Etiqueta: AI/ML

Categorías
NUBE 

Rompiendo la barrera entre el prototipo y la producción de Machine Learning (ML)

Aproveche MLOps para escalar y realizar los casos de uso de ML más rápidamente

La mayoría de las empresas de la industria de la “Conectividad” han comenzado a adoptar la tecnología de aprendizaje automático (ML) para brindar un servicio eficaz a los clientes. Sin embargo, gestionar estos proyectos de ML y ponerlos en práctica es un desafío. Para los proveedores de servicios que se esfuerzan por ir más allá de la ideación e incorporar el aprendizaje automático en sus procesos comerciales, las operaciones de aprendizaje automático (MLOps) cambiarán las reglas del juego. Según Gartner, “lanzar pilotos de ML es engañosamente fácil, pero implementarlos en producción es un desafío notorio”. A continuación, se enumeran algunos desafíos que dificultan la ampliación de las iniciativas de aprendizaje automático.

  • Falta de mecanismo automatizado para abordar la solicitud de cambio en el proceso de ML
  • Formas ineficientes de volver a capacitar e implementar los modelos de ML para adaptarse a los cambios de datos
  • Falta de visibilidad en profundidad del desempeño del modelo.

Los proveedores de servicios deben implementar el enfoque MLOps para superar estos desafíos, que automatiza y monitorea todo el ciclo de vida del aprendizaje automático. Permite una mejora constante en la precisión de la línea base y acelera el tiempo de producción de los modelos ML.


Lanzar pilotos de ML es engañosamente fácil, pero implementarlos en producción es un desafío notorio.

La implementación exitosa del enfoque MLOps requiere el conjunto adecuado de habilitadores, como arquitectura desacoplada, proceso de gestión de cambios estándar, reentrenamiento e implementación automatizados de modelos de ML y monitoreo continuo.

Categorías
EXCELENCIA OPERATIV

La fibra es rápida, pero el despliegue debe seguir el ritmo

AI/ML puede pronosticar retrasos antes de que ocurran, haciendo que la prestación del servicio sea predecible y rápida

La pandemia mundial ha puesto de relieve el hecho de que la banda ancha de alta velocidad es una necesidad, no un lujo. Y la fibra es una de las formas de lograr una banda ancha más rápida. Este apetito por la fibra significa que los proveedores de servicios deben implementar servicios de conectividad basados ​​en fibra más rápidamente. Sin embargo, con las crecientes complejidades en el proceso de gestión de pedidos, entregar el servicio dentro del cronograma especificado se está convirtiendo en una pesadilla. El principal problema empresarial es la imprevisibilidad, que puede ser tan importante como la velocidad. Su ausencia significa frustración para los proveedores de servicios y sus clientes.

La principal causa de esta falta de previsibilidad proviene de la estructura del proceso. En muchos casos, el proceso de prestación de servicios empresariales ha evolucionado y crecido orgánicamente. Las causas más comunes de disfunción son:

  • Múltiples equipos que operan en silos impiden una visión clara del proceso y una única fuente de verdad
  • Transferencias manuales que provocan errores y retrasos
  • Dependencia de proveedores externos, lo que da como resultado que los problemas operativos de los proveedores se transfieran al proveedor de servicios.
  • Falta de estrategias para pronosticar retrasos en los pedidos
  • Falta de mecanismos para el seguimiento en tiempo real del flujo de prestación de servicios.

Para superar estos desafíos y aprovechar la próxima ola de oportunidades, las operaciones de prestación de servicios requerirán una visión avanzada. AI/ML está en el centro de esa visión. Con AI/ML en la prestación de servicios, las empresas pueden predecir y abordar los retrasos antes de que afecten al negocio. La IA empresarial puede, con el tiempo, mejorar la predicción de posibles retrasos y fechas de entrega en todos los puntos del recorrido del pedido. Con el tiempo, las empresas pueden lograr un procesamiento más rápido de los pedidos con predicciones mejoradas.

null


El apetito por la banda ancha de alta velocidad exige un despliegue más rápido de servicios de conectividad basados ​​en fibra.

