¿Que es el TinyML?

¿Qué es el TinyML? los dispositivos inteligentes más pequeños que nunca

Una pregunta que cada vez más profesionales hacen es: ¿Qué es el TinyML? El TinyML es un tipo de aprendizaje automático que reduce las redes de aprendizaje profundo para que quepan en un hardware diminuto. Es el nexo de unión entre la inteligencia artificial y los dispositivos inteligentes: puede caber una inteligencia artificial de 45x18mm en el bolsillo. De repente, tienes un modelo de aprendizaje automático en miniatura incrustado en un proyecto de fin de semana de bricolaje en tu placa Arduino. Los dispositivos embebidos de ultra bajo consumo están invadiendo nuestro mundo, y los nuevos marcos de aprendizaje automático embebidos harán aún más posible la proliferación de dispositivos IoT con IA.

Traduzcamos esta jerga: ¿qué es TinyML? Y lo que es más importante, ¿para qué se puede utilizar (y para qué no)?

¿Qué es el TinyML? Una introducción


El aprendizaje automático es un término que existe desde hace tiempo y tiene muchas aplicaciones útiles para los datos caóticos que necesitan tener sentido. Sin embargo, no suele asociarse con el hardware. Por lo general, el aprendizaje automático y el hardware están vinculados a la nube, pero ésta tiene sus propios problemas de latencia, consumo de energía y pone a las máquinas a merced de las velocidades de conexión.

Sin embargo, la aplicación del aprendizaje automático a los dispositivos no es nueva. Desde hace varios años, la mayoría de nuestros teléfonos móviles cuentan con algún tipo de red neuronal. La identificación de música del dispositivo y los numerosos modos de cámara (visión nocturna, modo retrato, etc.) son solo algunos ejemplos de cómo depende del aprendizaje profundo incorporado. Los algoritmos pueden prolongar la duración de la batería del teléfono identificando las aplicaciones que probablemente volveremos a utilizar y desactivando las que no necesitamos. Pero la IA incorporada conlleva una serie de retos, algunos de los cuales son problemas de energía y espacio. Aquí es donde entra TinyML.

Los datos de los sensores de los dispositivos requieren una gran potencia de cálculo, lo que se traduce en un espacio de almacenamiento limitado, unidades centrales de procesamiento (CPU) limitadas y un rendimiento deficiente de las bases de datos. tinyML permite el aprendizaje automático mediante la incorporación de inteligencia artificial en un hardware diminuto. TinyML hace posible el aprendizaje automático al integrar la inteligencia artificial en un hardware pequeño, lo que permite que los algoritmos de aprendizaje profundo entrenen una red en el dispositivo y reduzcan su tamaño sin el obstáculo adicional de enviar los datos a la nube, es decir, la latencia para analizarlos.

TinyML: Comprender los fundamentos


Pete Warden, gurú de TinyML y jefe de ingeniería de TensorFLow Lite en Google, ha publicado un libro con Daniel Situnayake. El libro, TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers, es el libro de referencia en este campo.

Para los que no son expertos, aquí están las traducciones de algunos de los términos técnicos.

Arduino es un fabricante de hardware de código abierto que permite a cualquiera comprar una placa de microcontrolador y construir su propio dispositivo digital.
Un microcontrolador es un pequeño ordenador en un circuito de chip semiconductor, básicamente un conjunto de circuitos electrónicos en una pequeña superficie plana, generalmente de silicio. Este conjunto de hardware puede funcionar en lugar del tradicional ordenador de placa única Raspberry Pi preconstruido, y requiere mucha menos energía y espacio.


Por último, TensorFlow Lite es un marco de aprendizaje automático integrado creado por Google con una subcategoría diseñada específicamente para microcontroladores. en 2019, además de TensorFlow Lite, uTensor y CMSIS- de Arm. NN, y otros marcos que se centran en la miniaturización, la aceleración y la adaptación de los modelos de aprendizaje profundo al hardware integrado han comenzado a surgir. Al mismo tiempo, empezaron a aparecer varios tutoriales en YouTube sobre cómo utilizar TinyML y marcos similares con microcontroladores potenciados por la IA para entrenar y validar pequeños conjuntos de redes neuronales e implementarlos en hardware mediante motores de inferencia.


