Playground para Redes Neuronales, Un sitio ideal para comprender lo básico sobre Redes Neuronales con 4 ejemplos en donde la red, que el usuario puede parametrizar, aprende a clasificar un conjunto de datos siguiendo el patrón que se le enseña.

Inteligencia Artificial como generadora de servicios

El uso de inteligencia artificial para soportar nuevas formas de interacción y servicios con un alto nivel de calidad en UX (User eXperience), ya está pasando de ser solo una herramienta de diferenciación de la competencia, a un imperativo (o mínimo) que debe incluirse en la conceptualización y construcción de nuevos servicios. Sin embargo, la posibilidad de incluir dentro de la oferta de servicios componentes que realmente aprendan, clasifiquen y predigan posibles comportamientos o escenarios para los usuarios, está determinada por las capacidades de captura, limpieza, procesamiento y análisis de datos que están detrás de toda la plataforma.

Este artículo presenta algunos de los puntos centrales de relación que existe entre Diseño de Servicios, Inteligencia Artificial y procesamiento de datos, así como los retos y mínimos que consideramos debe tener cualquier organización que aspire a contar con una oferta competitiva de servicios. Igualmente relaciona varias de las herramientas que, en Inteligencia Artificial, pone a disposición la Plataforma Cloud de Google.

Diseño de Servicios = UX+AI+IxD: Herramientas para comprender las necesidades e intenciones del usuario

El diseño de servicios, puede definirse como el conjunto metodológico de estrategias y herramientas que buscan construir y entregar a los usuarios artefactos con valores adicionales que logran que ofertas que creemos son similares o idénticas, por ejemplo entre marcas competidoras, se diferencien radicalmente y brinden experiencias en las que el valor no está dado solo por quien ejecuta un proceso tradicional de mejor forma, sino con quien se garantiza un diálogo, un flujo de sentido, que interprete de mejor forma las necesidades e intenciones del usuario.

Sin importar el detalle o enfoque metodológico, quienes parten de la experiencia de usuario, parten realmente de las personas: su bagaje y sus necesidades; buscando que el producto resultante sobrepase los mínimos esperados y lo lleve a encontrar valor en la evaluación subjetiva: que sintió y cómo es una experiencia diferente a lo que otros pueden darle. Para ello las herramientas tradicionales se fundamentan principalmente en la evaluación del comportamiento y reacciones obtenidas para evaluar la experiencia del usuario. Como complemento del análisis tradicional, es clave entonces contar con datos suficientes, (en calidad y cantidad), acerca del usuario de forma tal que el ambiente de interacción dispuesto para él, se acople tanto a sus necesidades como a sus intenciones.

Machine Learning Definition según http://www.deeplearningbook.org/: The difficulties faced by systems relying on hard-coded knowledge suggest that AI systems need the ability to acquire their own knowledge, by extracting patterns from raw data. This capability is known as machine learning.

Dada la dinámica de evolución y mejoramiento que la competencia por oferta de servicios impone, el enfoque en experiencia de usuario ha cambiado de uno estático en el que se diseñaba y construía la experiencia asumiendo condiciones invariables del usuario, a uno dinámico en el que el servicio debe aprender, evolucionar y adaptarse para sobrepasar las expectativas del cliente.

Así entonces tiene mayor probabilidad de ganar la competencia el servicio que mejor aprenda y se adapte a las condiciones y necesidades del usuario. Esto implica que el proceso preliminar de conceptualización y diseño necesariamente debe contar con un conjunto de datos y herramienta que ayuden a construir información para que los diseñadores de experiencia los empleen dentro de sus tareas.

En el uso de la Inteligencia Artificial como generadora de servicios, puede partirse de la capacidad que tiene el equipo de diseño y desarrollo de producto, para incorporar el uso y análisis de datos de la historia y del comportamiento actual de los usuarios y así apoyar la toma de decisiones que generen que los artefactos entregados a los usuarios puedan aprender y predecir resultados.

¿Cuál es entonces el resultado?: Una nueva forma de definir UX, una en la que las experiencias son enriquecidas por la capacidad de adaptación que los entornos y servicios puedan tener para operar de forma personalizada para nuestros usuarios. Algunos ejemplos (entre muchos otros):

  • Allo: Una iniciativa de Google que busca hacer que la mensajería sea más fácil, eficiente y expresiva.
  • Motores de recomendación en e-commerce: Con base en el análisis de datos de co-ocurrencia entre productos, perfiles de usuario y el comportamiento del cliente que está en línea, son presentadas ofertas relacionadas con las referencias que se encuentra revisando.
  • Chat Bots
  • Asistentes en la toma de decisiones para inversión tomando en cuenta el análisis del perfil del usuario y su comparación con una población similar y las proyecciones del mercado.
  • Reconocimiento de imágenes para búsqueda de artículos.
  • Reconocimiento de voz para autenticación o apoyo en línea.
Oferta dinámica Imágen 1/2: En esta imagen la disposición de un landing que verían todos los clientes que visitan esta página por primera vez.
Oferta dinámica Imágen 2/2: El landing se reacomoda según el comportamiento de un usuario que de forma repetida a ingresado a las opciones con la imágen de las tarjetas de crédito y la caja fuerte. En este caso el landig se reajusta en disposición de oferta según la historia de comportamiento del usuario.

