y
cómo se forman. ¿Qué razonamiento se utiliza para tomar decisiones? Idealmente, las
decisiones ya se basan en un enfoque claro o en análisis basados en datos, aunque
muchas decisiones aún se pueden tomar con "intuición ... Si se explora una nueva
oportunidad de negocio, las decisiones asociadas deben hacerse explícitas y los objetivos
de acuerdo con qué decisiones se optimizan deben especificarse.
• Organización: Este elemento está relacionado con el punto Decisión y optimización
que se centra en qué decisiones deben tomarse en el contexto de una nueva
oportunidad comercial y cómo se optimizan estas decisiones para lograr el mejor
resultado posible. El objetoOrganización se centra en quién toma la decisión
actualmente: ¿Cómo se forman? ¿Quién hace eso? ¿Qué pasará una vez que el
sistema basado en inteligencia artificial se integre en el proceso? ¿Qué decisiones
tomarán los humanos y cuáles la IA? ¿Qué sucede con los humanos involucrados
actualmente? ¿Necesitarán formación adicional? ¿Es necesario cambiar parte de la
organización o incluso toda la organización para adaptarse al hecho de que las
decisiones operativas ahora las toma, al menos en parte, una máquina? ¿Quién
preparará a la organización para este cambio y cómo? No abordar estos puntos
puede generar inquietudes importantes entre los empleados, como el miedo a
perder sus puestos de trabajo o similares.
• Patrocinador: Cualquier nuevo cambio sustancial en las operaciones y la organización
ción de la empresa requiere una consideración cuidadosa por parte del equipo de
alta dirección. Esto es particularmente cierto en el caso de sistemas basados en
 INTELIGENCIA ARTIFICIAL APLICADA 7

inteligencia que probablemente tenga un gran impacto en la forma en que funciona

la empresa cuando la inteligencia humana y la artificial trabajan juntas. Por lo tanto,
es fundamental identificar al equipo de alta dirección responsable de este proyecto
para guiar a la empresa a través del proceso de cambio necesario.
• Dominios: Para generar valor, se ha creado una nueva oportunidad de negocio.
para integrarse en un dominio o área de aplicación específica de la industria. Al evaluar las
perspectivas de una nueva oportunidad, es importante integrar la experiencia del dominio
relevante desde el principio. Esto puede relacionarse tanto con la experiencia interna en
varias unidades de negocio como con la experiencia externa.

3.2. Parte 2

La parte 2 del lienzo Enterprise AI se centra más en los aspectos técnicos de la

implementación del modelo de aprendizaje automático como la base del sistema de
decisiones basado en inteligencia artificial.
• Predicción y acción: Este artículo se relaciona con Decisión y optimización y
Valor en la primera parte. Mientras que los aspectos de la primera parte estaban
relacionados principalmente con la oportunidad de negocio y cómo se derivan e
implementan las decisiones, la partePredicción y acción en la segunda parte se centra en
la predicción concreta que el sistema de IA debe realizar para cumplir el objetivo, es decir,
qué cantidad debe predecirse exactamente. ¿Es este un problema de clasificación o
debería predecirse una cantidad (regresión)? Básicamente, todas las predicciones son
probabilidades (en caso de clasificaciones) o distribuciones de densidad de probabilidad
(en caso de regresión). ¿Cómo se transforman estas probabilidades en acciones? Si, por
ejemplo, es necesario definir un umbral, ¿cómo se determina este valor?
• Características: Una vez que se ha definido qué necesita exactamente el modelo
predecir, se debe prestar mucha atención a las posibles variables de características que
probablemente el modelo de aprendizaje automático necesite para calcular las predicciones
individuales. Aunque no todos los aspectos pueden considerarse en esta etapa, ya que más
variables de características pueden considerarse importantes durante la fase de desarrollo, este
paso ayuda a comprender qué fuentes de datos serán necesarias.
• Procesamiento y fuentes de datos: Esta parte se relaciona con Características: Una vez que el mayor
Se han identificado variables de características, el siguiente paso es investigar a qué fuentes de
datos se puede acceder para extraer los datos relevantes. Las posibles fuentes de datos pueden
cubrir una amplia gama de fuentes internas y externas. Idealmente, la lista debe clasificarse de
acuerdo con una primera estimación de la prioridad de acceso de estos sistemas, ya que la
extracción de datos de cada sistema requiere tiempo y esfuerzo y las fuentes de datos más
importantes deben manejarse primero. Además, el propio sistema de IA también requiere
capacidades de procesamiento adecuadas tanto para el manejo de los datos como para el
cálculo de las predicciones. La capacidad informática y de almacenamiento requerida debe
considerarse como parte de la planificación del proyecto, así como el lugar donde se operan
estos sistemas, como un centro de datos privado o un sistema basado en la nube.
8 U. KERZEL Y U. KERZEL