Actualmente, la Arduino Nano 33 BLE Sense es la única placa de 32 bits compatible con TensorFlow Lite, lo que pone el aprendizaje automático integrado en el hardware al alcance de todos. Arduino ha estado trabajando con la startup Edge Impulse Trabajando juntos, estamos reduciendo el consumo de energía mediante el procesamiento de datos directamente en la interfaz del sensor a través de un motor de inferencia, enviando los datos sólo cuando realmente importa, de una manera más rápida, eficiente y escalable.

Algunas interfaces de programación de aplicaciones (API) en la nube no son interactivas o son restrictivas en términos de consumo de energía. Algunas interfaces de programación de aplicaciones (API) en la nube no son interactivas o son restrictivas en cuanto al uso de la energía.

La diferencia entre esto y el aprendizaje automático basado en el teléfono móvil descrito anteriormente es que TinyML permite utilizar baterías y dispositivos de recolección de energía sin tener que recargar o cambiar manualmente las baterías debido a las limitaciones de energía. Lo consideramos un “procesador digital de señales siempre activo”. Esto significa que puede funcionar con menos de 1 milivatio de energía, por lo que es un dispositivo que puede funcionar con baterías durante años, o un dispositivo que puede utilizar la recolección de energía. Esto se debe a que incluso las radios de baja potencia de corto alcance utilizan de decenas a cientos de milivatios de energía y sólo pueden proporcionar energía durante cortos períodos de tiempo. Esto requiere un código que se ejecuta en cantidades muy pequeñas de memoria -decenas de kilobytes-, lo que lo diferencia de una Raspberry o un teléfono móvil. Según los expertos, la idea de TinyML es hacer que sea lo más asequible posible para permitir su proliferación masiva, llegando a tener billones de microcontroladores de 32 bits, baratos y con sensores independientes, que puedan venderse por 0,50 dólares.

Pete se unió a Google en 2014, cuando descubrió que el equipo de Google OK podía ejecutar una interfaz de voz y una llamada de despertador en solo 13 kilobytes. Lo hacían incluso cuando la pantalla de bloqueo estaba encendida y utilizaban muy poca energía, incluso cuando el dispositivo estaba enchufado a la pared para ahorrar energía. Su sueño es ampliar la aplicación Wakeword para convertirla en una aplicación de reconocimiento de voz que sea barata, funcione con un píxel hasta un año y funcione con una pila de botón que quepa en 18 megabytes. Imagina todos los interruptores, botones y componentes que ya han sido sustituidos por Wakeword. Entonces piense en qué más se podría sustituir. Otro tema es la integración de interfaces de audio y señales visuales con TinyML. Esto permite que el dispositivo entienda cuándo lo estás mirando, a la vez que elimina el ruido de fondo de otras personas hablando, equipos industriales, etc.

Aplicaciones y casos de uso con TinyML


El mantenimiento predictivo es probablemente uno de los casos de uso más impactantes. La industria del automóvil también podría beneficiarse de TinyML en un entorno industrial, ya que la potencia es menos restrictiva en comparación con el coste y la fiabilidad. Por ejemplo, la startup de IoT Coastline está utilizando un sensor de ultrabajo consumo en su motor, y ha observado que puede funcionar hasta cinco años con el mismo par de baterías si consume menos de un milivatio de energía. Esto es una gran ventaja en entornos industriales, donde suele ser más difícil conectar los equipos a una fuente de alimentación que en casa. Sin embargo, el ciclo de sustitución de los equipos industriales es bastante largo, lo que dificulta la innovación.

El aprendizaje en el dispositivo puede utilizarse en la automatización de edificios (piense en el uso de sensores de visión de bajo consumo en los sistemas de iluminación de las oficinas que se apagan si no se mueve), en los juguetes (piense en el acelerómetro de reconocimiento de gestos de Arduino utilizado en la varita mágica) y, en última instancia, en el desarrollo y las pruebas de medicamentos (aunque este ámbito está muy limitado por la normativa), lo que reduce considerablemente el tiempo necesario. En comparación con los entornos industriales, los ciclos iterativos rápidos permiten una mayor retroalimentación y más espacio para la experimentación.

