Modelo operativo para grandes proyectos de AI

La implantación de técnicas de inteligencia artificial puede tener un impacto diferencial en la transformación digital en las compañías.

Transcript

1. BIG DATA Agosto 24 y 25 | Lima – Perú 2018 ANALYTICS SUMMIT #BIGDATASUMMIT2018
2. Hola! Soy Ignacio Julio Marrero Hervás • Mis orígenes son la Física Experimental, concretamente la Astrofísica • Ingeniería de software desde hace mas de 20 años • En los últimos 8 años nuevas arquitecturas de datos basadas en tecnología Big Data. • 5 años en los ecosistemas de innovación y emprendimiento donde cree una startup en Big Data & Analytics • Actualmente en Accenture como manager y arquitecto Big Data y de soluciones analíticas • En este último año estoy liderando el área de Inteligencia Artificial en Digital Delivery Me puedes encontrar como i.marrero.hervas@Accenture.com
3. Modelo Operativo para Grandes Proyectos de AI La implantación de técnicas de Inteligencia Artificial puede tener un impacto diferencial en la transformación digital de las compañías. El retorno a la inversión depende de la capacidad de la organización para implantar y gestionar de forma eficiente la iniciativa. El gobierno de los proyectos y arquitecturas relacionados con la inteligencia artificial es clave para implantar procesos de mejora continua que permitan gestionar la expectativas de los actores implicados, detectar las desviaciones y facilitar las correcciones En esta ponencia se presenta un modelo operativo y de gobierno para proyectos de Inteligencia Artificial que permite implantar procesos de mejora continua. Este modelo operativo está basado en metodologías ágiles y soportado por una arquitectura de desarrollo y operación en el ámbito de la entrega continua e integración continua
4. Índice Visión IA, RPA & Big Data Arquitectura de Referencia para IA Importancia de la Organización Metodología para la Definición del Modelo Operativo Modelo Operativo Centro de Excelencia
5. INTELIGENCIA ARTIFICIAL ES UNA COMBINACIÓN DE SISTEMAS IT, HERRAMIENTAS Y METODOLOGÍAS QUE HABILITAN A LAS MÁQUINAS A SENTIR, COMPRENDER, ACTUAR Y APRENDER POR ELLAS MISMAS O MEDIANTE UNA MÍNIMA INTERVENCIÓN HUMANA VISIÓN IA, RPA & BIG DATA 5 AGENTES VIRTUALES ROBOTIC PROCESS AUTOMATION (RPA) PROCESAMIENTO NATURAL DEL LENGUAJE RECONOCIMIENTO DE IMAGENES MACHINE LEARNING Reconocimiento de patrones Big Data Comprensión y análisis ocular Comprensión texto/habla Mimetismo acciones humanas Interfaz persona - máquina • Establece el primer nivel de contacto con los clientes • Responde a consultas y preguntas con indicaciones no verbales • Reemplaza la representación de servicio al cliente en línea • Imita tareas lentas y rutinarias • Viable para procesos de alto volumen • Requiere decisiones sin juicios basadas en reglas • Activadores y entradas digitales • Analiza grandes conjuntos de datos • Se alinea con procesos y expectativas subjetivos y maleables • Predictivo y prescriptivo • Interpreta entradas de texto, habla, visuales y digitales • Identificación y detección de objetos o características de imágenes digitales • Requiere un gran conjunto de datos de aprendizaje • Permite la comprensión entre humanos y máquinas • Comprende los matices del lenguaje • Expresan mensajes en lenguaje natural TECNOLOGÍAS ENGLOBADAS EN INTELIGENCIA ARTIFICIAL DEFINIENDO EL CONCEPTO IA Copyright © 2018 Accenture Todos los derechos reservados.
6. VISIÓN IA, RPA & BIG DATA 6 DENTRO DEL ÁMBITO DE PROYECTO SE DECIDIRÁ EL GRADO DE VINCULACIÓN ENTRE AMBOS MODELOS Y LA RELACIÓN ENTRE ELLOS, ASÍ COMO LA RELACIÓN CON EL COE DE BIG DATA. GOBIERNO COMÚN DATA OPERACIONES INTELIGENCIA ARTIFICIAL Machine Reasoning RPA COGNI- TIVA Autono- mics Chatbots ANALYTICS BUSINESS INTELLIGENCE BIG DATA ROBOTICS ACCENTURE VE UNA CLARA RELACIÓN ENTRE LAS CAPACIDADES DE BIG DATA, CAPACIDADES IA, Y CAPACIDADES DE RPA, ESTÁS ÚLTIMAS ESTÁN YA EMPEZANDO A ENGLOBARSE DENTRO DE INTELIGENCIA ARTIFICIAL. TENIENDO LO ANTERIOR EN CUENTA, SE NECESITARÁ UN GOBIERNO COMÚN QUE ENGLOBE RPA COMO PARTE DE IA RECONOC. DE. IMÁGENES MACHINE LEARNING ASISTENTES VIRTUALES INTELLIGENT AUTOMATION PNL PROCESAMIENTO NATURAL DEL LENGUAJE Reconoc. del Habla Deep Learnign BPM & WORKFLOWS MACROS AUTOMAT. Copyright © 2018 Accenture Todos los derechos reservados.