• Dominios y calidad de los datos: En última instancia, un sistema basado en IA es tan bueno
como los datos que puede utilizar para aprender. En consecuencia, la calidad de los datos es
primordial y se debe realizar un esfuerzo significativo para limpiar los datos antes de que se
utilicen para entrenar un sistema de IA. Aunque a menudo se menciona en la creencia popular,
los datos no hablan por sí mismos, pero se requiere una gran experiencia en el dominio para
decidir si un punto de datos en particular es correcto o si un valor atípico probablemente se
deba a un problema técnico o esté relacionado con un evento raro pero válido. ¿Qué
experiencia se necesita para evaluar la calidad de los datos? ¿Qué criterios se pueden definir
para medir y cuantificar la calidad de los datos y qué procesos se pueden establecer para
mejorar la calidad de los datos a lo largo del proyecto?
• Restricciones: En la mayoría de las aplicaciones prácticas, una serie de restricciones tienen
ser reunidos. Por ejemplo, las predicciones deben calcularse dentro de un tiempo específico o
deben cumplirse requisitos particulares con respecto a la seguridad y privacidad de los datos.
En algunos casos, esto puede implicar que los servicios basados en la nube son el mejor
enfoque; en otros, los servicios basados en la nube pueden descartarse y deben utilizarse
centros de datos dedicados o dispositivos periféricos.
• Evaluación y seguimiento: Esta parte está relacionada con Éxito de la parte uno de
el lienzo. Después de definir cómo se evalúa el proyecto, ahora debe discutirse cómo
se calcularán y presentarán las métricas relevantes. Idealmente, se hace un primer
plan sobre cómo manejar cualquier incidente o desviación del rango permitido de
métricas.

4. Ejemplo
En el siguiente ejemplo, se analizó una cadena de supermercados ficticia y el lienzo de
Enterprise AI se completó en consecuencia (Figura 2). Se eligió el ejemplo porque los diferentes
elementos se pueden relacionar fácilmente con las experiencias cotidianas y debido a la
experiencia del autor en esta área específica. En general, los supermercados ofrecen una amplia
gama de productos a los clientes finales donde la gama de productos (surtidos) varía desde
cientos o miles de productos diferentes para las tiendas de descuento hasta decenas de miles
de productos diferentes para los supermercados en general. Por lo general, los supermercados
obtienen productos nuevos una vez al día o cada pocos días. Muchos productos tienen una vida
útil prolongada, como los alimentos congelados, enlatados o secos, y por lo tanto, reponer
estos productos generalmente no es crítico, ya que las irregularidades en el envío se pueden
compensar en el siguiente ciclo siempre que haya suficiente stock disponible en el estante. . Sin
embargo, una amplia gama de productos tiene una vida útil corta y debe desecharse una vez
que los productos perecen. Estos incluyen, por ejemplo, productos frescos, flores, productos de
panadería, lácteos, carne y similares. Algunos de estos productos (por ejemplo, pan fresco) solo
se pueden vender durante un solo día. Estos productos, llamados frescos o ultrafrescos, son
mucho más desafiantes desde la perspectiva de la reposición: no se pueden almacenar para
compensar un aumento inesperado de la demanda o un envío perdido y mantener un gran
stock de seguridad conduce a un alto nivel de eliminación de desechos. que es costoso y
 INTELIGENCIA ARTIFICIAL APLICADA 9