El análisis de audio, el reconocimiento de patrones y las interfaces de voz hombre-máquina son las áreas en las que TinyML se aplica más ampliamente en la actualidad. Muchos sectores pueden beneficiarse del análisis del habla, como el cuidado de niños y ancianos, la seguridad y la supervisión de equipos. Por ejemplo, el modelo de sonido TinyML detecta anomalías mediante el análisis del habla agrícola y pequeños sensores de alerta en tiempo real. En relación con COVID-19, Edge Impulse y Arduino han utilizado recientemente la placa Nano BLE Sense En relación con COVID-19, Edge Impulse y Arduino han presentado recientemente un proyecto para detectar la presencia de un sonido de tos específico en tiempo real utilizando la placa Nano BLE Sense, aplicando un modelo TinyML altamente optimizado para construir un sistema de detección de tos que se ejecuta en menos de 20kB de memoria de acceso aleatorio (RAM).

Además del audio, TinyML también puede utilizarse para el reconocimiento visual, de movimientos y de gestos.

Según Pete Warden, TinyML penetrará en muchos sectores. Afectará a casi todos los sectores, incluidos el comercio minorista, la sanidad, el transporte, el bienestar, la agricultura, el fitness y la fabricación. Nuestro teléfono móvil puede convertirse en un dispositivo de a bordo que adquiere datos añadiendo la pestaña de adquisición de datos en Edge Impulse Studio y seleccionando un sensor. Por ejemplo, un sensor acelerómetro que muestre el movimiento del teléfono. Esto permite ejecutar potentes modelos de aprendizaje basados en redes neuronales artificiales (RNA) y muestrear pequeños sensores junto con un microcontrolador de bajo consumo.

Según la reseña de Pitchbook sobre espacios emergentes, se han invertido 26 millones de dólares en TinyML desde enero de 2020, incluyendo inversiones de capital riesgo por parte de aceleradores, inversores en fase inicial e inversores en fase final. Esta cifra es relativamente pequeña en comparación con otras ramas más consolidadas de la IA y el ML, como el etiquetado de datos. En cuanto a las tendencias, el número de acuerdos está aumentando ya que compite con otros temas candentes como la computación cognitiva, la seguridad de próxima generación y las AIOps.

TinyML. ¿Qué nos depara el futuro?


El aprendizaje automático minúsculo está experimentando un crecimiento explosivo en el aprendizaje automático, y la facilidad de uso de plataformas como TensorFlow (TF) lo convierte en un tema de aprendizaje esencial para los estudiantes de informática modernos.”

Actualmente hay más de 250.000 millones de dispositivos integrados en funcionamiento en todo el mundo, con una tasa de crecimiento anual prevista del 20%. Estos dispositivos recogen grandes cantidades de datos, lo que hace que su procesamiento en la nube sea un gran reto. De estos 250.000 millones de dispositivos, sólo unos 3.000 millones son compatibles con TensorsFlow Lite en la producción actual, y TinyML puede salvar la brecha entre el hardware de a bordo y la inteligencia del dispositivo. Hacer que TinyML sea accesible para los desarrolladores es esencial para la adopción masiva del aprendizaje automático integrado para convertir datos inútiles en conocimiento procesable, y para crear nuevas aplicaciones en muchas industrias.

A medida que surgen nuevos tipos de interfaces hombre-máquina (HMI) y crece el número de dispositivos inteligentes, TinyML tiene el potencial de cambiar el paradigma de la inteligencia artificial y la computación ubicua en el borde de una manera más barata, más escalable y más predecible. Tiene el potencial de hacer precisamente eso”.

Las últimas noticias sobre ciencia, tecnología y cultura digital

Transformers en Deep Learning

 

      Interesante explicación de los transformers en Deep Learning

 

Esto un tema que creo que es importante que los profesionales lo entiendan porque representa un cambio real en el procesamiento del lenguaje natural, como si tuviera 12 meses, pero es una de esas cosas que es increíblemente significativa en el campo, y es el avance que los Transformadores introducen en el campo del reconocimiento de lenguaje natural.

Leo Dirac (@leopd) habla de cómo los modelos LSTM para el Procesamiento del Lenguaje Natural (PNL) han sido prácticamente reemplazados por modelos basados en transformadores. Conocimientos básicos sobre PNL, y una breve historia de las técnicas de aprendizaje supervisado de documentos, desde la bolsa de palabras, a través de RNNs de vainilla y LSTM. Luego hay una inmersión técnica profunda en cómo funcionan los transformadores con auto-atención de múltiples cabezas, y codificación posicional. Incluye código de muestra para aplicar estas ideas a proyectos del mundo real.

