GLP adopta el análisis de datos impulsado por IA en Microsoft Azure

como ayudamos

Al presentarle GLP más de 20 casos de uso potenciales para su solución de análisis de datos impulsada por IA, el equipo de Foundry for AI by Rackspace (FAIR™) se embarcó en una serie de sesiones de descubrimiento para analizar meticulosamente las necesidades de GLP e identificar las más caso de uso urgente. En medio de una visita inminente de un equipo global a Singapur, se creó una demostración para mostrar el potencial de abordar el problema central de GLP: la transformación de sus informes diarios a través de capacidades de consulta de datos mejoradas por IA.

“Hicimos algunas rondas de nuestros sprints. Y de sprint en sprint, iba mejorando cada vez más. El caso de uso se vuelve mucho más utilizable y real para nuestra organización”, explica Song. “Ese fue un diferenciador clave para Rackspace. Creo que la empresa tiene un enfoque diferente al de las consultoras tradicionales. Son mucho más sencillos, rápidos y prácticos”.

Nathan Cheng, ingeniero de sistemas de aprendizaje automático y análisis de datos de Rackspace Technology, explicó los dos temas principales de la lista de deseos: una interfaz de producto fácil de usar y un sistema inteligente capaz de profundizar en las dimensiones de los datos para responder consultas comerciales complejas. Esta lista de deseos evolucionó hasta convertirse en casos de prueba concretos, marcando la hoja de ruta para la progresión técnica del proyecto.

La creación de un centro centralizado para obtener conocimientos de datos abiertos fue un esfuerzo ambicioso que comenzó con un enfoque en la gestión de fondos y podría extenderse a las métricas ESG y más. El objetivo era crear una interfaz dinámica donde los usuarios pudieran acceder fácilmente a sus historiales de conversaciones, particularmente al revisar los KPI de gestión de fondos a través de la aplicación.

El diseño de la interfaz se centró en una experiencia de usuario coherente y una funcionalidad sencilla basada en conversaciones. Las interacciones debían registrarse, ya que la documentación era crucial para identificar y analizar cualquier brecha lógica existente, lo que, a su vez, informaría mejoras iterativas al sistema. Luego, las conversaciones giraron hacia consultas complejas, como comparar las métricas de la tasa de ocupación de propiedades en diferentes trimestres. Tales solicitudes requirieron que el sistema examinara múltiples dimensiones de datos, identificara los datos relevantes e identificara los factores que impulsaron los cambios en las métricas.

En la transición a la ejecución técnica, Srinivas Chakravarthy, director sénior de desarrollo empresarial de Rackspace, destacó el enfoque innovador de elaborar consultas SQL sobre la marcha basadas en las consultas de los usuarios. Inicialmente trabajando con archivos CSP, el objetivo era pasar a una fase lista para producción donde los lagos de datos pudieran utilizarse para el acceso y análisis de datos en tiempo real. El proceso implicó ejecutar una consulta SQL, interpretar los datos y proporcionar al usuario respuestas detalladas. Lograr esto requirió una redacción SQL precisa, alineando la tecnología para comprender y responder a los matices contextuales de cada consulta.