La inteligencia aumentada (IA) y el Machine Learning (ML) ya eran las tecnologías en el radar de todo el mundo cuando empezó el año, y el lanzamiento de Modelos Fundacionales como ChatGPT no hizo más que aumentar el entusiasmo sobre las formas en que la tecnología de datos puede cambiar nuestras vidas y nuestros negocios. Estamos entusiasmados con estas cinco industrias que están ganando en inteligencia artificial.
Como organización, los proyectos de datos e inteligencia artificial son nuestro punto fuerte. ChatGPT está muy de actualidad en estos momentos (y es una herramienta superguay; puedes echarle un vistazo aquí si aún no lo has hecho).
Hay algunos ejemplos reales de cómo cinco organizaciones están triunfando con la IA. Hemos incluido esos casos de uso junto con ejemplos en los que nuestros clientes han liderado proyectos relacionados con la IA.
Puede encontrar más casos prácticos sobre transformación digital, datos y desarrollo de aplicaciones de software en nuestra sección de casos prácticos del sitio web.
Las marcas están ayudando a los clientes a visualizar el resultado de tus productos o servicios utilizando la visión por computadora y la IA. Por ejemplo, los consumidores pueden probarse virtualmente un nuevo par de gafas, un nuevo corte de pelo o un traje nuevo. La IA también puede utilizarse para visualizar un cuarto de baño o un jardín remodelados.
Ayudamos a una marca de odontología a distancia que da prioridad a la web a desarrollar una solución de visión por computadora para mostrar a un cliente cómo quedaría su sonrisa tras un posible tratamiento. Emparejamos la solución de visión por computadora con una aplicación web móvil para que los clientes pudieran "ver su nuevo selfie".
Las preguntas de los consumidores pueden resolverse con mayor rapidez y precisión
El servicio de atención al cliente puede determinar la fidelidad del cliente, por lo que los chatbots y los asistentes virtuales se están implementando a gran escala para reducir el tiempo medio de gestión, la velocidad media de respuesta y aumentar las resoluciones en la primera llamada.
Trabajamos con un sistema sanitario regional para diseñar y desarrollar una "puerta de entrada digital" que mejore la experiencia de pacientes y proveedores. La solución incluye una búsqueda web interactiva y funciones de chatbot. Al ofrecer respuestas más rápidas a pacientes y proveedores, el sistema sanitario puede aumentar la satisfacción y mejorar la atención y los resultados de los pacientes.
Finanzas: Prevención del fraude
Existe una gran oportunidad para que las organizaciones de servicios financieros utilicen soluciones de IA y aprendizaje profundo para reconocer transacciones dudosas y frustrar el fraude con tarjetas de crédito, lo que ayuda a reducir costos. También conocida como detección de anomalías, los bancos generan enormes volúmenes de datos que pueden utilizarse para entrenar modelos de Machine Learning con el fin de detectar transacciones fraudulentas.
Agricultura: Apoyo a los objetivos ESG mediante una explotación más sostenible
Las tecnologías de datos como la visión por computadora pueden ayudar a las organizaciones a ver cosas que a los humanos se nos escapan. Esto puede ayudar con la crisis climática, ya que puede incluir el desperdicio de agua, el desperdicio de energía y los residuos de vertederos mal dirigidos.
El sector de la tecnología agrícola ya está aprovechando los datos y la IA, puesto que nuestros productores de alimentos y agricultores están sometidos a una presión extrema para producir más cosechas con menos agua. Por ejemplo, John Deere creó un robot llamado "See and Spray" que utiliza tecnología de visión por computadora para controlar y rociar herbicida en las plantas de algodón en cantidades precisas.
Trabajamos con PrecisionHawk para utilizar la visión por computadora combinada con la fotografía basada en drones para analizar cultivos y campos con el fin de ofrecer a los agricultores información precisa para gestionar mejor los cultivos. Los datos producidos gracias al proyecto de visión por computadora ayudaron a los agricultores a comprender tus necesidades y definir estrategias con mayor rapidez, lo que es fundamental en agricultura. (enlace al estudio de caso)
Asistencia sanitaria: Identificar y prevenir enfermedades
La IA tiene un importante papel que desempeñar en la atención sanitaria, con usos que van desde la asistencia telefónica al paciente hasta el diagnóstico y tratamiento de pacientes.
Por ejemplo, las empresas sanitarias están creando sistemas de apoyo a la toma de decisiones clínicas que avisan al médico con antelación cuando un paciente corre el riesgo de sufrir un infarto de miocardio o un ictus, lo que añade un tiempo crítico a su ventana de respuesta.
El aprendizaje electrónico asistido por IA también está ayudando a diseñar itinerarios de aprendizaje, sesiones de tutoría personalizadas, análisis de contenidos, marketing dirigido, calificación automática, etc. La IA tiene un papel que desempeñar a la hora de hacer frente a la necesidad crítica de formación sanitaria tras la escasez de personal sanitario.
La inteligencia artificial y el Machine Learning se perfilan como las tecnologías más revolucionarias del momento. Estos son algunos ejemplos que ponen de relieve el amplio uso y los beneficios de las tecnologías de datos en todos los sectores. La lista real de casos de uso y ejemplos es infinita y sigue creciendo.
¿Qué debe ocurrir para que su empresa triunfe en inteligencia artificial? Para obtener más información sobre inteligencia artificial y Machine Learning, póngase en contacto con nosotros hoy mismo. Kopius es líder en consultoría y servicios de tecnología digital nearshore.
A medida que la IA se integra cada vez más en las empresas, también lo hace el sesgo de la IA.
El 2 de febrero de 2023, Microsoft publicó una declaración del vicepresidente y presidente Brad Smith sobre la IA responsable. A raíz de la nueva influencia de ChatGPT y Stable Diffusion, tener en cuenta la historia de los prejuicios raciales en las tecnologías de IA es más importante que nunca.
El debate en torno a los prejuicios raciales en la IA lleva años en marcha y, con él, han surgido indicios de problemas. Google despidió a dos de tus investigadores, el Dr. Timnit Gebru y la Dra. Margaret Mitchell, después de que publicaran artículos de investigación en los que se describía cómo la IA de reconocimiento facial y del lenguaje de Google tenía un sesgo en contra de las mujeres de color. Y el software de reconocimiento de voz de Amazon, Microsoft, Apple, Google e IBM identificó erróneamente el habla de personas negras en un 35%, en comparación con el 19% del habla de personas blancas.
En noticias más recientes, la empresa de tecnología DEI Textio analizó ChatGPT y demostró que se inclinaba a escribir anuncios de empleo para candidatos más jóvenes, hombres y blancos, y que el sesgo aumentaba en los anuncios de empleos más específicos.
Si está trabajando en un producto o proyecto de IA, debe tomar medidas para abordar el sesgo de la IA. Aquí tienes cuatro preguntas importantes para que tu IA sea más inclusiva:
¿Hemos incorporado evaluaciones éticas de la IA en el flujo de trabajo de producción desde el principio del proyecto? Los recursos de IA responsable de Microsoft incluyen una guía de evaluación de proyectos.
