Servicios inteligentes a escala: Bases de datos para cumplir la promesa de IA

Introducción: ¿Demasiado rápido, demasiado pronto?

La IA es la tecnología del momento y el futuro previsible, pero los expertos de Thoughtworks activos en el campo están urgiendo a la precaución. Tanto si están ansiosos por aprovechar las oportunidades como si simplemente responden a la versión empresarial de la presión de los compañeros, algunas organizaciones se están apresurando a adoptar la IA sin sentar las bases necesarias para ponerla en uso productivo, o considerando cómo se integrará en los flujos de trabajo para generar valor para sus partes interesadas. 

“Los miembros de la junta directiva, porque escuchan mucho sobre la publicidad de la IA, pueden estar empujando a la dirección a hacer algo para que puedan anunciar inversiones en IA a los medios y accionistas”, señala Christine Welsch, directora de mercado de automoción y fabricación de Thoughtworks. “En otras partes del negocio, algunos equipos, especialmente aquellos de organizaciones que trabajan con tecnología heredada, pueden aburrirse con el status quo y estar ansiosos por explorar algo nuevo. Esos son ejemplos de solo dos fuerzas que apoyan los arranques falsos”. 

La buena noticia es que la adopción de la IA no tiene por qué ser una decisión rotunda, y que incluso en esta etapa relativamente temprana, hay ejemplos positivos que seguir. Las empresas líderes como BMW Group en Alemania ya han recorrido caminos claros hacia la productividad y los logros impulsados por la IA, que han trabajado estrechamente con los equipos de Thoughtworks para mejorar su capacidad de ofrecer soluciones impulsadas por la IA adoptadas por clientes internos y externos. ¿Qué lecciones tiene su experiencia para otras organizaciones cuando se trata de aplicar la IA para crear resultados significativos y desafíos a los que se enfrentan en el camino? 

El uso eficaz de la IA y los problemas que la impiden, en última instancia, se reducen a los datos. Las organizaciones pueden tener dificultades para obtener o gestionar los datos necesarios para proporcionar una base sólida para la IA, o incluso no estar seguras de que existan, dado el volumen abrumador y la complejidad de los datos con los que la empresa promedio debe enfrentarse ahora.

Muchos fabricantes de automóviles, como las empresas de otros sectores, generan datos como un subproducto de sus actividades, desde las ventas hasta la producción y la atención al cliente, pero rara vez han visto la necesidad de hacer algo con ellos hasta hace poco.

“Aprovechar los datos nunca fue una prioridad en las empresas de fabricación, pero es algo que todos tienen que aprender ahora”, dice Welsch. “La IA es una llamada de atención, porque las empresas ahora se dan cuenta de que hay oportunidades de negocio que no están aprovechando.

Aunque es positivo que los datos se entiendan más ampliamente como un activo, la concienciación también ha planteado más preguntas sobre si los datos son de calidad suficiente para servir como base para las predicciones y perspectivas generadas por IA. Es fácil entender por qué esta es una fuente importante de preocupación, especialmente en funciones no tecnológicas donde puede haber menos certeza sobre de dónde provienen los datos o cómo se han utilizado.

Una proporción significativa de líderes tecnológicos y empresariales son escépticos con respecto a la calidad de los datos de su organización

Problemas como estos apuntan a la necesidad de una plataforma robusta en la que los datos de alta calidad sean examinados, integrados y fácilmente accesibles como requisito previo para una estrategia de IA exitosa capaz de ofrecer resultados empresariales a largo plazo. Esto no es necesariamente tan complejo o costoso como muchas organizaciones esperan, pero la experiencia de empresas como BMW Group muestra que el proceso debe planificarse y abordarse deliberadamente. 

Aprovechando las opiniones y la experiencia práctica de los expertos de BMW Group y Thoughtworks, esta edición especial de Perspectives explorará cómo crear una plataforma escalable, rentable y preparada para el futuro para servicios y productos conectados basados en IA que sirvan a las prioridades organizativas y fomenten la fidelidad del cliente.

i. Poner en uso activos de datos    

BMW Group, relativamente pionero en adoptarlo, se embarcó en su iniciativa de plataforma de IA para vehículos conectados en 2021, cuando quedó claro que las demandas de características y funciones inteligentes de los vehículos, tanto de los clientes como dentro de la organización, estaban aumentando. 

