En este artículo nos centraremos en aplicar los conceptos que hemos visto en los artículos anteriores sobre IA y ML en el entorno SAP.
Como algunos conceptos seguirán apareciendo a lo largo de este y nuestro artículo sobre Machine Learning Operations, comenzamos haciendo un extenso resumen de lo aprendido hasta ahora sobre IA para aplicarlo a SAP.
Machine learning (ML) es una rama de la IA que permite a la máquina aprender a partir de los datos sin estar expresamente preparada para ella. Es decir, a diferencia de la programación tradicional ya no es necesario establecer reglas de programación, sino que a partir de las respuestas y los datos, con ML obtenemos las reglas con las que el sistema hará predicciones a partir de nuevos datos.
Si comparamos el proceso de ML con el de una cocina, los datos serían los ingredientes del plato que queremos preparar. A mayor calidad de estos ingredientes, tendremos más probabilidades de que el plato sea muy bueno. De hecho, es importante contar con una gran cantidad de ingredientes, pero eso sí, estos deberían ser de muy buena calidad.
Siguiendo con la metáfora culinaria, el algoritmo sería nuestro libro de recetas. Allí encontramos que los ingredientes podemos cocinarlos de muchas formas diferentes. Así, el mismo ingrediente podemos procesarlo haciendo distintas variaciones para obtener el plato principal. Como en el proceso de la alta cocina, en ML tratamos de aplicar diferentes recetas con los ingredientes de forma que obtenemos varios platos. Dependerá de los objetivos que tengamos y del cliente cuál de los platos formará parte del menú.
Se puede aplicar ML en cualquiera de los módulos de SAP. Estos son algunos ejemplos:
La ventaja de esta herramienta es que no requiere conocer lenguajes de programación como Phyton o R. Simplemente conociendo SQL podremos completar ciertas operaciones con ML.
Disponemos de dos tipos de perspectiva:
El punto de entrada es la base de datos, desde ella se puede trabajar con Librerías embebidas
90 algoritmos de ML que podemos usar con nuestros datos directamente en la base de datos de HANA. Es decir, son librerías que permiten modelos de ML en HANA pero que se deben parametrizar.
Es una librería algo más sencilla, ya que permite que desarrolladores que no conozcan mucho de ML la puedan utilizar.
Frameworks de integración: Permite utilizar Tensorflow y R sin salir de HANA, es decir, conectarnos a servidores externos en lugar de librerías.
En este caso trabajamos desde un servidor cualquiera para conectarnos con una base de datos HANA. Es decir, trabajamos con HANA desde el lado del cliente y podemos utilizar dos API:
SAP HANA Python
SAP HANA R
Este entorno combina todas las herramientas de HANA con nuevas funcionalidades. La más significativa es la posibilidad de crear escenarios inteligentes.
El Intelligent Scenario es un escenario inteligente es una representación ABAP para un caso de negocio predictivo. Es decir, una clase ABAP con una serie de pesos que responden a una necesidad de negocio. Existen escenarios ya creados que podemos probar en S/4 HANA o podemos crear los nuestros.
El framework que empleamos para estos escenarios inteligentes se llama Intelligent Scenario Lifecycle Management—ISLM— y nos permite gestionar el ciclo de vida de escenarios de ML dentro de S/4 HANA. Principalmente está formado por un integrador y dos aplicaciones Fiori.
Podemos crear un escenario inteligente con una herramienta de AutoML o directamente en Python.
Aquí también podemos trabajar con dos tipos de escenarios:
Recuerda, con Intelligent Scenario Lifecycle Management lo que podemos hacer es crear objetos ABAP que nos permitan integrarnos con modelos de ML. Hay dos tipos, embebido y side by side y siempre vamos a obtener o bien una vista CDS o una case ABAP que nos permita interactuar con estos modelos y obtener de esta manera las predicciones.
En el Business Technology Platform, cloud de SAP, existen tres vías para poder crear inteligencia artificial:
En este entorno, la función más representativa es la de predictive scenario que permite crear escenarios predictivos sobre nuestros datos de las formas que ya conocemos:
¿Cómo funciona? Veamos un ejemplo. Con los datos dentro de SAP Analytics Cloud ejecutamos la función predictive scenario tipo regresión e indicamos las tablas en las que están los datos, el predictor (por ejemplo, ventas), los atributos (características que ya están dentro del modelo de SAP). El modelo se entrena en la nube en la que esté SAP (no se paga por infraestructura) y crea el escenario predictivo. Si luego lo queremos consumir, solo tenemos que darle los datos reales.
Se trata de una solución integral para la gestión de datos —desde la ingesta hasta el propio consumo— que transforma los datos distribuidos en información inteligente, relevante y contextualizada. Nos permite integrar, gestionar y procesar datos, lo que se traduce en una mejor toma de decisiones.
Podríamos decir que engloba todas las funciones anteriores.
En el próximo artículo, veremos que es ML Ops o Machine Learning Operations. Se trata de una extensión de DevOps cuyo objetivo es implementar y mantener modelos de aprendizaje automático que integre equipos de datos, desarrolladores, seguridad e infraestructura. No te pierdas el próximo artículo porque te contamos por qué es importante MLOps en un mundo dominado por los datos.
Creamos nuevos productos y servicios superiores hibridando la tecnología con los modelos de negocio
¿En que estás interesado?
¡Ya has completado el formulario!
¡Ya has completado el formulario! Revisaremos tu solicitud y nos pondremos en contacto contigo lo antes posible.
Gracias por confiar en nosotros.