7. 7 Natural Language Processing Machine translation Emotion detection Language detection Content classification … Language Computer vision Object recognition Face recognition Object tracking Optical Character Recognition Handwriting recognition Emotion detection Gender/age detection Scene recognition … Vision Audio processing Speech To Text Speech recognition Text to speech Emotion detection Language detection Sound recognition Gender/age detection Speaker detection … Sound Offerings Machine Learning, Deep Learning Vertical Industry Solutions High Performance Business Processes Data/Knowledge/Experience … Customer Support F&A Helpdesk Agent Claims Processing Text Classifier Open Source, Platforms (Google, Microsoft, Watson, Facebook, Amazon…), Specialist Products Underwriting Mortgage Advisor Functionalities Intelligent Virtual Agents Ticket Management Intelligent Robotic Process Automation Constant Monitoring Biometric Identity Inference Analysis ARQUITECTURA DE REFERENCIA PARA IA Copyright © 2018 Accenture Todos los derechos reservados.
8. Compute Infrastructure AI applications RPA Robots Data Platform ML Frameworks ML Platforms GPU Instances Deep Learning Hardware NVIDIA GPUs Application Platform Custom AI Services AI SaaS IBM Watson Cognitive Services Deep Learning Frameworks Azure ML, Google ML, Amazon ML, … TensorFlow, Karas, Caffe, Torch, … scikit-learn, Spark, … Virtual Agents / Chatbots Autonomous Vehicles Microsoft Cognitive Services Google Cloud AI Services Amazon AI Services ML Training Data Google TPUs Microsoft FPGAs Intel Nervana Lake Crest ARQUITECTURA DE REFERENCIA PARA IA Copyright © 2018 Accenture Todos los derechos reservados.
9. 9 ... DATA SCIENTIST Equipo Regional de Modelos Predictivos ARQUITECTO BIG DATA Área de Big Data y Analytics VISUALIZATION ENGINEER Área de Procesos Corporativo OTRO DISMA, Área de Arquitectura de la DCTP, etc. RESPONSABLE DE NEGOCIO Área de Operaciones Regional COORDINADOR DEL PROYECTO Área de Movilidad dentro de Digital de la DCTP EQUIPO DE TRABAJO DIVERSO AGILIDAD, EFICIENCIA E IDENTIFICACIÓN DE SINERGIAS IMPORTANCIA DE LA ORGANIZACIÓN Copyright © 2018 Accenture Todos los derechos reservados.
10. 10 CASO DE USO 3 CASO DE USO 2 CASO DE USO 1 MODELOS PREDICTIVOS REGIONAL BIG DATA Y ANALYTICS (DCTP) ÁREA DE PROCESOS CORPORATIVO OPERACIONES REGIONAL ÁREA DE MOVILIDAD (DCTP DIGITAL) DISMA, ARQ (DCTP) OTRA AREA (X) OTRA AREA (Y) IMPORTANCIA DE LA ORGANIZACIÓN Copyright © 2018 Accenture Todos los derechos reservados.