Oliver Gruber, Director de Datos de Vehículos Conectados y Funciones de IA de BMW Group, explica que muchas unidades de negocio querían desarrollar soluciones basadas en IA, pero se enfrentaban a una alta barrera técnica para entrar. Eso subrayó la necesidad de acceso a los datos para el aprendizaje automático con respecto a la privacidad de los datos, las herramientas de ingeniería de datos y las oportunidades para operar y supervisar los modelos de aprendizaje automático. Una plataforma de IA se consideraba la única forma de acabar con la barrera y comenzar con la IA en serio. 

Otra motivación clave fue superar el desafío de ejecutar la IA a escala. BMW Group tuvo que operar sus modelos de aprendizaje automático e IA en todo el mundo y ponerlos a disposición de toda su flota de coches conectados. Este fue un desafío significativo para los equipos de ciencia de datos, ya que no solo tuvieron que desarrollar y entrenar modelos de aprendizaje automático, sino también poder escalarlos y ejecutarlos en producción.

Esta plataforma de IA también tenía que ser de “autoservicio”, ya que permitía a los equipos dentro de una organización desarrollar, mantener y operar casos de uso de IA, de forma relativamente independiente.

Es importante destacar que los equipos de Thoughtworks y BMW Group tomaron medidas para garantizar que la capacidad de ofrecer valor estuviera enfocada desde el principio. 

“Lo primero que se necesita antes de iniciar cualquier proyecto de IA o producto de datos es el caso de uso”, dice Welsch. “Esto significa preguntar “¿Cuál es el valor que obtendremos al implementar esto?” Sin un caso de uso, es como un parque infantil. Cualquier esfuerzo se convierte en experimentos puros y se arriesga a acabar como areneros que no producen nada que valga la pena invertir en serio”.

Por el contrario, “identificar un problema o necesidad que podría resolverse potencialmente con un producto de datos o IA es el mejor punto de partida, porque entonces habrá valor detrás de él”, añade.

Lamentablemente, esto no siempre es tan sencillo como parece, lo que significa que la IA puede ser la solución perenne en busca de un problema. Especialmente cuando se trata de GenAI, la identificación de los casos de uso adecuados se cita como un obstáculo importante tanto por parte de los adoptantes como de los no adoptantes, y más de la mitad de los encuestados a una reciente encuesta de O’Reilly sobre la implementación de GenAI nombran este mayor desafío al que se enfrentan.

Llevar a cabo un taller de descubrimiento para intercambiar ideas libremente y registrar las que se consideren más relevantes puede ayudar a las organizaciones a identificar posibles casos de uso, evaluar el alcance de las oportunidades y riesgos asociados con cada uno y priorizar en consecuencia. La clave es centrarse en los resultados concretos para los clientes o usuarios finales, y no distraerse con la necesidad de crear valor a partir de los enormes almacenes de datos de la organización en su propio interés, señala Welsch. 

“Cuando el cliente dice ‘Tengo tantos datos, ¿qué puedo hacer con ellos?” esa es la pregunta equivocada”, dice. “La pregunta debería ser ‘Tengo tantos problemas, ¿cuáles de ellos puedo resolver con los datos?’ Los líderes en el campo serán los que realmente comprendan su mercado y cómo los productos de datos marcarán la diferencia en el comportamiento o apetito del consumidor por el producto o servicio”. 

Con estos conocimientos, una base de datos preparada para IA posiciona a las empresas para acceder rápidamente y reutilizar datos y modelos para servir a los casos de uso que han priorizado.  

La plataforma de IA de vehículos conectados de BMW Group, por ejemplo, “permite a los científicos de datos que trabajan en casos de uso de vehículos conectados dentro de la empresa interactuar con cualquier dato enviado por los vehículos y derivar sus acciones de esto”, señala Fabian Nonnenmacher, Analista Comercial de Thoughtworks. 