Enterprise AI Canvas - Parte 1: Vista empresarial

Decisión y optimización: Valor: Éxito:

¿Cómo se optimizan las decisiones? ¿Por quién?
¿Cómo genera valor el caso de uso? ¿Qué se puede ofrecer? ¿Cómo se define el éxito (métricas, KPI)? ¿Qué hace que el caso de uso sea "bueno" o "malo"?

Decisión final: ¿Qué problema se puede solucionar? ¿Quién decide esto?

Cantidad de pedido de un artículo determinado (por tienda, por día), incluidos los tamaños de lote y Métricas comerciales relevantes:
cliente:
el calendario de entrega. tasa de desabastecimiento (<xx%), desperdicio de productos perecederos (<xx%),
- menos situaciones de desabastecimiento
inventario general (debe caber en el espacio disponible actualmente).
enfoque futuro: - menos clientes frustrados debido a problemas de

Determinación automática de la cantidad óptima de pedido y transmisión al proveedor, incluidas almacenamiento Decidido por: Científico de datos: valores posibles considerando restricciones de tamaño de

todas las limitaciones, los expertos humanos supervisan y modifican en circunstancias excepcionales. lote, cronograma de entrega, alta gerencia: valores de KPI de acuerdo con la estrategia dentro
detallista:
Se realiza un seguimiento de cada modificación. del rango posible.
- reducción del desperdicio de productos perecederos

Organización: - inventario general reducido Dominios:

- menos situaciones de desabastecimiento

¿Cómo se forman actualmente las decisiones y acciones? ¿Cómo cambiará esto con ¿Qué experiencia en el dominio se necesita? ¿Qué unidades de negocio están involucradas?
- menos clientes frustrados debido a problemas de
este caso de uso? ¿Gestión del cambio? ¿Entrenamiento adicional?
almacenamiento - Gestión de productos: características del producto, historia

- Marketing: campañas de marketing pasadas y futuras, características de marketing

- Cadena de suministro: restricciones y horarios, proveedores y alternativas

Patrocinador: ¿Qué gerente senior es el responsable?

CEO: Los procesos de negocios centrales se ven afectados, debe ser aprobado por el CEO. La alta dirección (por ejemplo, el director de adquisiciones) es responsable del proyecto y cuenta con la participación de otros departamentos pertinentes.

Enterprise AI Canvas - Parte 2: Model & Data View

Domains and Data Quality: Predicción y acción: Características:

¿Qué experiencia en el dominio se necesita? ¿Cómo y quién puede decidir si los datos ¿Qué debería predecirse? ¿Cómo se transforman las ¿Qué características son probablemente importantes?

son "buenos" o "malos"? ¿Cómo medir y mejorar la calidad de los datos? predicciones (como probabilidades) en acciones?
- datos históricos de ventas (por día, por tienda), tal vez utilizando series de tiempo como entrada

Experiencia requerida: adicional.

- TI de los sistemas operativos (PoS, Marketing, Supply Chain) para extraer datos y - predecir: demanda futura por día por tienda para
- propiedades del producto
verificar problemas de calidad de datos. varios horizontes de pronóstico: 1 día en el futuro:

planificación operativa. 2-30 días en el futuro: crear - características de la tienda

- Gerentes de productos para proporcionar detalles de productos pasados, actuales y futuros, cambios de
conciencia sobre los desarrollos a más largo plazo,
productos, productos descontinuados, etc. y verificar problemas de calidad de los datos. - clima
respaldo en caso de que el horizonte de 1 día no

esté disponible. - información del calendario

Predecir el PDF completo (regresión)