¿Estamos preparados para revelar los puntos fuertes y las limitaciones de nuestras fuentes de datos? La inteligencia artificial es tan sesgada como las fuentes de datos de las que se nutre. El proyecto debe revelar a quién priorizan los datos y a quién excluyen.
¿Esdiverso nuestroequipo de producción de IA? ¿Cómo ha tenido en cuenta las perspectivas de las personas que utilizarán su producto de IA y que no están representadas en el equipo del proyecto o en la industria tecnológica?
¿Hemos escuchado a diversos expertos en IA? La Dra.Joy Buolamwini y la Dra. Inioluwa Deborah Raji, actualmente en el MIT Media Lab, son dos investigadoras negras pioneras en el campo del sesgo racial en la IA.
"La investigación en IA también debe reconocer que los problemas que queremos resolver no son puramente técnicos, sino que interactúan con un mundo complejo lleno de desafíos estructurales y desigualdades. Por lo tanto, es crucial que los investigadores de IA colaboren estrechamente con personas que posean formación y conocimientos especializados diversos."
Para obtener más información sobre inteligencia artificial y Machine Learning, póngase en contacto con nosotros hoy mismo. Kopius es líder en consultoría y servicios de tecnología digital nearshore.
El auge de modelos generativos como ChatGPT y Stable Diffusion ha generado mucho debate sobre el futuro del trabajo y el lugar de trabajo asistido por IA. Hay una gran expectación por las nuevas e impresionantes capacidades que promete esta tecnología, así como preocupación por la pérdida de puestos de trabajo a causa de la automatización. Veamos en qué punto nos encontramos hoy, cómo podemos aprovechar estas nuevas tecnologías de texto generadas por IA para potenciar la productividad y qué cambios pueden suponer para un lugar de trabajo moderno.
Es la pregunta que todo el mundo se hace. La IA puede generar imágenes, música, texto y código. ¿Significa esto que tu trabajo como diseñador, desarrollador o redactor está a punto de automatizarse? Pues sí. Tu trabajo se automatizará en el sentido de que será mucho más eficiente, pero tú seguirás al mando.
En primer lugar, no toda automatización es mala. Antes de que se generalizaran las computadoras, los impuestos se hacían con papel y lapicera. ¿Abandonaron los programas fiscales modernos el negocio de los contables? En absoluto. Facilitó su trabajo automatizando tareas repetitivas, aburridas y repetitivas. Los contables fiscales son ahora más eficientes que nunca y pueden centrarse en dominar la legislación fiscal en lugar de perder horas empujando papel. Se ocupan de casos fiscales más complicados, personalizados y adaptados a usted o a su empresa. Del mismo modo, es justo suponer que estas nuevas herramientas generativas de IA aumentarán los trabajos creativos y los harán más eficientes y agradables, no los suplantarán por completo.
En segundo lugar, los modelos generativos se entrenan con contenidos creados por humanos. Esto molesta a muchos, especialmente a los creadores, cuyas obras se utilizan como datos de entrenamiento sin el permiso explícito del artista, lo que permite al modelo replicar su estilo artístico único. Stability.ai planea resolver este problema permitiendo a los artistas optar por que tus obras no formen parte del conjunto de datos, pero, siendo realistas, no hay forma de garantizar el cumplimiento y no hay forma definitiva de demostrar si su arte se sigue utilizando para entrenar modelos. Pero esto abre interesantes oportunidades. ¿Qué pasaría si concedieras la licencia de tu estilo a una empresa de inteligencia artificial? Si eres un artista de éxito y tu trabajo tiene demanda, podría haber un futuro en el que concedieras licencias para que tu trabajo se utilizara como datos de entrenamiento y te pagaran cada vez que se generara una nueva imagen basada en tus creaciones anteriores. Es posible que los creadores de IA responsables puedan calcular el nivel de actualizaciones de gradiente durante el entrenamiento y el porcentaje de activación neuronal asociado a muestras específicas de datos para calcular cuánto de tu arte bajo licencia fue utilizado por el modelo para generar un resultado. Del mismo modo que Spotify paga una pequeña cantidad al músico cada vez que alguien reproduce una de tus canciones, o que sitios web como Flaticon.com pagan una cantidad al diseñador cada vez que se descarga uno de tus iconos. Resumiendo, es probable que pronto veamos controles más estrictos sobre cómo se construyen los conjuntos de datos de formación en lo que respecta a las obras con licencia frente al dominio público.
Veamos algunas implicaciones positivas de este lugar de trabajo y esta tecnología asistidos por IA en relación con algunas funciones creativas y cómo esta tecnología puede agilizar determinadas tareas.
Como diseñador de interfaz de usuario, cuando diseñas interfaces web y para móviles es probable que dediques mucho tiempo a buscar imágenes de archivo. Las imágenes deben ser relevantes para la empresa, tener los colores adecuados, dejar espacio para superponer texto, etc. Algunas imágenes pueden ser oscuras y difíciles de encontrar. Se pueden pasar horas buscando la imagen de archivo perfecta. Con la IA, basta con generar una imagen a partir de un texto. Puede pedir al modelo que cambie la iluminación y los colores. ¿Necesitas espacio para un título? Utiliza inpainting para despejar una zona de la imagen. ¿Necesitas añadir un elemento específico a la imagen, como un cucurucho de helado? Muéstrale a AI dónde lo quieres y lo integrará sin problemas. ¿Necesitas buscar códigos de colores RGB/HEX complementarios? Pídele a ChatGPT que genere algunas combinaciones.
¿Va a desaparecer el trabajo de los fotógrafos? Lo más probable es que no. Siguen apareciendo nuevos dispositivos y hay que incorporarlos periódicamente a los datos de formación. Si somos inteligentes a la hora de conceder licencias de estos activos con fines de capacitación, es posible que tengas más ingresos que antes, ya que la IA puede utilizar una parte de tu imagen y pagarte una tarifa parcial por cada solicitud muchas veces al día, en lugar de que un usuario compre una licencia por vez. Sí, hay que trabajar para habilitar esta funcionalidad, por eso es importante plantearse las cosas ahora y trabajar hacia una solución que beneficie a todos. Pero los modelos generativos entrenados hoy estarán lamentablemente obsoletos dentro de diez años, así que los modelos seguirán necesitando nuevos datos del mundo real generados por humanos para mantener su relevancia. Las empresas de IA tendrán una ventaja competitiva si pueden obtener licencias de conjuntos de datos de alta calidad, y nunca se sabe cuáles de tus imágenes utilizará la IA; incluso podría averiguar qué fotos tomar más para maximizar ese flujo de ingresos.