 

Libros gratuitos big data data science inteligencia artificial

Libros gratuitos sobre Big Data, Data Science e Inteligencia Artificial 2020

Algunos libros gratuitos y recursos que he encontrado sobre las nuevas tecnologías Big Data, Data Science, Inteligencia Artificial entre muchas otras. Iré actualizando el listado a medida que vaya encontrando materiales.

Libros gratuitos sobre Big Data, Data Science e Inteligencia Artificial

A pesar de estamos viviendo en una época audiovisual, muchas veces la mejor de aprender algo de formalmente abstracto y con una fuerte carga de matemáticas, siguen siendo los libros.

Estos son capaces de adaptarse a nuestra velocidad de comprensión, podemos revisarlos cuantas veces queramos y si no son digitales, nos obligan a introducir el código de los diferentes algoritmos que pretendamos implementar. Por ese motivo, todos los que quieran ir realmente en serio, deberían plantearse un plan de lectura de algunos libros importantes dentro de la temática.

Hay muchos disponibles en Internet, y siempre que encontremos algún nuevo procuraremos listarlo en este post para poder dejarlo documentado a todos los que busquen buenas referencias de lectura sobre estas áreas.

Hemos dividido los libros en diferentes categorías sobre si son más sobre bases matemáticas, más sobre inteligencia artificial o sobre Data Science, para de esta forma sea más fácil encontrarlo y poder consultarlos.

Si sabes libros gratuitos que no estén listados y quieres compartirlos con nosotros, déjalo como comentario a este hilo, y procuraremos poder incluirlos, lo más rápidamente posible para disponibilizar lo con la comunidad.

Para más artículos sobre esta temáticas, puedes ver otros artículos que hemos publicado anteriormente

FUNDAMENTOS MATEMÁTICOS

Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares Stephen Boyd and Lieven Vandenberghe Cambridge University Press Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares (Ingles)
Stephen Boyd and Lieven VandenbergheCambridge University PressDescarga Original:StandordCopia Innovascape: Enlace
Linear algebra

Linear Algebra

A Free text for a standard US undergraduate course

Jim Hefferon
Mathematics and Statistics Department
Saint Michael’s College
jhefferon at smcvt.edu

https://hefferon.net/linearalgebra/

INTELIGENCIA ARTIFICIAL

Artificial Intelligence A Modern Approach, 1st Edition

Artificial Intelligence

Artificial Intelligence A Modern Approach, 1st Edition (Ingles)

Stuart Russell, 1995

Comprehensive, up-to-date introduction to the theory and practice of artificial intelligence. Number one in its field, this textbook is ideal for one or two-semester, undergraduate or graduate-level courses in Artificial Intelligence.

Descarga Original: ufpe.br

Copia Innovscape : Enlace

Learning Deep Architectures for AI

Learning Deep Architectures for AI

(Ingles)

Yoshua Bengio, 2009

Foundations and Trends(r) in Machine Learning.

Descarga Original: github

Copia Innovscape : Enlace

Natural Language Processing with Python

Natural Language Processing with Python

Steven Bird, 2009

This book offers a highly accessible introduction to natural language processing, the field that supports a variety of language technologies, from predictive text and email filtering to automatic summarization and translation.

Descarga Original: NTLK

Actualizado a python 3

Programming Computer Vision with Python

Programming Computer Vision with Python

Jan Erik Solem, 2012

If you want a basic understanding of computer vision’s underlying theory and algorithms, this hands-on introduction is the ideal place to start. You’ll learn techniques for object recognition, 3D reconstruction, stereo imaging, augmented reality, etc

Descarga Original:ProgrammingComputerVision

Enlace Innovascape: Enlace

A Course in Machine Learning

Data Mining and Machine Learning

A Course in Machine Learning (ingles)

Hal Daumé III, 2014

An introduction training to Machine Learning with good examples

Descarga Original😛DF

Enlace Innovascape: Enlace

BIG DATA

Big Data Now: 2012 Edition

Big Data Now: 2012 Edition

O’Reilly Media, Inc., 2012

This is not just a technical book or just a business guide. Data is ubiquitous and it doesn’t pay much attention to borders, so we’ve calibrated our coverage to follow it wherever it goes.

Descarga Original: Oreilly

Copia Innovscape : Enlace

Disruptive Possibilities: How Big Data Changes Everything

Disruptive Possibilities: How Big Data Changes Everything (Inglés)

Jeffrey Needham, 2013

This book provides an historically-informed overview through a wide range of topics, from the evolution of commodity supercomputing and the simplicity of big data technology, to the ways conventional clouds differ from Hadoop analytics clouds.