Fuentes de datos y procesamiento: Restricciones:

- Simulación: ¿cómo se traducen los cuantiles del
Qué fuentes de datos son necesarias, que ar¿Ya estás disponible? ¿Qué tipo de datos se ¿Cuál es el marco de tiempo típico para una predicción? ¿Qué granularidad se requiere? ¿Con
PDF predicho en KPI como desabastecimiento,
necesitan? ¿Qué sistemas se requieren y ya están disponibles para manejar los datos? qué frecuencia es necesario volver a entrenar el modelo? ¿Cómo se sirven los modelos? ¿Edge,
desperdicio?
en las instalaciones o en la nube?
La alta dirección para elegir el mejor punto

- Sistemas operativos: datos de PoS, ERP operativo en métricas centradas en el cliente - predicciones requeridas diariamente. Los datos de PoS están disponibles a la medianoche, los pedidos

deben realizarse antes de las 4 am en el proveedor para que se cumplan en el siguiente ciclo.
- externo: tiempo, información del calendario (por ejemplo, escuela / días festivos, especial

eventos como Navidad, Pascua, pero también, por ejemplo, grandes competiciones deportivas) - los datos y los cálculos se pueden realizar en la nube; no se requiere una solución local.

Evaluación y seguimiento: ¿Qué métricas se utilizan? ¿Cómo se hará el seguimiento del proyecto? ¿Qué pasa en caso de incidencias?
Monitoreo en vivo y a largo plazo de métricas centradas en el cliente (desabastecimiento, desperdicio). MAD como indicador de la calidad de predicción de los estimadores puntuales. Perfil del histograma del estimador puntual (predicción) frente a las ventas observadas para monitorear

cualquier sesgo.

Figura 2. Ejemplo: Enterprise AI Canvas para una cadena de supermercados centrada en el reabastecimiento de tiendas.

nocivo para el medio ambiente. Mantener el stock demasiado bajo, por otro lado, dará como resultado

situaciones de agotamiento de existencias en las que los clientes se enfrentan a estantes vacíos. Por lo tanto,
Los supermercados recurren cada vez más a sistemas de pedidos automáticos basados en
inteligencia artificial, que predicen la demanda esperada de productos individuales y optimizan
los envíos a cada tienda (Robinson 2020). Un sistema de este tipo tiene la ventaja de que puede
tener en cuenta toda la información disponible, desde los registros de ventas anteriores hasta la
información meteorológica, así como las limitaciones del tamaño de los lotes y los horarios de
envío.
• Valor: Las decisiones de reabastecimiento optimizadas son beneficiosas tanto para el
cliente y minorista: el cliente se enfrenta a menos situaciones de desabastecimiento en
10 U. KERZEL Y U. KERZEL