Los ingenieros de software, especialmente los que trabajan en servicios profesionales, a menudo tienen que alternar entre varios lenguajes de programación. Incluso en el mismo proyecto, pueden utilizar Python, JavaScript / TypeScript y Bash al mismo tiempo. Es difícil cambiar de contexto y recordar todas las peculiaridades de la sintaxis de un lenguaje en particular. ¿Cómo hacer eficientemente un bucle for en Python vs Bash? ¿Cómo desplegar un Cognito User Pool con un autorizador Lambda usando AWS CDK? Acabamos googleando estos fragmentos porque trabajar con tantos lenguajes nos obliga a recordar conceptos de alto nivel en lugar de elementos sintácticos específicos. GitHub Gist existe con el único propósito de descargar fragmentos de código útil de la memoria local (tu cerebro) a un almacenamiento externo. Con tanto que aprender, y cosas en constante evolución, es más fácil ser consciente de que existe una técnica o algoritmo concreto (y dónde buscarlo) que recordarlo con insoportable detalle como si recitáramos un poema. Herramientas como ChatGPT integradas directamente en el IDE reducirían la cantidad de tiempo que los desarrolladores dedican a recordar cómo crear una nueva clase en un lenguaje que hace tiempo que no utilizan, cómo configurar la lógica de bifurcación o construir un script que mueva un montón de archivos a AWS S3. Podrían simplemente pedirle al IDE que rellene esta repetición de tareas para pasar a resolver los desafíos algorítmicos más interesantes.
Un ejemplo de cómo usar los decoradores de Python en ChatGPT . El texto y el fragmento de código de ejemplo son muy informativos.
Para los redactores, puede ser difícil superar el bloqueo del escritor que supone no saber por dónde empezar o cómo concluir un artículo. A veces resulta difícil describir de forma concisa un concepto complicado. ChatGPT puede ser útil en este sentido, sobre todo como herramienta para buscar rápidamente información aclaratoria sobre un tema. Aunque es justificada tener precaución, como ha demostrado recientemente Stephen Wolfram, CEO de Wolfram Alpha, que argumenta de forma convincente que las respuestas de ChatGPT no siempre deben tomarse al pie de la letra... Así que la clave está en investigar por tu cuenta. Así las cosas, el modelo de OpenAI suele ser un buen punto de partida para explicar un concepto y, como mínimo, puede ofrecer pistas para seguir investigando. Pero por ahora, los escritores siempre deben verificar tus respuestas. Recordemos también que ChatGPT no ha sido entrenado con ninguna información nueva creada después del año 2021, por lo que no está al tanto de las novedades sobre la guerra en Ucrania, las cifras actuales de inflación o las recientes fluctuaciones del mercado bursátil, por ejemplo.
En conclusión
Los modelos de base como ChatGPT y Stable Diffusion pueden aumentar y agilizar los flujos de trabajo, y aún están lejos de poder amenazar directamente un puesto de trabajo. Son herramientas útiles mucho más capaces que los modelos de aprendizaje profundo de enfoque espefício, y requieren cierto grado de supervisión y precaución. ¿Serán aún mejores estos modelos dentro de 5-10 años? Sin duda. Y para entonces, puede que nos hayamos acostumbrado a ellos y tengamos varios años de experiencia trabajando con estos agentes de IA, incluidas tus peculiaridades y errores.
Hay una cosa importante que debemos tener en cuenta sobre los Modelos Fundacionales y el futuro del lugar de trabajo asistido por IA: en el presente, la capacitación sigue siendo muy costosa. No están conectados a Internet y no pueden consumir información en tiempo real, en modo de entrenamiento incremental en línea. No hay una base de datos en la que cargar los nuevos datos, lo que significa que para incorporar nuevos conocimientos, el conjunto de datos debe crecer para encapsular la información reciente, y el modelo debe afinarse o volver a entrenarse desde cero en este conjunto de datos más grande. Es difícil verificar que el modelo produzca información objetivamente correcta, ya que el conjunto de datos de entrenamiento no está etiquetado y el procedimiento de entrenamiento no está totalmente supervisado. Hay alternativas interesantes de código abierto en el horizonte (como la StableDiffusion basada en U-Net), y técnicas para ajustar partes del modelo más grande a una tarea específica, pero éstas tienen un enfoque más específico, requieren cantidad de retoques con hiperparámetros, y en general están fuera del alcance de este artículo en particular.
Es difícil predecir exactamente dónde estarán los modelos básicos dentro de cinco años y cómo influirán en el lugar de trabajo asistido por IA, ya que el campo del Machine Learning evoluciona rápidamente. Sin embargo, es probable que los modelos básicos sigan mejorando en términos de precisión y capacidad para gestionar tareas más complejas. Por ahora, sin embargo, parece que aún nos queda algo de tiempo antes de preocuparnos seriamente por perder nuestros puestos de trabajo a manos de la IA. Deberíamos aprovechar esta oportunidad para mantener ahora conversaciones importantes que garanticen que el futuro desarrollo de estos sistemas tenga una trayectoria ética.
Para obtener más información sobre nuestras soluciones de IA generativa, ponte en contacto con nosotros hoy mismo. Kopius es líder en consultoría y servicios de tecnología digital nearshore.
Aquí se presenta lo que separa a los modelos fundacionales de los modelos habituales de IA. Exploramos las razones por las que estos modelos son difíciles de entrenar y cómo entenderlos en el contexto de los modelos de IA más tradicionales.
¿Qué son los Modelos Fundacionales?
¿Qué son los modelos básicos y en qué se diferencian de los modelos tradicionales de IA de aprendizaje profundo? El Centro de IA Centrada en el Ser Humano del Instituto Stanford define un modelo básico como "cualquier modelo entrenado con datos amplios (generalmente utilizando autosupervisión a escala) que puede adaptarse a una amplia gama de tareas posteriores". Esto describe también muchos modelos estrechos de IA, como MobileNets y ResNets, que también pueden ajustarse y adaptarse a distintas tareas.
Las distinciones clave aquí son "autosupervisión a escala" y "amplia gama de tareas".
Los modelos Foundation se entrenan con cantidades ingentes de datos sin etiquetar o semietiquetados, y el modelo contiene órdenes de magnitud más de parámetros entrenables que un modelo de aprendizaje profundo típico destinado a ejecutarse en un smartphone. Esto hace que los modelos básicos sean capaces de generalizarse a una gama mucho más amplia de tareas que los modelos más pequeños entrenados en conjuntos de datos específicos del dominio. Es un error común pensar que arrojar muchos datos a un modelo hará que de repente haga algo útil sin más esfuerzo. En realidad, estos modelos de gran tamaño son muy buenos para encontrar y codificar patrones intrincados en los datos con poca o ninguna supervisión, patrones que pueden explotarse de diversas formas interesantes, pero es necesario realizar una buena cantidad de trabajo para utilizar este conocimiento oculto aprendido de forma útil.