11. Revisión de los avances y tendencias en Materia de IA/RPA (Textmining, Chatbots, ML, RPA). Revisión de Manifiesto de RPA. Revisión de la estructura organizativa y roles existentes actualmente en la compañía (en el marco de AI/RPA) . Levantamiento de necesidades que se visualizan en torno a AI/RPA. Análisis de las actuales iniciativas de IA & RPA implantadas o en desarrollo. Revisión de herramientas, modos de seguimiento etc. para el desarrollo de los Visión de Inteligencia Artificial en la compañía. Definición de la estrategia a la hora de abordar iniciativas de IA & RPA. Beneficios esperados de la IA & RPA en la compañía: Establecer una imagen clara y robusta a alto nivel de qué es Inteligencia artificial y qué puede proporcionar a la compañía, alineando a la organización alrededor de una estrategia común y compartida . Definición de un plan de despliegue del modelo definido. Documentación del análisis y conclusiones Diseño de un plan de comunicación corporativo. Definición de un modelo operativo To-Be para IA & RPA (Está dentro del alcance del proyecto definir un único modelo o dos modelos con un modelo de relación) : • Modelo Organizativo • Modelo de relación • Procesos y responsables • Inventario de roles, gap y RACI • Posibles estrategias de escalado • Proceso de mejora continua Definición de un modelo técnico de gobierno y seguimiento de iniciativas que facilite el control y alineamiento de todas la iniciativa de IA y RPA. Además se fijarán unos estándares de seguimiento, gobierno de infraestructura, arquitectura, selección de proveedores, metodologías de desarrollo, seguimiento etc.. Garantizar el nivel de Esponsorización adecuado Mecanismos de gobierno y toma de decisiones en marcha Comunicar y socializar el plan definido Fase previa al arranque del proyecto donde se prepara el lanzamiento del mismo con la recopilación y revisión de la información de partida, identificación de interlocutores y roles y detallando las sesiones y workshops a realizar. Estas actividades permitirán dotar al equipo de contexto suficiente para cumplir los tiempos establecidos desde el despliegue del mismo. CONVENCER Gestión del cambio y comunicación RECOMENDAR Plan de despliegue DEFINIR Visión y estrategia PREPARAR Definición y alcance y movilización de aceleradores DESCUBRIR Análisis capacidades actuales DISEÑAR Modelo Operativo METODOLOGÍA PARA LA DEFINICIÓN DEL MODELO OPERATIVO Copyright © 2018 Accenture Todos los derechos reservados.
12. RPA-AI Backlog Sprint Backlog Prioritización por el Product Owner User Stories Prioritizadas Delivery Sprints (Tasks) Pruebas Sprint Backlog: process segments bundled in bot increment Comité de Révision y Retrospectiva Pruebas de Aceptación Confirmadas Solución en Producción Defectos y Mejoras Process Automation Backlog Implementación Incremental Mantenimiento y Soporte a la solución Daily standup meetings Defectos Analisis Detallada y Diseño e la Solución Feedback – Potential changes ACTIVOS ACELERADORES DE UNA DELIVERY UNIT ÁGIL Matriz de Descubrimiento Questionnário 2- Pager Herramienta de Evaluación de Riesgo Plano de Pruebas Descripción Proceso de Negocio a Automatizar Documento de Diseño de la Solución Mejoras prácticas de Desarrollo de Soluciones de AI Propuesta de Relatório Diario Propuesta de Relatório de Pruebas Manual de Puesta en Producción (…) METODOLOGÍA DEL MODELO OPERATIVO LAS CLAVES SON LA AGILIDAD Y MEJORA CONTÍNUA Copyright © 2018 Accenture Todos los derechos reservados.
13. WHAT IS A HUB AND SPOKE MODEL SPOKE ATTRIBUTES • Business Functions to act as Spokes • Sizing assumption made that the AIG will service up to 20 Business Functions in the target state • Agile Delivery Pods seconded from the AIG hub into the Spokes, each being self- sufficient and able to take a use case from experiment to build before handing over to the central AIG hub for ‘Run’ management OVERVIEW OF A HUB AND SPOKE Artificial Intelligence Group (Hub) Spoke Business Function Business Function Business Function Business Function Agile Delivery Pods aligned to the Business function Spokes HUB ATTRIBUTES • Artificial Intelligence Hub (AIG) to act as a central Hub • ‘Consulting’ approach to delivery, i.e. AIG resources centrally branded to create a sense of community and nurture the talent, but deployed locally within the Spokes to foster business intimacy and ease of delivery • Custodians of demand management, standards, knowledge sharing, training, innovation and an external ‘radar’ on machine learning, cognitive and RPA A Hub & Spoke model is likened to adopting a consulting approach, resources can be allocated to Spokes but without the risk of feeling isolated due to continuous communication, performance management and talent strategy from AIG. MODELO OPERATIVO Copyright © 2018 Accenture Todos los derechos reservados.
14. WHAT IS A HUB AND SPOKE MODEL JOURNEY FROM TRANSITION STATE 1 TO 2020 VISION Target 2020 Vision Transition State 1 PATH OF EVOLUTION LESS MATURE AIG CAPABILITY MORE MATURE AIG CAPABILITY CHARACTERISTICS: Considerations The Hub and Spoke structure will evolve as the organisation and market evolves Interaction with the hub will vary in accordance with capability maturity As a result, the spokes (business functions) will not evolve evenly towards the target end state Resources will be centralised within the AIG (HUB) as they begin to develop the new capabilities that the business functions (Spokes) require Resources will be allocated to spokes however management will remain the same. Decision making will be with the Spoke leads • All capabilities required for the AIG to be independent and operate on it’s own reside in the hub • The AIG will be funded by contributions from the business functions • Optimisation and maintenance of machine intelligence solutions will be undertaken by the hub until the spoke is self-sufficient • The AIG would be expected to take on the operational risk of its products and offerings • As much as possible, work undertaken by hub resources will occur in the spokes (so teams are co-located to help foster knowledge transfer / agile delivery) • Organization is mature, with Machine Intelligence skills and capabilities embedded within the business functions • Hub is thinner, with emphasis on strong capabilities on the Spokes • Hub contributes to set strategy and vision and drive innovation in line with market forces MODELO OPERATIVO Copyright © 2018 Accenture Todos los derechos reservados.