Uno de los principales casos de uso de la plataforma de IA es la atención proactiva al cliente, es decir, detectar o predecir las demandas de mantenimiento de vehículos incluso antes de que surjan. Esto se considera un activo masivo en términos de proporcionar la mejor experiencia al cliente. 

Esta capacidad de mantenimiento predictivo funciona mediante el seguimiento de varios indicadores clave de rendimiento del vehículo, como el estado de las piezas del vehículo, y activa alertas cuando se detectan posibles demandas de servicio, señala Biplob Biswas, Ingeniero Líder de datos y aprendizaje automático de Thoughtworks. “Los conductores no solo reciben una notificación sobre las demandas de servicio en su aplicación, sino que el distribuidor elegido se pone en contacto con ellos de forma proactiva para que puedan dirigirse al centro de servicio antes de que el problema se agrave”.

Otro ejemplo de cuidado proactivo en BMW Group es la capacidad de identificar con precisión no solo la presencia, sino también la viabilidad de las estaciones de carga para coches eléctricos. 

“Los conductores de coches eléctricos quieren encontrar estaciones de carga con un cierto nivel de precisión, pero la información que BMW Group obtiene de los operadores de puntos de carga no siempre es correcta”, dice Welsch. “Ese era el problema que BMW Group quería resolver. Decidieron asignar los datos de los sensores del automóvil a la información proporcionada por los operadores para validar esa información y mejorar automáticamente la precisión de los datos”.  

El uso de un conjunto de vehículos anonimizados para verificar la presencia de una estación de carga y que proporciona la potencia que el operador del punto de carga ha documentado permite a BMW Group mapear y validar la infraestructura de carga pública más rápido que a través de informes proporcionados por los operadores, observa Welsch. 

Aunque las ventajas como estas pueden no ser la única razón por la que un consumidor elige comprar coches del Grupo BMW en lugar de otras marcas, sin duda pueden ser una consideración importante. “Si un amigo que tiene un vehículo eléctrico está molesto por el número de puntos de carga a los que necesita conducir antes de encontrar uno que realmente funcione y te cuente sobre eso, podría disuadirte de comprar uno”, dice Welsch.   

Otra característica potencial que se está desarrollando es la capacidad de predecir con precisión el estado y el rendimiento de las baterías de los coches eléctricos mediante la supervisión de sus estadísticas de carga. 

“La salud de la batería puede verse afectada por diversos factores, como la edad de la batería, las condiciones climáticas y el estilo de conducción del propietario del vehículo”, explica Biswas. “Si no se supervisa adecuadamente, podría funcionar por debajo de las expectativas”. 

“Es más, ya que actualmente es difícil recopilar y utilizar información de estado de la batería en tiempo real en sistemas backend, las estimaciones de algoritmos de ML se utilizan en su lugar”, añade Biswas. “Cualquier inexactitud en estas estimaciones puede dar lugar a mayores tasas de detección de errores durante las inspecciones de vehículos”.

Las capacidades de supervisión mejoradas permiten al propietario de un vehículo evaluar fácilmente el rendimiento de la batería de su automóvil, como cuánta carga tiene y cuánto puede retener, en circunstancias cambiantes del mundo real, a través del panel o la aplicación. 

Con una idea clara de los problemas del cliente o usuario final que desean resolver, las organizaciones pueden comenzar a dar forma a una plataforma con todas las características necesarias para ejecutar esa visión de éxito. 

En el caso de la plataforma de IA de BMW Group, la métrica clave fue “tiempo de comercialización de casos de uso de IA”, señala Nonnenmacher. “Nuestro objetivo para la plataforma era facilitar la vida de los científicos de datos, para que puedan centrarse en el trabajo científico de datos real y llevar los modelos de datos y las canalizaciones a la producción. Esto significa que BMW Group puede implementar nuevos casos de uso, ideas o características de productos en el dominio de la IA más rápido, con menos inversión”.

ii. Elementos tecnológicos de una base óptima   

Una vez que se ha establecido una visión, las organizaciones pueden utilizarla para guiar la construcción de una base de datos preparada para la IA. 