La arquitectura de los modelos básicos de IA
El aprendizaje no supervisado, semisupervisado y por transferencia no son conceptos nuevos y, hasta cierto punto, los modelos de fundamentos también entran en esta categoría. Estas técnicas de aprendizaje se remontan a los inicios de los modelos generativos, como las máquinas de Boltzmann restringidas y los autocodificadores. Estos modelos más sencillos constan de dos partes: un codificador y un descodificador. El objetivo de un autocodificador es aprender una representación compacta (conocida como codificación o espacio latente) de los datos de entrada que capte los rasgos o características importantes de los datos, lo que se conoce como "separación lineal progresiva" de los rasgos que definen los datos. Esta codificación puede utilizarse después para reconstruir los datos de entrada originales o generar datos sintéticos completamente nuevos introduciendo variables latentes modificadas de forma inteligente en el descodificador.
Un ejemplo de arquitectura de un modelo autoencodificador convolucional de imágenes se entrena para reconstruir su propia entrada, por ejemplo: imágenes. La modificación inteligente del espacio latente permite generar imágenes completamente nuevas. Esto se puede ampliar añadiendo un modelo adicional que codifique las indicaciones de texto en representaciones latentes que el descodificador entienda para permitir la funcionalidad de texto a imagen.
Muchos modelos modernos de ML utilizan esta arquitectura, y la parte del codificador se denomina a veces columna vertebral, mientras que el decodificador se denomina cabeza. A veces los modelos son simétricos, pero con frecuencia no lo son. Muchas arquitecturas de modelos pueden servir como codificador o columna vertebral, y el resultado del modelo puede adaptarse a un problema específico modificando el decodificador o la cabeza. No hay límite en el número de cabezas que puede tener un modelo, ni en el número de codificadores. Las columnas vertebrales, las cabezas, los codificadores, los decodificadores y otras abstracciones de alto nivel son módulos o bloques construidos a partir de múltiples capas lineales, convolucionales y de otros tipos de redes neuronales básicas. Podemos intercambiarlas y combinarlas para producir diferentes arquitecturas de modelos a medida, del mismo modo que utilizamos diferentes marcos y bibliotecas de terceros en el desarrollo de software tradicional. Esto, por ejemplo, nos permite codificar una frase en un vector latente que luego puede descodificarse en una imagen.
Modelos básicos para el procesamiento del lenguaje natural
Los modelos modernos de Procesamiento del Lenguaje Natural (PLN) como ChatGPT entran en la categoría de Transformadores. El concepto de transformador se introdujo en el artículo de 2017 "Attention Is All You Need" de Vaswani et al. y desde entonces se ha convertido en la base de muchos modelos de vanguardia en PNL. La innovación clave del modelo transformador es el uso de mecanismos de autoatención, que permiten al modelo sopesar la importancia de las diferentes partes de la entrada al hacer predicciones. Estos modelos utilizan lo que se denomina una "incrustación", que es una representación matemática de una entrada discreta, como una palabra, un carácter o un fragmento de imagen, en un espacio continuo de alta dimensión. Las incrustaciones se utilizan como entrada para los mecanismos de autoatención y otras capas del modelo transformador para realizar la tarea específica que se esté llevando a cabo, como la traducción de idiomas o el resumen de textos. ChatGPT no es el primero ni el único modelo de transformador que existe. De hecho, los transformadores se han aplicado con éxito en muchos otros ámbitos, como la visión por computadora y el procesamiento de sonido.
Entonces, si ChatGPT se construye sobre conceptos ya existentes, ¿qué lo hace tan diferente de todas las demás arquitecturas de modelos de última generación que ya se utilizan hoy en día? Una explicación simplificada de lo que distingue a un modelo básico de un modelo de aprendizaje profundo "normal" es la inmensa escala del conjunto de datos de entrenamiento, así como el número de parámetros entrenables que tiene un modelo básico en comparación con un modelo generativo tradicional. Una red neuronal excepcionalmente grande entrenada en un conjunto de datos verdaderamente masivo proporciona al modelo resultante la capacidad de generalizarse a una gama más amplia de casos de uso que tus hermanos más estrechamente enfocados, sirviendo así de base para un número incalculable de nuevas tareas y aplicaciones. Un modelo tan amplio codifica muchos patrones, características y relaciones útiles en tus datos de entrenamiento. Podemos extraer este acervo de conocimientos sin necesidad de volver a entrenar toda la parte codificadora del modelo. Podemos acoplar diferentes cabezas nuevas y utilizar técnicas de aprendizaje por transferencia y de ajuste fino para adaptar el mismo modelo a diferentes tareas. Así es como un solo modelo (como Stable Diffusion) puede realizar a la vez tareas de conversión de texto en imagen, de imagen en imagen, de repintado, de superresolución e incluso de generación de música.
Desafíos en la formación de Modelos Fundacionales
La potencia de cálculo de la GPU y los recursos humanos necesarios para entrenar desde cero un modelo básico como GPT eclipsan los disponibles para desarrolladores individuales y equipos pequeños. Los modelos son sencillamente demasiado grandes y el conjunto de datos demasiado difícil de manejar. Estos modelos no pueden (por ahora) entrenarse de forma rentable de principio a fin y repetirse utilizando hardware básico.
Aunque los conceptos pueden estar bien explicados por la investigación publicada y entendidos por muchos científicos de datos, las habilidades de ingeniería y los costos exorbitantes necesarios para conectar cientos de nodos de GPU durante meses a la vez estirarían los presupuestos de la mayoría de las organizaciones. Y eso sin tener en cuenta los costos de acceso a los conjuntos de datos, almacenamiento y transferencia de datos asociados a la alimentación del modelo con cantidades masivas de muestras de entrenamiento.
Hay varias razones por las que modelos como ChatGPT están actualmente fuera del alcance de los particulares para formarse:
Datos necesarios: El entrenamiento de un gran modelo lingüístico como ChatGPT requiere una cantidad masiva de datos de texto. Estos datos deben ser de alta calidad y diversos, y suelen obtenerse de diversas fuentes, como libros, artículos y sitios web. Estos datos también se preprocesan para obtener el mejor rendimiento, lo que supone una tarea adicional que requiere conocimientos y experiencia. Los costos de almacenamiento, transferencia de datos y carga de datos son tustancialmente más elevados que los que se utilizan para modelos con un enfoque más limitado.
Recursos informáticos: ChatGPT requiere importantes recursos informáticos para entrenarse. Esto incluye clústeres en red de potentes GPU y una gran cantidad de memoria volátil y no volátil. La ejecución de un clúster informático de este tipo puede alcanzar fácilmente los cientos de miles por experimento.
Tiempo de formación: Entrenar un modelo básico puede llevar varias semanas o incluso meses, dependiendo de los recursos informáticos disponibles. Cablear y alquilar tantos recursos requiere mucha habilidad y un generoso compromiso de tiempo, por no hablar de los costos de computación en la nube asociados.
Experiencia: Para llevar a buen término un curso de formación se requieren conocimientos de Machine Learning, procesamiento del lenguaje natural, ingeniería de datos, infraestructura en la nube, redes y mucho más. La mayoría de las personas no pueden adquirir fácilmente este amplio conjunto de competencias interdisciplinares.