Categorías
NUBE 

Tratar o no tratar: aumentar el retorno de la inversión en marketing con campañas específicas mediante modelos de mejora

Al ejecutar campañas de marketing directo, las empresas deben asignar a los clientes adecuados una oferta promocional determinada para maximizar el efecto de la campaña. Por ejemplo, qué clientes deberían recibir un descuento en la suscripción para minimizar la tasa de abandono general de la empresa.

Se pueden utilizar diferentes métodos para identificar el conjunto adecuado de clientes objetivo para las campañas, como el modelado estadístico manual basado en hojas de cálculo y el modelado de resultados. Estos métodos, sin embargo, tienen algunas limitaciones como:

  • Lista aleatoria e inexacta de clientes objetivo
  • Falta de detalles granulares, como qué clientes tienen más probabilidades de responder a las campañas de marketing.
  • Bajo retorno de la inversión en marketing debido a la baja tasa de respuesta de los clientes

El modelado de elevación basado en aprendizaje automático (ML) es un enfoque prometedor para superar las limitaciones anteriores. Permite a las empresas clasificar a los clientes como aquellos que probablemente responderán positivamente a una campaña y aquellos que permanecerían neutrales o incluso reaccionarían negativamente.

null


Un modelo de mejora aumenta el retorno de la inversión en marketing al determinar los clientes objetivo-adecuados.

Un modelo de mejora bien ejecutado mejoraría la eficiencia del marketing empresarial y ayudaría a generar mayores ingresos incrementales. La implementación exitosa del modelo requiere el conjunto adecuado de habilitadores, como la adquisición de datos sin procesar, la ingeniería de funciones y el desarrollo de modelos AI/ML.

Categorías
EXCELENCIA OPERATIV

Acelerando la transformación digital con hiperautomatización

Aproveche el poder de RPA, minería de procesos e IA para la automatización de procesos de extremo a extremo para aumentar la tasa de automatización, reducir los gastos operativos y mejorar la experiencia del cliente.

La ‘hiperautomatización’ es una de las principales tendencias tecnológicas estratégicas de Gartner para 2022. La hiperautomatización tiene como objetivo identificar, analizar y automatizar los procesos comerciales en la mayor medida posible. Implica orquestar el uso de múltiples tecnologías, herramientas y plataformas para optimizar los procesos comerciales.

La infraestructura heredada y los procesos obsoletos pueden obstaculizar la capacidad de una organización para competir. La automatización de procesos basados ​​únicamente en tareas no brindará los resultados multifuncionales necesarios para impulsar decisiones y resultados comerciales. Al automatizar tantos procesos y tareas como sea posible, la hiperautomatización  transforma una organización.


Aumente la conectividad, la eficiencia y la agilidad en las operaciones comerciales con la hiperautomatización.

Según Gartner, la hiperautomatización reducirá los costos operativos en un 30 por ciento o más para 2024, aumentando así la conectividad, la eficiencia y la agilidad de las operaciones comerciales. Las empresas en el sector de conectividad vertical pueden lograr la automatización de procesos de un extremo a otro y aumentar la tasa de automatización mediante la creación e implementación de una estructura de hiperautomatización que incluye cuatro componentes clave:

  • Orquestador de procesos inteligente: organiza bots, personas y aplicaciones de TI para la integración de un extremo a otro de cualquier proceso empresarial.
  • IA conversacional: Automatiza todos los subprocesos que requieren una conversación con humanos. La IA conversacional entiende el lenguaje natural y conversa con el cliente.
  • Aplicaciones de código bajo: ayuda a automatizar los subprocesos que requieren agregar datos de humanos mediante la creación de aplicaciones/interfaces rápidamente.
  • Panel híbrido unificado: proporciona una vista integrada en tiempo real del proceso de finalización de pedidos, el tiempo de resolución, la tasa de éxito de la automatización y muchos otros KPI. También destaca los conocimientos prácticos.
Categorías
NUBE 