¿Por qué si estas técnicas de IA existen hace tanto, están teniendo mayor auge hoy día?

Si bien los algoritmos y teoría bases de inteligencia artificial y machine learning existen en su mayoría hace varias décadas, la viabilidad práctica ha tardado en llegar y actualmente gracias a la infraestructura de nube pública de bajo costo y alto desempeño, (como Google Cloud Platform) es posible usarlos sin restricciones y bajo esquemas financieros adecuados permitiendo realmente adopción rápida e integración con el negocio. Así, aparecen nuevos servicios que complementan y/o soportan su operación con la ayuda de AI/ML, gracias a aspectos como:

  • Disponibilidad de poder de cómputo a gran escala a bajo costo.
  • Facilidad para que los desarrolladores utilicen no solo técnicas de Machine Learning sino API completas disponibles a bajo costo o incluso de forma gratuita.
  • La presión de los usuarios y del mercado, por disponer plataformas en las que la relación directa con el usuario (la interface) se base cada vez más en formas “naturales de interacción” voz, imagen, movimiento, etc.
  • Evolución de arquitecturas tecnológicas a modelos altamente desacoplados en los que es posible poner a disposición del cliente servicios granulares lo cual permite el cobro por uso de funcionalidades altamente especializadas.

Puntos relevantes a tomar en cuenta ¡¡¡YA!!!

Las anteriores no son solo razones que sustentan el por qué la explosión de IA en el último tiempo, sino que son los indicadores de la reacción rápida que las organizaciones de todo tipo, que cuenten con activos y/o servicios digitales, deben emprender evolucionando en el modelo de diseño y despliegue de artefactos de interacción.

Entre otros los puntos más importantes del entorno actual a tomar en cuenta de forma inmediata son:

Venta de Modelos (Predictivos y/o Adaptativos) no venta de datos o de servicios que soportan procesos transaccionales tradicionales.

Desplazamiento de venta de procesos netamente transacciones y/o de datos sobre leads o clientes a modelos pre-entrenados; esto es: La generación de valor para el cliente final, fundamentada principalmente en UX, implica que cada vez más cobran relevancia no solo el procesamiento de datos y los procesos transaccionales de punta a punta, sino el modelamiento del comportamiento y la venta de estos modelos pre-entrenados, es decir, venta de aprendizaje de las organizaciones sobre el comportamiento de sus usuarios condensado en modelos.

Para emprender este camino la sugerencia es iniciar con tres elementos:

  • Un inventario clásico de datos acerca de los clientes y su comportamiento: este inventario debe incluir de forma integral la información de marcación de comportamiento que Google Analytics dispone, la información que el sistema de información Core de negocio brinda, CRM, Bases de datos de Leads o contacto, etc. En general buscar el modelamiento integral del cliente sobre un mismo esquema. Ideal: Google BigQuery, para garantizar tener el manejo adecuado de grandes volúmenes de datos en un esquema no relacional, con alta capacidad de crecimiento y velocidad de respuesta.
  • Definición de datos y segmentación del cliente enriquecida con mapas de puntos de contacto o similares, tales como el Buyer’s Journey. Con este insumo será posible definir un mapeo de oportunidades de generación de nuevos servicios para el cliente final. En una primera iteración sugerimos trabajar con indicadores que sean clave para el cliente, por ejemplo: ¿Cuáles son los portafolios de inversión que mejor se comportan para personas de 40 años con disponibilidad de inversión en dólares y a largo plazo?, ¿cuál es la ruta y aerolínea aérea con menos escalas y menor riesgo de demoras para llegar de una ciudad a otra?
  • Procesar los datos a la luz de los dos primeros puntos, con el objeto de buscar patrones de relacionamiento y/o comportamiento que no han sido evidentes. Este procesamiento puede realizarse apoyándose en las herramientas de Machine Learning de Google.

Proyectos centrados en la generación de valor

El enfoque de los proyectos ya no son los procesos tradicionales del negocio (se da por entendido que deben estar); ahora son los servicios que generen valor, aquellos que brindan una UX ampliada, adaptable y que aporten al usuario “como tu amigo te podría aportar al ayudarte en una tarea como ir de compras”.