que no encuentran los bienes deseados. Además, el minorista puede reducir la cantidad
de desperdicio debido a productos perecederos y reducir el inventario general.
• Éxito: El éxito de las decisiones de reabastecimiento se puede medir por
Indicadores operativos clave de rendimiento (KPI), en particular la tasa de
desperdicio, es decir, la cantidad de productos perecederos que deben
eliminarse, y la tasa de desabastecimiento, es decir, la cantidad de veces que los
productos no están disponibles en los estantes para los clientes. comprar. En
principio, el inventario general es una tercera métrica para optimizar; sin
embargo, en tiempos de tasas de interés bajas, la última optimización suele ser
menos preocupante siempre que el exceso de inventario no se pierda
rápidamente y se ajuste a las capacidades de almacenamiento existentes. Estas
métricas deben ser decididas tanto por los expertos en ciencia de datos como
por los de negocios: Los expertos de negocios deben determinar qué KPI son
relevantes para el proyecto y, junto con los científicos de datos, deben identificar
qué rango de valores son posibles debido a las restricciones de, p.ej,
• Decisiones y optimización: En este ejemplo, las decisiones operativas
tomadas son la cantidad de pedido por producto por ciclo de entrega y tienda. Después de la
implementación del proyecto, todas las decisiones deben ser tomadas por el sistema basado en
inteligencia artificial con supervisión humana para reaccionar ante circunstancias imprevistas como
condiciones climáticas extremas, escándalos alimentarios, etc.
• Organización: Esta parte del lienzo se ha dejado en blanco intencionalmente
ya que esto varía significativamente entre diferentes minoristas. Sin embargo, por lo
general, los minoristas pasan de un sistema manual respaldado por hojas de cálculo,
donde cada decisión fue tomada por un operador humano, a un sistema automático. Esto
generalmente requiere esfuerzos de gestión del cambio para preparar a la empresa en su
conjunto para este cambio, así como la capacitación de los operadores individuales cuyo
rol está cambiando debido a la implementación del proyecto.
• Patrocinador: A medida que cambia el proceso de reabastecimiento, el negocio principal
Se ven afectados los procesos de gestión que, en general, deberían ser patrocinados y
supervisados por el director ejecutivo. Sin embargo, se debe asignar un miembro del equipo
de alta dirección además de centrarse en las responsabilidades operativas del proyecto.
• Dominios: La implementación exitosa de un proyecto de este tipo requerirá
cooperación e interacción con varios departamentos, como expertos en gestión de
productos, marketing y cadena de suministro. Dado que varios departamentos críticos
deben trabajar juntos, el patrocinador debe ser lo suficientemente senior para reunir a
todos los departamentos requeridos.
• Predicción y acción: El punto de partida de la reposición es el
predicción de la demanda futura por producto por ciclo de pedido por tienda. Esta cantidad se
predice idealmente como una distribución de densidad de probabilidad completa a partir de la
cual se deriva el estimador puntual óptimo que forma la base para la decisión de pedido
posterior. Por lo general, estas predicciones se necesitan con 1 día de anticipación para fines
operativos y de 2 a 30 días o más para anticipar tendencias futuras y como precaución a prueba
de fallas: en caso de que la predicción no esté disponible
 INTELIGENCIA ARTIFICIAL APLICADA 11

por cualquier motivo, estas predicciones a más largo plazo se pueden utilizar como
base para la decisión de pedido posterior. Para derivar el estimador puntual óptimo,
se puede utilizar una simulación en la que cada cuantil de la distribución de densidad
de probabilidad predicha forma la base de un orden simulado y el efecto sobre las
métricas elegidas en el elemento.Éxito puede ser estudiado.
• Características: Los registros de ventas anteriores serán la información más importante.
para la demanda futura, asumiendo que el comportamiento subyacente del consumidor no ha
cambiado drásticamente. Además, las propiedades de los productos individuales influyen en las
decisiones de compra, así como en la ubicación, el tamaño y otras características de la tienda debido a
su efecto en la segmentación de clientes. La información actual, como las previsiones meteorológicas
o los eventos especiales del calendario, como días festivos, temporadas festivas o eventos deportivos
importantes, también influirá en la demanda.
• Procesamiento y fuentes de datos: Los datos históricos de ventas estarán en alguna forma de datos
almacén o base de datos, se agregan nuevos registros después de que la tienda cierra y los
datos se extraen de la caja o las cajas registran cada transacción completada en la red
correspondiente. La información de marketing, los datos de productos, etc. estarán en alguna
herramienta de planificación de recursos empresariales (ERP). Además, la información externa
debe obtenerse de proveedores de información, como el pronóstico del tiempo, la información
del calendario, etc. Todos los datos deben estar disponibles para la fase de capacitación.
• Evaluación y seguimiento: Métricas centradas en el cliente y el negocio como
definido bajo Éxito serán monitoreados al menos diariamente, con mayor frecuencia si los
datos están disponibles. Además, se pueden utilizar otras métricas, como la desviación
media absoluta (MAD), para evaluar la calidad de la predicción. Un histograma de perfil
que muestre el comportamiento del estimador puntual pronosticado frente a las ventas
observadas puede ayudar a determinar si existe algún sesgo.