Descarga Original: Oreilly

Copia Innovscape : Enlace

Hadoop in the Enterprise: Architecture - Guide to Successful Integration

Hadoop in the Enterprise: Architecture – Guide to Successful Integration

Jan Kunigk, Ian Buss,
Paul Wilkinson & Lars George

This practical book provides a comprehensive guide on how to make enterprise Hadoop integration successful. Also, you will learn how to build a Hadoop infrastructure, architect an enterprise Hadoop platform, and even take Hadoop to the cloud.

Descarga Original: Pentaho

Copia Innovscape : Enlace

Learning Apache Spark

Learning Apache Spark with Python

Wenqiang Feng

A practical free book on programming Apache Spark with Python.

Descarga Original: PDF

Copia InnovaScape: Enlace

Otros Libros Gratuitos:

https://goalkicker.com/

La INTELIGENCIA ARTIFICIAL como innovación disruptiva del FUTURO DE LOS BANCOS

La INTELIGENCIA ARTIFICIAL como innovación disruptiva del FUTURO DE LOS BANCOS

 

La INTELIGENCIA ARTIFICIAL como innovación disruptiva del FUTURO DE LOS BANCOS

 

La disrupción digital está redefiniendo las industrias y cambiando la forma en que funcionan muchos negocios. Cada industria está evaluando opciones y  formas de adopción para crear valor en un mundo impulsado por la tecnología. El sector bancario está siendo testigo de cambios revolucionarios: sobre todo en torno de la atención al cliente.

 

Los clientes conocedores de la tecnología, expuestos a las tecnologías avanzadas en su vida cotidiana, esperan que los bancos les ofrezcan experiencias sin fisuras. Para cumplir con estas expectativas, los bancos han ampliado su panorama industrial al comercio minorista, la tecnología de la información y las telecomunicaciones para permitir servicios como la banca móvil, la banca electrónica y las transferencias de dinero en tiempo real. Si bien estos avances han permitido a los clientes aprovechar la mayoría de los servicios bancarios que tienen a su alcance en cualquier momento y lugar, también han supuesto un coste para el sector bancario.

 

La unión de la banca y sectores como la informática, las telecomunicaciones y el comercio minorista ha aumentado la transferencia de información crítica a través de redes virtuales que son vulnerables a los ataques cibernéticos y a la fraudulencia. Estos incidentes no sólo afectan a la rentabilidad de los bancos, sino que también dificultan la confianza de los bancos y la relación con los clientes.

 

El aumento de las amenazas a la seguridad en línea en las transacciones bancarias ha hecho más estrictas las reglamentaciones gubernamentales. Aunque estas regulaciones son útiles para supervisar las transacciones financieras en línea, han limitado la capacidad de los bancos para mantenerse al día con la transformación digital. Los bancos no pueden invertir en tecnología, ya que tienen que mantener el coeficiente de adecuación del capital según las directrices del marco normativo internacional. Así pues, los bancos son presa de la competencia que plantean los ágiles actores de la tecnología financiera (FinTech), que no tienen que mantener el coeficiente de adecuación del capital. Según el Informe sobre la banca minorista mundial de 2016, aproximadamente la mitad de los clientes de todo el mundo han informado de que es más probable que cambien sus bancos con estos actores.

 

Banca de Inteligencia Artificial

La INTELIGENCIA ARTIFICIAL como innovación disruptiva del FUTURO DE LOS BANCOS

Aprovechar la tecnología cognitiva con la Inteligencia Artificial (IA) aporta la ventaja de la digitalización a los bancos y les ayuda a hacer frente a la competencia que plantean los jugadores de FinTech. De hecho, alrededor del 32% de los proveedores de servicios financieros ya están utilizando tecnologías de IA como el Análisis Predictivo, el Reconocimiento de Voz, entre otras, según una investigación conjunta realizada por el Instituto Nacional de Investigación Empresarial y Ciencias Narrativas.