Desmitificación de los modelos de aprendizaje automático (ML) explicables

Habilite una transparencia 5 veces mayor en AIOps, logrando un resultado comercial más confiable y preciso

Los proveedores de servicios en la vertical de conectividad adoptan la Inteligencia Artificial para Operaciones de TI (AIOps) para transformar sus negocios, pero los usuarios dudan en confiar sus operaciones a una plataforma compleja que no proporciona claridad ni visibilidad de su funcionalidad. Debido a la falta de transparencia, los proveedores de servicios están preocupados por tomar malas decisiones basadas en recomendaciones de IA y la responsabilidad de tales decisiones y acciones.

En su búsqueda de operaciones autónomas, los proveedores de servicios buscan ser más proactivos con análisis predictivos, donde las máquinas toman la mayoría de las decisiones y ayudan a los ingenieros a tomar acciones preventivas. Sin embargo, los ingenieros deben tener una visibilidad completa de la lógica subyacente utilizada por los AIOps y la capacidad de validar si el resultado es confiable.

Figure1: Estructura de aprendizaje automático e inteligencia artificial asistida


Para acelerar el desarrollo de modelos de IA/ML con mayor transparencia, las empresas deben pasar del aprendizaje automático existente a soluciones asistidas basadas en estructuras de IA/ML.

Los modelos explicables de aprendizaje automático (ML) tienen como objetivo resolver este problema explicando la lógica de las soluciones AIOps para que los usuarios puedan comprender fácilmente el resultado. El modelo explica la aplicación de la solución de IA y su resultado a los usuarios de una manera que puedan comprender claramente el resultado, confiar en él y confiar en él. La explicación en el modelo ML puede verse como un medio para transformar un AIOps de caja negra en un AIOps de caja de vidrio, levantando con precisión el velo sobre su computación y lógica.

Categorías
Experiencia Digital del Cliente

Trazando el futuro de la atención al cliente a través de una estrategia eficaz de implementación de Agente Virtual (VA)

Mejorar la capacidad del VA para interactuar con los clientes con confianza y mayor precisión

El mercado de agentes virtuales (VA) está en su punto más alto y está generando más y más interés cada día que pasa. Está empezando a consolidarse como la solución “imprescindible” para las empresas de la industria de la conectividad, buscando mejorar la experiencia del cliente, reducir los costos del centro de llamadas (call center), optimizar el tiempo de atención, etc.

Pero ¿están estos agentes virtuales a la altura de las expectativas?

Gartner los ha colocado en un “punto de desilusión” en su ciclo de exageración, lo que significa que la tecnología está luchando por cumplir con las expectativas previstas. Cuando se enfrentan a escenarios complejos y desconocidos, los AV tienden a reaccionar de forma inesperada. A menudo nos encontramos con casos en las redes sociales en los que los VA son humillados por sus interacciones fuera de contexto.

La razón principal de esta deficiencia es que muchos VA se lanzan sin la estrategia de implementación adecuada. Como resultado, no alcanzan los niveles de confianza requeridos y no pueden captar la intención correcta del cliente.


Los asistentes virtuales (VA) utilizan el aprendizaje semántico y profundo (como las redes neuronales profundas (DNN), el procesamiento del lenguaje natural, los modelos de predicción, las recomendaciones y la personalización para ayudar a las personas o automatizar tareas.

Para evitar que su VA sea humillado, adopte una sólida estrategia de implementación de VA  que abarque las 10 consideraciones principales que pueden ayudar a los proveedores de servicios a garantizar que sus clientes participen en la interacción de VA, aumentando la satisfacción general del cliente. Esta estrategia proporciona recomendaciones clave sobre las áreas de enfoque más importantes que son imprescindibles para una implementación exitosa. Algunos de estos incluyen:

  • Elegir el caso de uso correcto: agrupe las llamadas entrantes en diferentes categorías, como consultas de servicio al cliente, resolución de problemas técnicos, ventas, etc. En función de estas categorías, se pueden invocar diferentes casos de uso. Por ejemplo, inicie la implementación menos compleja con flujos de autoservicio.
  • Análisis de la complejidad de las intenciones: analice la duración de la conversación y el tiempo que le tomó al agente completar la conversación. Además, cree una jerarquía de intenciones y sub-intenciones para identificar intenciones de gran volumen e intenciones complejas.
  • Consideración de variaciones en la intención: analice el alcance, el ciclo de vida y el precursor de las intenciones para mejorar la participación aumentando la precisión o la recuperación.
Categorías
INGENIERÍA DE PRODUCTO 

Utilice la IA para reforzar sus decisiones de planificación de la capacidad de la red

El mercado de Content Delivery Network (CDN) está a punto de explotar a medida que el consumo de contenido gane más impulso. Esto exige un enfoque centrado en la eficiencia hacia la planificación de la capacidad de la CDN.

De acuerdo con un informe de Cisco, el tráfico IP global anual ya ha superado el umbral de los zettabytes (ZB). Para hacer frente al mayor consumo de contenidos por parte de los usuarios, se deben establecer más cadenas de suministro junto con una infraestructura confiable y escalable. Esto ejerce mucha más presión sobre las redes de entrega de contenido (CDN), que forman una columna vertebral global bien establecida para la entrega de contenido.

Para los proveedores de servicios, resulta vital adoptar un enfoque centrado en la eficiencia en la planificación de la capacidad de la CDN. Esto significa satisfacer los requisitos de capacidad futuros sin aumentar el costo total de propiedad.

La forma manual heredada de planificación de la capacidad utiliza herramientas estadísticas básicas para recopilar datos y establecer un umbral estático sobre los requisitos de capacidad. Esta planificación manual normalmente no analiza la red de manera holística y produce una propuesta final con un enfoque de “una regla que se aplica a todos”. Sin embargo, este enfoque es ineficiente en el escenario actual donde el comportamiento del consumidor cambia de manera muy dinámica. La planificación manual también es propensa a errores humanos, por lo que el resultado puede desviarse de vez en cuando, desperdiciando una cantidad sustancial de recursos y tiempo. Los proveedores de servicios a menudo se quedan sin capacidad debido al aumento del consumo de datos y a cambios en los patrones de consumo, que no se identifican correctamente durante la planificación de la capacidad.


Para satisfacer las demandas de los clientes de manera oportuna, es necesario contar con una estrategia moderna de planificación de capacidad.

Los planificadores de redes deben enfrentar estos desafíos antes de que afecten la experiencia del cliente. Aprovechar la inteligencia artificial (IA) puede mejorar significativamente la planificación de la capacidad de la red, mejorando así la experiencia del usuario final y reduciendo el costo total de propiedad.

Categorías
REDES INTENSIVAS EN SOFTWARE

Predecir y prevenir problemas de red aprovechando la IA

Implementar un modelo de predicción de eventos de red para mejorar la garantía del servicio.

Hoy en día, los clientes de los proveedores de servicios esperan acceso a los productos y servicios y una experiencia de cliente mejorada en cualquier momento y lugar. Por lo tanto, los proveedores de servicios deben centrarse en la garantía del servicio y buscar formas de abordar problemas comunes como fallas acumuladas, congestión del tráfico y manejo reactivo de eventos de las redes. Además, no es aceptable reaccionar ante un evento de red después de que haya ocurrido.

Con el abrumador volumen y complejidad de los datos del dominio de garantía de servicios, las técnicas de IA/ML aportan mucho valor. Al aprovechar la IA/ML en la garantía del servicio, los proveedores de servicios pueden analizar toneladas de datos de diversas fuentes, obtener información y tomar medidas preventivas en tiempo real. Por lo tanto, los proveedores de servicios deben implementar un modelo de predicción de eventos de red para predecir fallas e interrupciones de eventos de red incluso antes de que ocurran.


Al aprovechar la IA/ML en la garantía del servicio, los proveedores de servicios pueden analizar toneladas de datos de diversas fuentes, obtener información y tomar medidas preventivas en tiempo real.