Acceso a modelos de IA preentrenados
Dicho esto, hay modelos preentrenados disponibles, y algunos pueden ajustarse con una menor cantidad de datos y recursos para un conjunto de tareas más específico y reducido, lo que constituye una opción más accesible para particulares y organizaciones más pequeñas.
El entrenamiento de Stable Diffusion requirió 600.000 dólares, el equivalente a 150.000 horas de GPU. Es decir, un cluster de 256 GPUs funcionando 24 horas al día, 7 días a la semana durante casi un mes. Stable Diffusion se considera una reducción de costos en comparación con GPT. Por lo tanto, aunque es posible entrenar tu propio modelo de base utilizando proveedores de nube comerciales como AWS, GCP o Azure, el tiempo, el esfuerzo, la experiencia necesaria y el costo total de cada iteración imponen limitaciones a su uso. Existen muchas soluciones y técnicas para reutilizar y volver a entrenar parcialmente estos modelos, pero por ahora, si quieres entrenar tu propio modelo básico desde cero, lo mejor que puedes hacer es solicitarlo a una de las pocas empresas que tienen acceso a los recursos necesarios para llevar a cabo esta tarea.
Hace poco pasamos un rato con Michael Guzzetta, un experimentado ejecutivo y consultor de tecnología e innovación en el sector minorista que ha trabajado con marcas como The Walt Disney Company, Microsoft, See's Candies y H-E-B.
Hábleme de su trayectoria. ¿Qué le llevó al comercio minorista?
Como mucha gente, empecé en el comercio minorista en career en el instituto, cuando trabajé en el departamento de caballeros de Robinson's May. También trabajé para The Warehouse (minorista de música) y fui CSR en Blockbuster video - extrañamente, todavía echo de menos la satisfacción de organizar cintas en los estantes.
Inicié mi carrera tecnológica en career en 2001, cuando empecé a trabajar en procesamiento de pagos y tecnología basada en la nube, y luego volví al comercio minorista en 2009, cuando me incorporé a Disney Store North America, una de las marcas minoristas más fuertes del mundo.
Durante mi etapa en Disney, tuve el privilegio de trabajar en la intersección de la innovación creativa, de marketing y móvil/digital. Y aquí es donde me picó el gusanillo de la innovación y comenzó mi trabajo de décadas en proyectos de innovación omnicanal. Busco oportunidades para probar e implantar tecnología en las tiendas con el fin de simplificar las experiencias de clientes y empleados, aumentar las ventas e impulsar la demanda. Desde que comencé este viaje en Disney Store, también he ayudado a See's Candies, Microsoft y H-E-B a avanzar en su transformación digital a través de la innovación en el comercio minorista.
¿Cuáles son algunas de las tecnologías minoristas que le hicieron empezar?
¡Lo he visto todo! He replanteado sitios de comercio electrónico, desplegado balizas y notificaciones push, implementado el conteo de tráfico en la tienda, trabajado en la eficiencia del almacén, automatizado e integrado recorridos del comprador y programas omnicanal, y mucho más. Recientemente he construido un laboratorio de innovación de 20.000 metros cuadrados para realizar pruebas de concepto con el fin de validar la tecnología, probarla y desplegarla en entornos reales. Pago inteligente, cadena de suministro, gestión de inventario, comercio electrónico... lo que se te ocurra.
¿Cuáles son los mayores desafíos de la innovación en el comercio minorista actual?
Algunas de las preguntas que quitan el sueño a ciertos minoristas son: "¿Cómo podemos simplificar la experiencia de compra de los clientes y facilitarles el proceso de salida?", "¿Cómo podemos optimizar nuestra cadena de suministro y las operaciones de inventario?", "¿Cómo podemos mejorar la precisión para los clientes que compran en línea y reducir las tustituciones y los cortos en el cumplimiento?" y "¿Cómo podemos hacer que sea más fácil y más eficiente para los compradores personales comprar en la acera y los pedidos de entrega a domicilio?". Sin olvidar: "¿Cuál es el futuro del comercio minorista y qué tecnologías pueden ayudarnos a seguir siendo competitivos?".
Veo potencial en varias tendencias para abordar esos desafíos, pero mis tres principales son:
Inteligencia artificial/Machine Learning: la IA seguirá revolucionando el comercio minorista. Ha impregnado la mayor parte de la tecnología que utilizamos hoy en día, ya sea SAAS o hardware, como las cajas inteligentes. Puede utilizar la IA, la visión por computadora y el Machine Learning para identificar productos y ponerlos inmediatamente en la cesta. La IA está integrada en nuestra vida cotidiana: impulsa los asistentes inteligentes que utilizamos a diario, supervisa nuestra actividad en las redes sociales, nos ayuda a reservar nuestros viajes y hace funcionar coches autoconducidos, entre otras docenas de aplicaciones. Y como subconjunto de la IA, el Machine Learning permite que los modelos sigan aprendiendo y mejorando, haciendo avanzar aún más las capacidades de la IA. Podría seguir, pero baste decir que el minorista que llegue primero a la IA será el vencedor.
Visión por ordenador. La visión por computadora tiene una gran oportunidad para resolver los problemas de inventario, especialmente para las marcas de comestibles. En la actualidad, existe un desfase entre el inventario en línea y lo que hay en las estanterías, ya que el sistema de inventario no puede seguir el ritmo de lo que se almacena y está en las estanterías para los compradores personales, lo que resulta frustrante para los clientes que no esperan tustituciones o entregas fuera de stock. Con la llegada de las cámaras de visión computerizada, se pueden combinar esas diferencias y ver lo que hay en las estanterías en tiempo real para informar con precisión de lo que está disponible en línea. La gestión de inventarios asistida por visión computerizada será vital para crear una experiencia verdaderamente omnicanal. La visión por computadora también permite utilizar carros de la compra inteligentes, quioscos de autopago, prevención de pérdidas y prevención de robos. Por no hablar del uso que Amazon hace de las cámaras CV con su tecnología Just Walk Out en Amazon Go, Amazon Fresh y determinados establecimientos de Whole Foods. Tiene infinitas aplicaciones para el comercio minorista y ofrece una visión en línea que hoy en día no se puede obtener en las tiendas.
Robótica. En los últimos cinco años, la robótica ha dado un salto sísmico y se ha producido un cambio que se puede ver en los centros de cumplimiento masivos y automatizados como los que operan Amazon, Kroger y Walmart. Una marca puede entregar comestibles en una región sin tener una tienda física, gracias a los centros de cumplimiento y distribución robotizados. Esto cambia las reglas del juego. La robótica tiene muchas funciones más allá del cumplimiento en el comercio minorista, pero esta aplicación realmente destaca.
¿Cuál es la oportunidad perdida que más marcas minoristas deberían aprovechar?
Los datos. Los datos son enormes y su importancia no puede subestimarse. Es una gran oportunidad perdida para los minoristas hoy en día. Mejorar la gestión, la gobernanza y el saneamiento de los datos es una gran oportunidad para los minoristas que quieren innovar.