5. Conclusión

Los recientes avances en inteligencia artificial van a revolucionar una amplia gama de industrias
y sectores. Sin embargo, las empresas que deseen integrar sistemas basados en inteligencia
artificial en su oferta u operaciones se enfrentan a desafíos importantes sobre cómo proceder.
El lienzo de IA empresarial permite reunir a expertos en ciencia de datos y negocios y evaluar
sistemáticamente oportunidades comerciales potencialmente nuevas. El lienzo consta de dos
partes, donde la primera se centra en el valor que una nueva oferta u operación basada en
inteligencia artificial aportaría a la empresa, mientras que la segunda parte se centra más en los
aspectos técnicos del modelo de aprendizaje automático subyacente. Ambas partes están
entrelazadas y se relacionan entre sí para permitir una evaluación óptima de los aspectos
comerciales y relacionados con la ciencia de datos de un nuevo proyecto.
12 U. KERZEL Y U. KERZEL

Referencias

Agrawal, A., J. Gans y A. Goldfarb. 2018. Una herramienta sencilla para empezar a tomar decisiones con la
ayuda de ai. Consultado el 11 de septiembre.2020. https://hbr.org/2018/04/a-simple-tool-to-start-
hak ing-decision-with-the-help-of-ai
Ardila, D., AP Kiraly, S. Bharadwaj, B. Choi, JJ Reicher, L. Peng, D. Tse, M. Etemadi, W. Ye,
G. Corrado y col. 2019. Detección de cáncer de pulmón de extremo a extremo con aprendizaje profundo tridimensional en
tomografía computarizada de tórax de dosis baja.Medicina de la naturaleza 25: 954–961. Dewalt, K.Dakota del Norte
Conviértete en una empresa de inteligencia artificial en 90 días. ISBN 978-0-692-19233-7.

Esteva, A., B. Kuprel, RA Novoa, J. Ko, SM Swetter, HM Blau y S. Thrun. 2017, Ene.
Clasificación a nivel dermatólogo del cáncer de piel con redes neuronales profundas. Naturaleza 542
(7639): 115 EP. doi:10.1038 / nature21056.
Levy, H. La llegada del negocio algorítmico. Consultado el 11 de septiembre de 2020.https: //www.gartner.
com / smarterwithgartner / la-llegada-del-negocio-algorítmico /.
McCarthy, J. 2007. De aquí al ai a nivel humano.Inteligencia artificial 171 (18): 1174–82.
Número de revisión especial. doi:10.1016 / j.artint.2007.10.009.
Osterawalder, A. e Y. Pigneur. 2010. Generación de modelos de negocio. Hoboken, Nueva Jersey, EE. UU.:
J. Wiley & Sons.
Osterwalder, A. 2004.. La propuesta de Ontología del modelo de negocio en un enfoque de ciencia del diseño.
Tesis de doctorado, Universidad de Lausana, CH.
Robinson, E. Consultado el 11 de septiembre de 2020. https://www.technologyrecord.com/Article/morri
sons-implements-blue-yonders-ai-stock-reposición-tecnología-62728
Silver, D., J. Schrittwieser, K. Simonyan, I. Antonoglou, A. Huang, A. Guez, T. Hubert,
L. Baker, M. Lai, A. Bolton y col. 2017, Oct. Dominar el juego de ir sin conocimiento humano.
Naturaleza 550 (7676): 354 EP. (Artículo). doi:10.1038 / nature24270.
Turing, AM 1947. Conferencia a la sociedad matemática de londres.Las obras completas de AM
Turing Inteligencia mecánica, 390.
Zawadzki, J. 2019. Presentamos el lienzo del proyecto de ia. Consultado el 11 de septiembre.2020. https: //
forwarddatascience.com/introducing-the-ai-project-canvas-e88e29eb7024