La tarea más compleja es proporcionar acceso a datos de alta calidad de forma constante, lo que es fundamental para el éxito de los modelos de IA y aprendizaje automático. 

“Para los casos de uso (IA), el objetivo principal es que todo sea reproducible, por lo que tienes una base para las comparaciones”, dice Nonnenmacher. “Esto puede significar entrenar un modelo hoy con un determinado producto de datos, y otra persona puede validar los resultados ejecutando la misma capacitación con las mismas entradas”.

“A medida que se crean nuevos datos, se envían al sistema de inferencia para predecir los resultados y, si no son ideales, el sistema de formación se utiliza para entrenar un nuevo modelo”, añade Biswas.  

“En el dominio de la IA conectada, por ejemplo, hay muchos coches ahí fuera y cargan nuevos datos cada día”, explica. “Se recogen más datos, lo que es bueno porque se pueden sacar más conclusiones de ellos, pero el desafío reside en convertir los datos para que sean coherentes con el conjunto de datos y el caso de uso existentes. Las organizaciones tienen que asegurarse de que cuando crean canales reproducibles o formación reproducible, siempre utilizan datos de alta calidad”.  

Básicamente, los datos de alta calidad que pueden servir como base para entrenar modelos de aprendizaje automático deben prepararse y procesarse de una determinada manera. Según Nonnenmacher, la configuración mínima requerida es un centro que permita la gobernanza de datos y proporcione capacidad de búsqueda, así como acceso a los datos para que los equipos puedan usarlos incluso si no crearon o recopilaron directamente los datos ellos mismos. 

A continuación, se debe establecer un entorno adecuado para la exploración de datos. “Normalmente, aplicaciones como Jupyter Notebooks se pueden utilizar para explorar datos e ideas de prototipos”, señala Nonnenmacher. “El siguiente paso es ajustar todo en un estado reproducible y comparable. Las plataformas que construimos permitirán a un equipo definir canales, donde pueden poner todos estos pasos en código, y volver a ejecutar experimentos basados en diferentes parámetros”. 

En BMW Group, los equipos pudieron aprovechar tres plataformas existentes para tener una ventaja inicial, señala Biswas. Uno recopiló datos de la flota de vehículos basándose en el consentimiento del cliente y otro fue un lago de datos que conectaba a todos los productores y consumidores de datos. La tercera era una plataforma independiente que gestionaba la mayoría de los requisitos de red, acceso y escalabilidad para las diversas ubicaciones donde opera el fabricante de automóviles, incluidas la Unión Europea y China. Dado que el equipo de Thoughtworks podía trabajar con la infraestructura existente, el proceso de creación de una plataforma de IA se aceleró, con el primer caso de uso incorporado en solo cuatro meses y en funcionamiento seis meses después.  

Una vez que la base de datos preparada para IA está en servicio, la usabilidad y la experiencia del desarrollador son determinantes clave del éxito de la plataforma. “El área de la IA está creciendo significativamente y siempre hay nuevas herramientas disponibles, por lo que es importante que la gente disfrute usándolas y las encuentre valiosas”, dice Nonnenmacher. “A veces, en el aprendizaje automático, las cosas llevan tiempo, pero siempre que es posible, incorporamos rápidos bucles de retroalimentación para acelerar las mejoras en la experiencia del usuario”.  

Componentes de una base de datos preparada para IA/ML

"Adaptar prácticas ágiles de desarrollo de software, como la entrega continua y aplicarlas a problemas de datos puede ayudar a resolver los desafíos que surgen en el camino, como llevar datos y modelos a la producción", añade Nonnenmacher.

iii. Ampliación al tiempo que se controlan los costes y se mantienen los estándares 

Empezar puede no ser fácil, pero la ampliación suele ser la etapa en la que las organizaciones experimentan más obstáculos al crear una base de datos para la IA, especialmente en empresas más grandes donde mantener el flujo de comunicación entre equipos siempre es un desafío. 