Las principales áreas de oportunidad en torno a los datos en el comercio minorista incluyen la experiencia del cliente (conozca a su cliente), la comprensión de las tendencias relacionadas con los hábitos de compra de los clientes y la innovación. No se puede innovar a ninguna velocidad con datos sucios.
Los minoristas están llevando a cabo una revolución masiva de la transformación digital e intentan innovar con datos, pero tienen tantos datos que puede resultar abrumador. Están tratando de crear lagos de datos, una única fuente de verdad, y a veces no pueden funcionar debido a las redes de datos dispares. Creo que algunos de los minoristas más prominentes tendrán tus datos juntos en unos pocos años.
Los "datos sucios" son el resultado de que las empresas llevan existiendo mucho tiempo, por lo que han acumulado múltiples conjuntos de datos y proveedores de nube, y tus datos no se han fusionado ni limpiado. Si no tienes los datos correctos, estás tomando decisiones basadas en datos malos o antiguos, lo que podría perjudicarte estratégica o literalmente.
¿Qué le gustaría que entendiera más gente sobre la tecnología y la innovación en el comercio minorista?
La tecnología no tustituirá a las personas. En mi experiencia, la tecnología está pensada para mejorar la experiencia humana, lo que incluye a los empleados. Si la tecnología simplifica tanto el proceso que los empleados se vuelven ociosos, normalmente se les forma para gestionar la tecnología o se les ofrece formación cruzada para que desarrollen tus careers. La tecnología no va a tustituir a la experiencia humana en un futuro próximo, aunque sin duda está cambiando la experiencia laboral existente, idealmente para mejor, tanto para los empleados como para el balance final.
La tecnología no siempre reduce los costos de los minoristas. La innovación en hardware requiere importantes gastos de capital cuando se despliega en toda la cadena. El "Just Walk Out" de Amazon es una tecnología impresionante, pero la infraestructura, los costos de computación en la nube y las cámaras de visión computerizada son increíblemente caros. Dentro de cinco años, eso puede ser diferente, pero hoy en día es un líder en pérdidas. A Amazon le merece la pena porque puede conseguir prensa positiva, demostrar innovación y mostrar liderazgo en el sector. Pero Amazon no ha reducido tus costos operativos con "Just Walk Out". Este es solo un ejemplo, pero hay muchos ahí fuera.
Las compras en línea no eliminarán las compras en tiendas físicas. Si algo nos ha enseñado la pandemia es que las compras por Internet están aquí para quedarse, y que la comodidad es muy atractiva para los consumidores. Pero creo que la gente nunca dejará de ir a las tiendas porque le encanta comprar. La experiencia de recoger algo de forma tangible y relacionarse con los empleados en una tienda siempre existirá, incluso con la llegada del metaverso.
¿Cuáles son las marcas que más le entusiasman ahora mismo por su forma de utilizar la tecnología?
Amazon. La trayectoria con la tecnología Just Walk Out, los carritos de la compra, las estanterías inteligentes y otras tecnologías IoT ponen a Amazon a la cabeza de la innovación. No olvidemos que ha liderado la entrega en el mismo día o al día siguiente innovando con sus centros de distribución automatizados. Tienen el deseo, los recursos y el talento para seguir siendo líder los próximos años.
Alibaba. Esta empresa china es otro minorista que utiliza la tecnología de formas increíbles. tus tiendas de comestibles HEMA están repletas de innovación y tecnología. Disponen de sensores IoT en todas las tiendas, etiquetas electrónicas en las estanterías, cámaras de reconocimiento facial para que puedas pasar por caja con tu cara y cocinas robotizadas en las que tu pedido se prepara y se entrega en cintas transportadoras. También tienen cintas transportadoras por toda la tienda, de modo que un comprador personal puede comprar por zonas y luego enganchar bolsas para llevarlas al almacén para su clasificación y preparación para la entrega: es impresionante.
Walmart y Kroger. El uso que ambas marcas hacen de los centros de distribución automatizados (AFC) y de la tecnología de drones (entre muchas otras) está ampliando los límites de la venta minorista de comestibles en la actualidad. tus AFC lanzan una red mucho más amplia y han ampliado tus mercados existentes, por lo que, por ejemplo, es posible que veamos camiones de Kroger en barrios en los que no hay ninguna tienda a la vista.
Home Depot. Tienen una aplicación inteligente con realidad aumentada en 3D y un sólido sistema de mapeo y orientación en la tienda. Su uso del Machine Learning también es impresionante. Por ejemplo, les ayuda a entender mejor en qué tipo de proyectos podría estar trabajando un cliente basándose en tus hábitos de navegación y compra.
Sephora. Utilizan tecnología de balizas para atraer a la tienda a personas con la aplicación de Sephora y atraerlas. Tienen espejos inteligentes que ayudan a los clientes a elegir el maquillaje adecuado para su tono de piel y ofrecen tutoriales. Los clientes pueden comprar directamente en los espejos inteligentes o trabajar con un maquillador de la tienda.
¿Qué consejo daría a los minoristas que quieren invertir en innovación tecnológica?
Mi primer consejo es incluir la gestión del cambio en la planificación del proyecto desde el principio.
La innovación en el comercio minorista plantea desafíos inherentes, a menudo debidos a problemas de gestión del cambio. Cuando una empresa lleva décadas o incluso más de un siglo funcionando, lo hace con una infraestructura conocida, fiable y a menudo obsoleta. Aunque esa infraestructura no puede sostener a la empresa durante las próximas décadas o siglos, puede existir un miedo al cambio significativo y una preferencia profundamente arraigada por los sistemas existentes. Puede haber miedo a la pérdida de puestos de trabajo debido a la idea errónea de que la tecnología tustituirá a las personas en el comercio minorista.
Incorpore a esas personas resistentes al cambio al proceso de innovación desde el principio y con frecuencia, e invítelas a formar parte de la generación de ideas. Cualquier solución tecnológica debe diseñarse teniendo en cuenta las necesidades del usuario, y este público es un grupo de usuarios básico. piensa el enfoque "lean startup".
Mi segundo consejo es dedicar suficientes recursos a la innovación y dar al equipo de innovación el poder de tomar decisiones. El equipo de innovación debe seguir funcionando con pocos recursos, centrándose en productos viables mínimos y pruebas de concepto, para que los fracasos no sean prohibitivos desde el punto de vista de los costos. El equipo de innovación rinde mejor cuando tiene autonomía para probar, aprender y fracasar mientras explora soluciones innovadoras. A continuación, informa de tus conclusiones y recomendaciones a los superiores para calibrar y pivotar cuando sea necesario.
Para terminar, diría que la clave del éxito de la innovación es aceptar la noción de fracaso. El fracaso tiene valor. Dicho de otro modo, el fracaso es la vía rápida del aprendizaje. Aprender lo que no hay que hacer y lo que hay que intentar a continuación puede ayudar a una empresa minorista a acelerar más que la competencia. Piensa en un MVP, no te compliques, obtén rápidamente información validada y repite hasta que consigas un gran avance. Y mantén siempre una mentalidad de crecimiento: nunca dejes de aprender y crecer.