15. WHAT IS A HUB AND SPOKE MODEL FINAL AIG MODEL Spoke Delivery Pods AIG Hub Delivery Pods Business Management, Portfolio & PMO Applied Sciences Steering Group ...... Production Management Infrastructure and Platform 1 3 4 2 Hub Pod 1 BF1 Fraud BF2 Account Opening BF3 Personal Account Services OBSERVATIONS • Artificial Intelligence Steering Group setup • Dedicated business management, portfolio and PMO team, scaled-up • 3-4x Dedicated Hub Delivery Pods that are focused on Innovation, Research and Development, and as a potential flexible staffing resource pool to service the Business Functions • Spoke Delivery Pods embedded in the Business Functions that are self- sufficient from Experiment through to Build 1 2 3 4 Hub Spokes Hub Pod 2 Hub Pod 3 Experiment Build Run MODELO OPERATIVO Copyright © 2018 Accenture Todos los derechos reservados.
16. Business & IT handshake Strategic vision & roadmap Risk & Security Blueprints & Standards Lifecycle Competency Management Change Management Delivery LifecycleManagement Command Center Innovation Framework R&D/Frugal Experiments Emerging Technology Adoption Co-Innovation with business & vendors Knowledge Portal Community of Practice Content Quality Management Centralized Relationship Ecosystem Goal Alignment Contract Management AI Centre of Excellence (CoE) AI Center of Excellence is an Organizational Hub that provides the required AI skills, structure, governance and discipline to demand and delivery AI projects aligned with business goals. Thoughtful design of CoE operating model based on detailed study & analysis - A strong governance structure including both business & IT, with clear skills, roles, responsibilities, communication mechanism etc. is a key for successful Scale implementation. CENTRO DE EXCELENCIA (COE) Copyright © 2018 Accenture Todos los derechos reservados.
17. SCRUM TEAM ROLES* *All teams are overseen by Management and an Engagement Lead Full Stack Engineers: capable of developing and integratingend-to- end technology stack, from front to back-end. AI Engineers: provide expertise in AI services, including Natural Language Processing, Architecture, Cognitive search and Knowledge graphs. Domain SME: advise on domain-specific content and business rules. UX Designer: designexperience, Conversational Scripting and interactions between the AI solution and users. Knowledge Engineer: analyse data, design and create the knowledge/semantic model and support its ongoing training. Security: ensure the solution is robust and adheres to IT security policies. Test Architect: expertise in testing AI solutionsand non-functional testing. DevOps: set up CI pipelines, environments and automation for the solutions. Scrum Master: facilitatorbetween business and scrum team, ensuring any blockers facing the scrum team are resolved. • Scrum Master • UX Designer • Domain SME • Knowledge Engineer Discover & Plan Proof of Concept Pilot Note that not all roles are full time and specific team structure will depend on project complexity • Scrum Master • Full Stack & AI Engineers • UX Designer • Domain SME • Knowledge Engineer • Security Consultant • Test Support • DevOps Support • Full Stack & AI Engineers • UX Designer • Domain SME • Knowledge Engineer • Scrum Master • Security Consultant • Test Support • DevOps Support EQUIPO COE CENTRO DE EXCELENCIA (COE) Copyright © 2018 Accenture Todos los derechos reservados.
18. Average no. queries resolved by VA 85% 75% Customers’time saved 40% Risk reduction through Live agents’ time improved consistency saved 95% 85% Increased Customer Satisfaction 82% Query resolution time reduction A variety of KPIs can be measured in pilot or production to assess the success of a virtual agent solution. In the past major KPIs have included: • Average handling Time this is reduced by AI (no queues, faster responses) • First Contact Resolution resolving customer’s problem 1st time – in reduced % • Deflection / Automation in number/ and $ saving • CSAT customersatisfaction • ESAT Employeesatisfaction Below data sourced from the southern European government credential. CENTRO DE EXCELENCIA (COE) CÓMO MEDIR EL ÉXITO Copyright © 2018 Accenture Todos los derechos reservados.
19. GRACIAS! ALGUNA PREGUNTA? Puedes encontrarme como: i.marrero.hervas@accenture.com