Las organizaciones deben intentar construir una “configuración repetible y automatizada que sirva a diferentes casos de uso porque, de lo contrario, todos empiezan desde cero y reinventan la rueda todo el tiempo”, dice Biswas. “Una vez que se dispone de un estándar y un conjunto repetible de tareas para los usuarios de datos, la plataforma funciona mejor para todos”.

Por lo tanto, la repetibilidad y la calidad constante son conceptos fundamentales que no solo sustentan las plataformas de IA, sino que también garantizan que puedan evolucionar para satisfacer los requisitos futuros.   

Para una empresa como BMW Group con una configuración internacional, la escalabilidad y la disponibilidad son especialmente importantes, señala Gruber. BMW Group necesita proporcionar tiempos de ejecución para modelos que puedan escalarse en función de la demanda procedente de una flota, que varía en función de la hora del día. Esto hace que la elasticidad, es decir, la capacidad de la plataforma de escalar hacia arriba y hacia abajo en respuesta a la demanda, sea esencial.

“Toda la idea de una plataforma de IA es hacer uso de sinergias para permitir múltiples casos de uso, eso es lo que queremos decir con escalar”, dice Nonnenmacher. 

Sin embargo, esto se enfrenta a la realidad de que “los usuarios o consumidores de datos pueden tener antecedentes muy diversos y a menudo necesidades muy diferentes”, añade. “Por lo tanto, cada equipo puede estar utilizando un conjunto diferente de herramientas para aprovechar esos datos”.

Las organizaciones también deben ser conscientes de la “compensación entre el tiempo de comercialización y ser relevantes y luego ampliarse a muchos usuarios diferentes”, señala Biswas.   

Si bien recurrir a los servicios en la nube administrados puede ayudar a las organizaciones a mantener sus inversiones iniciales a un nivel bajo y proporcionar un medio para escalar sin preocuparse por los requisitos de recursos o la capacidad de mantener una plataforma en crecimiento, estos acuerdos vienen con restricciones. 

“Un problema con las plataformas en la nube es que sus capacidades son de naturaleza muy genérica”, señala Biswas. “Finalmente tiene que personalizarlos según sus requisitos y esos costos deben tenerse en cuenta”.  

Así que también lo hacen los costes generales de impulsar el uso de servicios en la nube, que pueden aumentar rápidamente. 

Para muchas empresas, “la belleza de cualquier proveedor de la nube es que proporcionan diferentes capas de abstracción o modelos de responsabilidad compartida, por lo que hay una gama completa en la que se puede optimizar el coste”, dice Biswas. “Puede pasar de un modelo básico en el que se generan máquinas virtuales para usos específicos, al otro extremo del espectro con un entorno de aprendizaje automático completamente gestionado en el que solo hay que introducir el código, comienza a ejecutarse y puede implementar el modelo en un día”.  

El uso de un servicio gestionado en la nube reduce el esfuerzo operativo, pero si las demandas de procesamiento de datos aumentan o hay una necesidad de expandirse a diferentes regiones, el aspecto del coste aumenta significativamente. En una gran organización en la que un equipo de DevOps de plataforma dedicado es responsable de introducir nuevas funciones y mantenerse al día con la seguridad u otras actualizaciones, los costes se pueden controlar y, finalmente, reducir a medida que incorporan más casos de uso y logran economías de escala, señala Biswas.   

“El modelo híbrido que construimos para BMW Group alcanza ese punto óptimo en el que se puede escalar hasta el infinito, pero al mismo tiempo, no es necesario gestionar cómo funciona el escalado”, dice Biswas. “Permite a la organización comenzar de forma pequeña y rápida con servicios gestionados y, a continuación, ejecutar todo de forma nativa dentro del entorno de Kubernetes, que se escala realmente bien”.

Otros costes que pueden tener que tomarse en cuenta en el mantenimiento de una plataforma de IA incluyen tener equipos de servicio de guardia “para servir a los usuarios en diferentes zonas horarias y también para cumplir con las especificaciones de nivel de servicio”, añade Biswas. 