Los gemelos digitales forman parte del sistema interconectado de la Internet de las Cosas (IoT). En 2021, Accenture los situó como una de las cinco principales tendencias tecnológicas estratégicas a tener en cuenta.
Crédito de la imagen: Noria Corporation
Como su nombre indica, un gemelo digital es un modelo virtual diseñado para reflejar un objeto físico. Empresas como Chevron están utilizando gemelos digitales para predecir más rápidamente los problemas de mantenimiento, y Unilever utilizó uno en la plataforma Azure IoT para analizar y ajustar operaciones de fábrica como las temperaturas y los tiempos de ciclo de producción.
Con un gemelo digital, el objeto estudiado se equipa con sensores relacionados con áreas clave de funcionalidad para producir datos sobre aspectos del rendimiento del objeto físico, como la producción de energía, la temperatura y las condiciones meteorológicas. Los datos se transmiten a un sistema de procesamiento y se aplican al gemelo.
Una vez informado con estos datos, el gemelo digital puede realizar simulaciones, estudiar problemas de rendimiento y generar posibles mejoras, todo ello generando ideas que pueden aplicarse al objeto físico.
A veces, los gemelos digitales incluyen una rica experiencia visual inmersiva, pero no siempre es así. A veces tienen una interfaz sencilla o carecen por completo de ella.
Los gemelos digitales forman parte de la evolución del IoT dentro de la transformación digital. Hoy en día se utilizan a menudo en el sector inmobiliario comercial y en la planificación de instalaciones, y a medida que pensamos en el metaverso, los gemelos digitales adquieren cada vez más importancia con los espacios virtuales. Si pensamos en las implicaciones del Machine Learning en los gemelos digitales y el IoT, las posibilidades de supervisión inteligente en tiempo real se vuelven muy interesantes.
Imagine un gran campus corporativo convertido en un enorme gemelo digital que se expande a otros campus y ubicaciones físicas. ¿Y si ese gemelo digital utiliza el Machine Learning para optimizar aspectos como el tráfico, los servicios públicos y el clima? ¿Cómo podría una empresa global utilizar gemelos digitales para tener un modelo completo del mundo físico?
Este es nuestro consejo más importante para cualquiera que considere los gemelos digitales como parte de la estrategia de un proyecto:
Nos gusta empezar por considerar las herramientas existentes. Ya existe un sólido conjunto de herramientas a través de empresas como Microsoft y Amazon Web Services TwinMaker (ambas socias de Valence).
Aproveche las ontologías existentes en el sector (diccionarios de datos), como los sistemas de esquemas y nombres y los formatos de datos para el intercambio dentro de las comunidades. Se beneficiará de las mejores prácticas establecidas y de una mayor operatividad entre proveedores externos.
Microsoft aportó estándares industriales para el lenguaje de definición de gemelos digitales que simplifican la creación, el uso y el mantenimiento de los gemelos digitales.
Los servicios subyacentes se aprovisionan automáticamente para que los desarrolladores puedan construir sobre una plataforma de servicios y ampliar el producto existente de Microsoft o Amazon. El proceso no es "llave en mano" y no podrá crear un gemelo digital con herramientas totalmente listas para usar, pero la plataforma se gestiona por usted, lo que reduce los costos operativos. Las plataformas también son más seguras y están diseñadas teniendo en cuenta las mejores prácticas operativas, como las copias de seguridad automáticas y la automatización del despliegue.
Basarse en las normas del sector también le ahorrará tiempo. Por ejemplo, si quiere crear una solución para edificios inteligentes y necesita describir el espacio físico de un edificio, los estándares del sector le ayudarán, ya que los desarrolladores de software no suelen tener experiencia en la gestión de instalaciones o edificios. Un modelo estándar del sector ofrece a los desarrolladores una ventaja a la hora de crear un gemelo digital que tus clientes puedan entender y utilizar.
Solución basada en datos
Los gemelos digitales crean una plataforma para medir y almacenar datos. Con los datos disponibles, puede probar y responder a preguntas tanto operativas como empresariales. Por ejemplo, puede investigar componentes fragilees de riesgo en su sistema de suministro/producción y explorar oportunidades para mejorar y ampliar nuevos servicios. La clave está en que medir y almacenar los datos son pasos esenciales antes de utilizar cualquier herramienta analítica.
Los gemelos digitales evolucionan
Aunque construir un gemelo digital es más difícil de lo que puede hacer un usuario empresarial típico, podemos desarrollar estos complejos sistemas con un equipo modesto de desarrolladores y diseñadores. Normalmente, solo necesitamos recurrir a ingenieros altamente especializados cuando se plantean grandes desafíos de integración e interoperabilidad con varios proveedores.
La tecnología está evolucionando y los problemas iniciales de integración de proveedores mejorarán con el tiempo, lo que facilitará la transición de una solución de gemelo digital de un proveedor de nube a otro.
Una de las claves de la transformación digital es cuestionar cómo hacemos las cosas hoy para explorar cómo conseguir una mayor informatización y automatización. ¿Pueden los gemelos digitales mejorar el almacenamiento y la distribución de su organización? ¿Pueden los gemelos digitales mejorar los desafíos a los que se enfrenta la cadena de suministro? ¿Pueden ponerse a prueba tus objetivos de sostenibilidad con un gemelo digital? ¡Hay muchas posibilidades a considerar!
Nos complació anunciar ayer el lanzamiento de dos nuevos programas de innovación relacionados con las tecnologías blockchain. Los dos lanzamientos incluyen el Acelerador de Innovación Blockchain, así como un mercado interno de criptomonedas centrado en los empleados y construido sobre tecnologías blockchain.
El Acelerador de Innovación Blockchain se centra en acelerar los proyectos de los clientes relacionados con la comprensión y aplicación de las tecnologías blockchain en el mercado actual. Centrado en un escenario de puntos de fidelidad en el que una aerolínea de ejemplo utiliza blockchain para permitir a clientes y vendedores canjear e intercambiar millas de viajero frecuente de aerolíneas (o "tokens") utilizando tecnología de contrato inteligente, el acelerador ofrece arquitectura de referencia y código de muestra para crear un escenario más accesible, así como acelerar los esfuerzos de desarrollo. El Acelerador de Innovación Blockchain está construido sobre Microsoft Azure utilizando el blockchain Ethereum e implementa la Interfaz de Tokens ERC20 con modificaciones personalizadas de contratos inteligentes para restringir el flujo de tokens entre los participantes de la lista blanca. Este es el segundo Acelerador de Innovación lanzado por Valence, después del más reciente lanzamiento del Acelerador de Innovación HoloLens el pasado mes de mayo. Creado por el equipo de innovación de Valence, el programa Innovation Accelerator se esfuerza por ofrecer un marco específico, y a menudo vertical y orientado al sector, para ayudar a poner en marcha soluciones de la vida real.