 

La Inteligencia Artificial es el futuro de la banca, ya que aporta el poder del análisis avanzado de datos para combatir las transacciones fraudulentas y mejorar el cumplimiento. El algoritmo de la IA logra actividades contra el lavado de dinero en pocos segundos, que de otra manera toman horas y días. La IA también permite a los bancos gestionar grandes volúmenes de datos a una velocidad récord para obtener valiosos conocimientos de ellos. Características como los robots de la IA, los asesores de pagos digitales y los mecanismos biométricos de detección de fraudes dan lugar a una mayor calidad de servicios a una base de clientes más amplia. Todo ello se traduce en un aumento de los ingresos, una reducción de los costos y un aumento de los beneficios.

 

La Inteligencia Artificial está fortaleciendo la competitividad de los bancos a través de:

 

  • La mejora de la experiencia del cliente: Basándose en las interacciones pasadas, la IA desarrolla una mejor comprensión de los clientes y su comportamiento. Esto permite a los bancos personalizar los productos y servicios financieros añadiendo características personalizadas e interacciones intuitivas para ofrecer un compromiso significativo con el cliente y construir relaciones sólidas con sus clientes.
  • Predicción de resultados y tendencias futuras: Con su poder de predecir escenarios futuros mediante el análisis de comportamientos pasados, la IA ayuda a los bancos a predecir resultados y tendencias futuras. Esto ayuda a los bancos a identificar fraudes, detectar patrones de lavado de dinero y hacer recomendaciones a los clientes. Los lavadores de dinero, a través de una serie de acciones, muestran que la fuente de su dinero ilegal es legal. Con su poder de aprendizaje automático y cognición, la IA identifica estas acciones ocultas y ayuda a salvar millones para los bancos. De manera similar, la IA es capaz de detectar patrones de datos sospechosos entre volúmenes ingentes de datos para llevar a cabo la gestión del fraude. Además, con sus motores de recomendación clave, la IA estudia el pasado para predecir el comportamiento futuro de los puntos de datos, lo que ayuda a los bancos a realizar con éxito ventas cruzadas y de mayor valor.
  • Automatización de procesos cognitivos: Esta característica permite la automatización de una variedad de servicios bancarios intensivos en información, costosos y propensos a errores, como la gestión de reclamaciones. Esto asegura el retorno de la inversión, reduce los costos y asegura un procesamiento preciso y rápido de los servicios en cada paso. La automatización de procesos cognitivos automatiza fundamentalmente un conjunto de tareas que improvisa sobre sus iteraciones anteriores a través de un constante aprendizaje de la máquina.
  • Interfaces interactivas realistas: Los chatbots identifican el contexto y las emociones en el chat de texto y responden a él de la manera más adecuada. Estas máquinas cognitivas permiten a los bancos no sólo ahorrar tiempo y mejorar la eficiencia, sino también ayudar a los bancos a ahorrar millones de dólares como resultado del ahorro de costes acumulado.
  • Toma de decisiones eficaz: Los sistemas cognitivos que piensan y responden como expertos humanos, proporcionan soluciones óptimas basadas en los datos disponibles en tiempo real. Estos sistemas mantienen un repositorio de información experta en su base de datos llamada base de datos de conocimientos. Los banqueros utilizan estos sistemas cognitivos para tomar decisiones estratégicas.
  • Automatización robótica de procesos: La IA revisa y transforma los procesos aplicando la Automatización Robótica de Procesos (RPA). Esto permite la automatización de alrededor del 80% de los procesos de trabajo repetitivos, permitiendo a los trabajadores del conocimiento dedicar su tiempo a operaciones de valor añadido que requieren un alto nivel de intervención humana.

 

Futuro impulsado por la IA

 

La IA no sólo dará poder a los bancos mediante la automatización de su fuerza de trabajo del conocimiento, sino que también hará que todo el proceso de automatización sea lo suficientemente inteligente como para eliminar los riesgos cibernéticos y la competencia de los jugadores de FinTech.

La IA, que forma parte integral de los procesos y operaciones del banco, y sigue evolucionando e innovando con el tiempo sin una considerable intervención manual.

La IA permitirá a los bancos aprovechar de manera óptima las capacidades humanas y mecánicas para impulsar la eficiencia operativa y de costes, y ofrecer servicios personalizados.

Todos estos beneficios ya no son una visión futurista a cumplir por los bancos. Al adaptar la IA, los líderes del sector bancario ya han tomado medidas que les permitirán coger el tren del futuro y competir eficazmente contra todo una nueva panoplia de competidores nunca antes visto.

 

Puedes leer más artículos sobre inteligencia artificial en la sección de inteligencia artificial.