Modelo de colaboración propio para la Gestión Integral de la Innovación Tecnológica.
Desarrollo de herramientas centradas en el usuario industrial para la integración, entrenamiento y mantenimiento continuo de modelos IA
En el contexto de la industria vasca, la adopción de la Inteligencia Artificial (IA) como tecnología habilitadora es todavía escasa debido a barreras de diferente índole como son, entre otras: el desconocimiento de cómo capitalizar la inversión, la falta de perfiles capacitados en IA en las empresas o el esfuerzo necesario.
En esta iniciativa las empresas industriales se involucrarán en los desarrollos tecnológicos en sus casos de uso capacitándose y adoptando la IA para poder así mantener los modelos de IA en producción durante todo su ciclo de vida.
El objetivo principal del proyecto ARGITUML es incrementar la adopción de la IA en la industria mediante la aplicación del paradigma MLOps y el desarrollo de herramientas basadas en arquitectura de microservicios, integradas con diversas soluciones corporativas, y cubriendo en las diferentes fases del ciclo de vida en un proyecto de IA.
Estas aplicaciones y herramientas están dirigidas a los diferentes perfiles de usuarios que las emplean en las fases del ciclo de vida de la solución IA. Se trata de mejorar el entendimiento, la interacción entre el usuario y la herramienta inteligente, así como el aprendizaje continuo de estos modelos IA desplegados en su proceso o producto.
Los términos conocidos como MLOps, DevOps o AIOps no dejan de ser un marco que ayuda a las organizaciones a llevar los modelos del desarrollo a la producción de forma eficaz. Los modelos de IA se pueden desplegar en entornos servitizados, que los envuelven y facilitan su invocación desde los servicios/aplicaciones que los consumen, dentro de un flujo de proceso unificado y homogéneo
Los conceptos más relevantes inherentes a este paradigma son: desarrollo iterativo-incremental, automatización de tareas de desarrollo, despliegue continuo, trazabilidad y control de versiones, reproducibilidad de experimentos y monitorización de modelos en despliegue.
Como resultado de la aplicación de ésta tecnología obtendremos mayor rapidez en la obtención de valor, al agilizar el ciclo de vida de la analítica y reducir el tiempo entre el desarrollo y la implantación.
Al aportar más gobernanza al ciclo de vida de la analítica y supervisar continuamente el rendimiento y el impacto empresarial de los modelos desplegados, obtendremos resultados empresariales mejores y más justificables.
La colaboración entre el negocio, los científicos de datos, las operaciones y la TI, será más efectiva debido a la capacidad de escalar la analítica a través de la automatización y la repetibilidad lo que se traduce en hacer más con los mismos recursos,
Finalmente el proceso de toma de decisión será en tiempo real y de forma automatizada ya que integrar la visión analítica en cada decisión empresarial.
 |