"En Valence nos centramos exclusivamente en las tecnologías de transformación digital y en cómo trabajan juntas para ofrecer resultados empresariales reales a los clientes", dijo Jim Darrin, director general de Valence. "Creemos que blockchain cambiará la naturaleza de los sistemas distribuidos, por lo que hemos reunido un conjunto de componentes de software y arquitecturas de referencia para acelerar la capacidad tanto de construir soluciones integradas de puntos de fidelización como de hacer blockchain más accesible en general para los clientes empresariales de todo el mundo."
Además, la empresa ha anunciado hoy el lanzamiento de su mercado de criptomonedas interno, centrado en los empleados. Basado en la tecnología de blockchain Hyperledger Sawtooth, este mercado interno permite la emisión y el canje de la criptomoneda Valence denominada Electrones Valence (símbolo: VLE). Al unirse a Valence, los nuevos empleados obtienen un número fijo de VLE que pueden gastar en el mercado interno de Valence para adquirir bienes y servicios exclusivos. Cada paso de la transacción se registra en la blockchain y, con el tiempo, los VLE tendrán un valor creciente correlacionado con el crecimiento de la empresa. Además, la empresa espera permitir a los empleados publicar tus propias ofertas y crear un entorno de trueque para aumentar el número de bienes y servicios únicos disponibles.
"Estoy increíblemente emocionado de lanzar este mercado interno basado en los conceptos centrales de blockchain", dijo Matthew Carlisle, Director de Tecnología de Valence. "Nos esforzamos por hacer que todas nuestras tecnologías de transformación digital sean accesibles para los empleados, y creemos que esta idea de crear nuestro propio sistema interno de tokens para el canje de bienes y servicios será una gran manera de que los empleados experimenten las tecnologías de blockchain y tokens de primera mano. Y estamos encantados de poder compartir también nuestra experiencia con el resto del mundo."
En este post, hablamos de cómo utilizar la tecnología blockchain para mejorar la experiencia de los empleados con un mercado de criptodivisas.
En varias empresas anteriores me han dado chaquetas, camisetas, tazas y otras bonitas ventajas para los empleados, cosas sencillas. Aunque siempre han sido bienintencionados por parte de la dirección de la empresa, normalmente no han sido del todo de mi agrado. Al fin y al cabo, es bastante difícil imaginar un escenario en el que puedas satisfacer los gustos e intereses de todos los empleados. Pero, ¿y si existiera una forma de personalizar los obsequios a los empleados en función de lo que cada uno realmente desea?
En Kopius nos gusta utilizar las tecnologías de transformación digital que evangelizamos para nuestros clientes para hacer avanzar nuestro propio negocio. Seguro que ya lo ha oído antes: el viejo programa de "comerse su propia comida para perros". Pero a nosotros no solo nos sirve para aprender cómo funcionan estas tecnologías, sino que también nos ayuda a (1) crear un entorno de aprendizaje para todos nuestros empleados y (2) tener una experiencia real que podemos compartir con nuestros clientes. Con ese fin -y para abordar la cuestión de las preferencias de los empleados- desarrollamos nuestro propio mercado de criptodivisas de mercancías utilizando Hyperledger Sawtooth, una de las tecnologías blockchain más populares de la actualidad.
La experiencia del usuario es sencilla: al unirse a Kopius, nuestros empleados obtienen un número fijo de Electrones de Nivel de Valence (símbolo: VLE), y tenemos un sitio web interno de mercado de criptomoneda en el que los empleados pueden gastar los VLE en diversos artículos de marca Valence que normalmente no encontrarían: auriculares inalámbricos, jarras de cerveza y mucho más. Con el tiempo, los empleados reciben más VLE a medida que el rendimiento y la situación lo permiten.
Si te estás diciendo a ti mismo en este momento, "um, amigos... en 2017 acabamos de llamar a esto un 'sitio web'", entonces yo diría que tienes razón y estás equivocado. Razón en que sí, ¡es un sitio web! Pero equivocado en el sentido de que las bases de nuestro mercado utilizan tecnologías de blockchain. Y esta base nos permite pensar en algunas cosas nuevas que no serían fácilmente posibles con sólo un "sitio web": (1) un nivel de integridad y auditoría de las transacciones, y lo que es más importante (2) la capacidad de abrir fácilmente esto más ampliamente a otros vendedores. Después de todo, ¿por qué no podrían otras empresas de la zona empezar a aceptar la EVE como moneda para el intercambio de bienes y servicios? Es posible y totalmente razonable.
Para las grandes empresas esto empieza a tener mucho sentido. Les permite dar a los empleados más opciones y, en teoría, gastar menos en gratificaciones, ya que habría menos despilfarro. Además, permite a los empleados más opciones porque las tecnologías blockchain permiten una integración muy sencilla, por lo que pueden aceptar VLE en lugar del viejo dólar estadounidense (USD). Para ello, tendríamos que crear un flujo de reembolso y asignar un tipo de cambio inicial de VLE a USD. Pero tenga en cuenta que todo esto se puede hacer en un entorno sin confianza. En otras palabras, para añadir un proveedor que acepte VLE, no necesitamos confiar en esa empresa y ellos no necesitan confiar en nosotros. Los contratos inteligentes que se ejecutan en la blockchain aplican las normas que rigen nuestra relación comercial. Cada parte puede hacer lo que quiera siempre que siga las reglas.
Hay muchas empresas que emiten puntos de fidelidad, y las aerolíneas son sin duda una de las más importantes. A medida que tus usuarios empiezan a acumular grandes cantidades de puntos, surgen varios problemas: en primer lugar, los clientes acumulan demasiados puntos y, por tanto, pueden cambiar de aerolínea; y en segundo lugar -y en muchos casos un problema mayor- se crea un pasivo financiero pendiente para la empresa. Como reacción, las aerolíneas intentan crear formas innovadoras de resolver estos problemas. De hecho, hace poco vi que se podía comprar una copa de champán de lujo con mis SkyMiles de Delta Airline. Y sí, ya puedo canjear mis SkyMiles por algunas otras cosas, pero sinceramente la selección es realmente limitada, y hay una razón para ello: sólo se puede imaginar los quebraderos de cabeza de la integración de TI para incorporar a un proveedor en los sistemas de TI de Delta Airline para que pudiera acceder al saldo de SkyMiles del usuario con el fin de canjear puntos por bienes o servicios.
Conscientes de que muchos clientes podrían tener dificultades con este escenario, hemos creado y lanzado hoy nuestro Acelerador de Innovación Blockchain centrado en los sistemas de puntos de fidelización. Construido sobre Microsoft Azure y Ethereum, este Acelerador de Innovación proporciona una arquitectura de referencia y código de ejemplo para hacer estas tecnologías más accesibles. En general, trasladar los puntos de fidelización -o escenarios similares a este- a las tecnologías blockchain ofrece el potencial de crear un mercado mucho mayor para esos puntos al resolver los problemas asociados al sistema actual.