A medida que las organizaciones maduran en su enfoque para aprovechar los datos empresariales y crear plataformas personalizadas, se deben cumplir ciertas condiciones para garantizar que estas proporcionen un entorno propicio para la experimentación de IA a largo plazo.

Una es la capacidad de llevar a cabo una supervisión continua del rendimiento cuando los modelos se implementan en la producción, lo que es una consideración importante para BMW Group. Como señala Gruber, el comportamiento del modelo depende en gran medida de los datos que se utilizan para hacer predicciones, que pueden cambiar a lo largo de la vida útil de un modelo. Por lo tanto, es necesario poder supervisar esto y disponer de un sistema de alerta para los ingenieros de datos que les informe cuando el rendimiento de un modelo se desvíe y sea necesario volver a formarlo.  

“Nunca se puede controlar completamente un modelo de aprendizaje automático porque no estamos trabajando con algoritmos deterministas, por lo que siempre existe el riesgo de obtener datos falsos”, dice Nonnenmacher. “La supervisión de los modelos y la validación de los datos son medidas que garantizan que se minimice el daño potencial de sus predicciones. Tener un proceso de auditoría o documentar lo que realmente está sucediendo también constituye una gran parte de la evaluación de un modelo”. 

El otro requisito básico para la confianza en una plataforma es la transparencia de los datos. Para los científicos de datos que entrenan modelos de aprendizaje automático y producen nuevos datos basados en la información existente, el linaje de datos, que detalla el origen de los datos, su destino y los cambios intermedios, tiene que ser un hecho, señala Nonnenmacher. 

“La transparencia de los datos desempeña un papel importante en esa ecuación, ya que hace visible qué modelo se entrena en qué datos, por lo que los científicos de datos son conscientes cuando tratan con datos de información de identificación personal (PII)”, dice. Además, permite a los científicos de datos reconocer los sesgos capturados en los modelos y cumplir con los principios éticos de IA.

Un marco general de gobernanza de datos puede equipar a la organización con un modelo operativo y una estructura para trabajar en el cumplimiento y mantenimiento de los estándares normativos y de calidad de los datos. Tener la autorización y autenticación adecuadas para garantizar que se cumplan las normativas de residencia de datos previene cualquier desafío de cumplimiento, al igual que garantizar que se aplican los permisos de acceso a datos correctos, señala Biswas. Esto significa que las organizaciones deben implementar capacidades de auditoría o seguimiento para establecer líneas de visión claras siempre que se utilicen datos. 

La privacidad y la seguridad de los datos también son factores clave que deben abordarse. En BMW Group, se solicita explícitamente el consentimiento del cliente y los conductores deben suscribirse antes de recopilar cualquier dato. 

Biswas también señala que para BMW Group, los datos personalizados se cifran de forma predeterminada y se toman medidas adicionales para crear más capas de protección cuando sea necesario. 

“Siempre que un cliente marca cualquier atributo como particularmente sensible, este atributo de datos se cifra y se pseudoanonimiza, por lo que conserva los patrones necesarios para entrenar algoritmos de aprendizaje automático sin revelar los datos reales”, dice Biswas. “Si se necesitan los datos reales, los ingenieros de datos tienen que solicitar que estos conjuntos de datos sean descifrados. Todo este proceso es completamente auditable, por lo que las oportunidades de fuga de datos se minimizan y no hay ambigüedad en términos de cómo se accede o se utiliza la información”.  

BMW Group también está tomando medidas para mejorar sus algoritmos de aprendizaje automático para “identificar sesgos en un modelo y crear un linaje de modelo para averiguar qué datos generaron qué modelo, qué hiperparámetros se utilizaron para entrenar estos modelos y qué código era responsable”, según Biswas.  

La característica más crucial que influye en la viabilidad continua de una plataforma es la automatización, que permite que todos estos pasos, desde el acceso a los datos hasta la implementación de modelos en la producción, se ejecuten de forma continua, iterativa y conforme a la normativa. 

