En su proceso de transformación digital, PRISA ha ido desarrollando y produciendo varios modelos de aprendizaje automático para lograr predecir el comportamiento de los usuarios de los medios de comunicación. Son modelos que han aportado valor al grupo, pero su actualización, así como su mantenimiento, se estaba realizando de forma manual.
El desafío
En PRISA no existía un entorno de trabajo unificado para desarrollar y poner en producción modelos de aprendizaje automático. En los modelos implementados en los últimos años se habían usado diferentes lenguajes de programación y distintas técnicas para automatizar su ejecución y consumo de resultados por las distintas áreas de negocio. El reto consistió en unificar la tecnología y crear un único ecosistema para que sus especialistas en Data pudieran industrializar los modelos.
La implementación de inteligencia artificial a escala requiere la automatización de muchos procesos y la administración de éstos, de manera que se consiga garantizar la calidad, estabilidad, confiabilidad y gobernanza de los diferentes y numerosos modelos.
La solución
Para poder desarrollar una arquitectura para industrializar modelos de ‘machine learning’, NTT DATA propuso a PRISA la solución MLOps en Google Cloud.
Esta solución ha permitido crear un ecosistema para producir modelos de datos y operaciones de aprendizaje automático. Está compuesta por una metodología ‘end-to-end’ y varias herramientas, y permite gestionar el ciclo de vida de los algoritmos de análisis avanzado y aprendizaje automático.
NTT DATA sigue siendo un socio tecnológico muy relevante para PRISA en varios servicios. PRISA ha mostrado su satisfacción por este proyecto ya que además de conseguir los objetivos marcados, NTT DATA le ha ayudado a formar a sus equipos de especialistas en Data.
Beneficios
Tras la implementación de la solución MLOps de Google Cloud, se han conseguido los siguientes beneficios:
- Creación de una arquitectura cloud para el desarrollo, despliegue y mantenimiento de modelos de ‘machine learning’.
- Reducción significativa de esfuerzo y tiempo para poner en producción los modelos.
- Estandarización de la utilización de los resultados de los modelos.
- Formación de los equipos de científicos de datos y aprendizaje de como industrializar modelos
- Migración a la nueva arquitectura de dos modelos predictivos claves para ayudar en la captación y retención de suscriptores.
