Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
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
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
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
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?
¿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?
¿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,
Evaluación y seguimiento: ¿Qué métricas se utilizan? ¿Cómo se hará el seguimiento del proyecto? ¿Qué pasa en caso de incidencias?
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
3.2. Parte 2
• 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
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
¿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
¿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
- 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:
- 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