Esto significa implementar el principio de entrega continua para el aprendizaje automático (CD4ML) en la plataforma y crear canales automatizados para ejecutar todos los pasos del proceso. La ventaja es que la plataforma combina e integra todo el conjunto de herramientas que necesitan los científicos de datos. 

iv. Cultivar la aceptación, la educación continua: Plataformas como proceso  

Tan eficiente, rica en experiencia o conforme a las normas como una plataforma puede ser, su verdadero valor puede medirse en última instancia solo por cómo se utiliza. 

En el caso de BMW Group, diferentes departamentos tienen KPI para hacer un seguimiento del éxito de los casos de uso específicos. Con la propia plataforma de IA de vehículos conectados, Gruber considera que la adopción es el principal indicador de éxito y algo que necesitan supervisar muy de cerca.  

Sin embargo, como señala Welsch, los problemas organizativos que pueden no tener nada que ver con las capacidades de la plataforma pueden obstaculizar la adopción. “Normalmente, cuanto más amplio sea el caso de uso y más fuerte sea el caso de negocio, más complejos serán los desafíos organizativos que conlleva”, señala. 

Por ejemplo, la creación de valor puede verse obstaculizada si los propietarios de productos de datos no consiguen suficiente apoyo entre departamentos. “Tienes que convencer a otros equipos del valor de invertir en el producto de datos”, señala Welsch.

Una medida preventiva es monetizar los productos de datos internamente para incentivar la propiedad. Los expertos de Thoughtworks también señalan la importancia de recopilar información de los ciclos de descubrimiento y retroalimentación continuos, que pueden destacar diferentes casos de uso o los diferentes requisitos de uso de los consumidores de datos. 

Construir un producto altamente personalizado o ampliamente aplicable viene con compensaciones. Una estrategia, según Welsch, es crear un producto para que sirva a un caso de uso específico, pero también conserva cierta flexibilidad para crecer y servir a otros. 

En situaciones en las que la plataforma acaba de empezar o el valor de un producto de datos está en disputa, tener un gran campeón, como fue el caso con BMW Group, para dirigir el curso y reunir a la gente marca una gran diferencia. “En otros proyectos, hemos visto cambios repentinos en las estrategias cuando el campeón se mueve fácilmente por las opiniones de otras partes interesadas internas y eso no funciona”, advierte Biswas.    

Incluso cuando el apetito existe claramente, la falta de experiencia de los usuarios puede obstaculizar su capacidad para hacer uso de la plataforma.

En el ejemplo del sector automovilístico, muchos ejecutivos “tienen una amplia experiencia en ingeniería de máquinas y fabricación automotriz, pero debido a que la integración del software solo se hizo relevante en los últimos cinco años, carecen de experiencia práctica en el desarrollo de software”, dice Welsch. “Es difícil para ellos volver a ese nivel operativo y comprender realmente por qué las cosas son como son, por qué los desarrolladores de software deben trabajar con desarrolladores de hardware y por qué los datos de un coche son relevantes para cualquiera”. 

“También se necesita experiencia para llevar casos de uso de aprendizaje automático a producción, y solo entonces pueden crear valor”, señala Nonnenmacher. “Los diferentes equipos tienen conocimientos y antecedentes muy diferentes, y el desafío es enseñar a estos usuarios a usar la plataforma para que puedan aprovecharla al máximo”.

En el proceso de incorporación de diferentes casos de uso para BMW Group, los equipos de plataforma se enfrentaron al desafío de “acomodar a los usuarios con un conjunto diverso de habilidades y una gama de aplicaciones, desde casos de uso orientados a la investigación hasta casos orientados a la ingeniería”, dice Biswas.

“Necesitábamos hacer que la plataforma fuera más comprensible para todos, ya sea alguien que ni siquiera sabe cómo usar GitHub o Python, o personas que han estado haciendo una integración continua y una entrega continua todos los días”, añade. “Este ha sido un proceso iterativo, en el que hemos hecho la vida cada vez más fácil, y estamos viendo los beneficios de eso ahora mismo”.  