Por otra parte la generación de valor no supone que deba contar con mi propia plataforma para despligue; el enfoque puede ser complementado o incluso centrarse en formas alternativas de diálogo, nuevas interfaces para disponer mi servicio sobre plataformas de terceros, por ejemplo: permito que pidan el taxi desde whatsapp, permito que pidan pizza por un tweet, respondo a una queja directo por análisis de conversaciones en facebook, leo la expresión del usuario y decido que ofrecerle, etc.

Bloques de construcción y servicios que aprenden

Darle un enfoque a los microservicios es ubicar no solo fichas de lego que cumplen con parte de un proceso, sino fichas que cuentan con modelos y bots que “saben” ejecutar tareas específicas y que incluso se han adaptado para aprender a ejecutarlas de mejor forma.

Estos servicios juntos, emergen con nuevas funcionalidades o servicios de mayor complejidad y mejor desempeño que en últimas impactan la UX.

Las tareas de captura y preparación de datos

El diseño y puesta en operación de procesos que de forma eficiente recolecten, agreguen, limpien y preparen datos, TODO TIPO DE DATOS: fotos, video, voz, texto, opiniones, calificaciones, comportamiento del usuario, sensores IOT, etc.

Los datos deben ser transformados de tal forma que estén listos para que servicios inteligentes puedan emplearlos. Por ello grupodot siempre sugiere que el paso inicial sea tanto conformar el inventario de datos “interesantes” para el negocio, como en establecer los mecanismos de carga, transformación y agregación que generen valor y operen de forma eficiente.

LAS APLICACIONES INTELIGENTES SON VIABLES SI Y SÓLO SI OPERAN SOPORTADAS EN BIG DATA

Big Data le da sentido y soporte a la operación de las aplicaciones inteligentes; es la base de la estrategia que permite garantizar que los modelos dispuestos puedan aprender y evolucionar.

Algunos ejemplos típicos de aplicación de este enfoque son enunciados en la siguiente gráfica.

Desafíos

El panorama es interesante y, cada vez más, cómodo para que la imaginación no tenga las ataduras que tradicionalmente la capacidad de procesamiento imponía. Sin embargo la velocidad y el enfoque integral que debe tener este nuevo proceso de diseño de servicios, supone grandes desafíos para los equipos de trabajo de las organizaciones en todos los sectores que cuenten con un interés o que ya estén operando con activos digitales.

Enunciamos algunos de ellos para los perfiles que tradicionalmente han estado en contacto con los servicios digitales dentro de las organizaciones:

Desafíos para los profesionales de diseño

Análisis y comprensión del cliente fundamentado en datos.

Interfaces y esquemas de interacción dinámicos, con la suficiente capacidad de adaptación a las intenciones y entorno del usuario.

Uso de las técnicas tradicionales de análisis del usuario mezcladas con la información que el procesamiento de datos puede dar sobre tendencias y referentes de uso en diferentes entornos alrededor del mundo.

Adquirir y/o incluir dentro de sus skills y lenguaje los mínimos acerca de la comprensión de modelos de datos y diseño de información.

Desafíos para los equipos de desarrollo

No centrarse únicamente en mapear el proceso de negocio en servicios digitales, ubicar en el foco principal al usuario con sus intereses y necesidades desde los datos, comenzar desde los servicios que los datos pueden poner a disposición e integrar de forma complementaria el mapeo tradicional del proceso.

Incluir dentro de sus skills y lenguaje los mínimos de Machine Learning y Procesamiento de datos. Sugerimos:

Desafíos para los CMOs

Enriquecer el análisis del cliente adicionando variables acerca del comportamiento y no solo del desempeño en micro-conversiones de transacciones tradicionales.

Buscar la conformación de un repostiorio unificado de datos sobre el cliente que mezcle segmentación tradicional con segmentación basada en el comportamiento.

Integrar al proceso de conceptualización y diseño de servicios un enfoque integral en el que se conformen equipos transversales con miradas lo más distantes posibles dentro de la organización: TI, Ventas, Soporte al Cliente, líderes de Producto, áreas de producción, etc.

Enfrentar que el crecimiento y efectividad ya no está basado en mensajes tipo broadcast y que cada vez más son requeridas interacciones a “la medida” de cada usuario.

Algunas Referencias (Utilizadas y Sugeridas)

1. Microservices, Martin Fowler http://martinfowler.com/articles/microservices.html

2. Tensorflow https://www.tensorflow.org

3. Playground https://playground.tensorflow.org

4. Google Cloud Platform https://cloud.google.com

5. Is conversational web the future of UX ? http://www.webdesignerdepot.com/2016/04/is-conversational-ux-the-future-of-the-web/

Show your support

Clapping shows how much you appreciated Diego ibagon’s story.