Por eso, la creación de una plataforma conlleva cierta responsabilidad de educar y permitir a los equipos de toda la organización, un deber que en empresas como BMW Group tiene un impacto de gran alcance. 

Un paso crucial que dio el equipo de Gruber fue introducir un recurso dedicado con Thoughtworks para incorporar equipos en la plataforma desde el principio. Según Gruber, esta resultó ser una práctica muy eficaz porque para muchos equipos, la IA era completamente nueva. Muchos de ellos tenían una pregunta principal: por dónde empezar.

Los equipos reciben apoyo desde el principio cuando se les ocurre una idea de caso de uso, señala Gruber. Se les proporciona orientación a lo largo del proceso, incluida ayuda para identificar las habilidades que necesitan y los requisitos para la configuración técnica. En algunos casos, colaboran con la plataforma y los expertos de Thoughtworks en pruebas de concepto. 

Los efectos se maximizan mediante la división del trabajo, añade Nonnenmacher. 

“Nos centramos en permitir casos de uso incorporándolos rápidamente y proporcionando una buena experiencia de usuario, pero también identificando posibles brechas de características y buscando soluciones”, dice. El equipo de la plataforma, por otro lado, se centra más en los datos y el desarrollo estratégico de la plataforma, como crear nuevas funciones, implementarlas correctamente y hacerlos más estables.   

Además de facilitar el proceso de incorporación, también se hicieron esfuerzos para abordar las necesidades a corto plazo de los usuarios ampliando la capacidad, para que varios equipos pudieran incorporarse más rápido, señala Nonnenmacher. “Para lograrlo, creamos plantillas de muestra para que comenzaran y también proporcionamos un kit de desarrollo de software que permite una interacción más fácil con la plataforma”. 

El equipo también fomentó la adopción al dirigirse específicamente a los usuarios cuyo trabajo se vería afectado. 

“Para aquellos que estaban preocupados por la posibilidad de cambiar toda su base de código, adoptamos un enfoque de levantamiento y cambio para la migración, de modo que pudieran empezar a usar su base de código existente en la plataforma con una interrupción mínima”, explica Biswas. “A continuación, trabajamos con ellos en los casos de uso para mostrarles cómo pueden seguir enfoques similares, pero posibilitar las mejores prácticas. Por ejemplo, entrega e integración continuas para que puedan ver sus cambios y canalizaciones directamente en la interfaz de usuario proporcionada por la plataforma. Una vez que tuvieron esta experiencia, se convirtieron en partidarios de nuestra plataforma”.  

Por lo general, “los usuarios que no tienen opiniones muy sólidas sobre lo que quieren usar, o cómo quieren usarlo, han sido muy abiertos y rápidos en adoptar la plataforma”, dice Biswas. “Pero con los demás, era necesario proporcionar más asidero en el proceso de incorporación y múltiples revisiones para ver si se enfrentan a algún problema”.   

También se establecieron sesiones semanales para responder preguntas que iban desde la arquitectura de la plataforma o las características faltantes hasta asuntos no técnicos, dice Biswas. Estos se complementaron además con canales en línea para solicitar orientación, documentación de incorporación y videos.  

Iniciativas como estas garantizan que después de un fuerte inicio, BMW Group pueda mantener la vista en lo que viene a continuación, tanto en casos de uso como en la evolución de la plataforma. 

Pensar en cómo ampliar la plataforma y observar de cerca las tendencias del mercado son las principales prioridades. GenAI también es uno de los temas estratégicos que BMW Group está analizando actualmente, dada su creciente adopción.  

Al igual que BMW Group, “las organizaciones deberían tener una visión en marcha cuando empiecen a pensar en algo así, porque hacerlo realidad no sucede de la noche a la mañana”, dice Biswas. “Es un proceso iterativo e implica pensar en lo que necesitan como empresa, lo que quieren proporcionar a los usuarios, integrar la plataforma en el ecosistema existente y su modelo de escalabilidad. Una vez que esto esté en marcha, adoptar una mentalidad de crecimiento ayudará a las organizaciones a gestionar el proceso y pasar constantemente al siguiente nivel”.