La implantación de técnicas de Inteligencia Artificial puede tener un impacto diferencial en la transformación digital de las compañías.

1. BIG DATA
Agosto 24 y 25 | Lima – Perú 2018
ANALYTICS SUMMIT
#BIGDATASUMMIT2018

2. Hola!
Soy Ignacio Julio Marrero Hervás
• Mis orígenes son la Física Experimental, concretamente la Astrofísica
• Ingeniería de software desde hace mas de 20 años
• En los últimos 8 años nuevas arquitecturas de datos basadas en tecnología Big Data.
• 5 años en los ecosistemas de innovación y emprendimiento donde cree una startup en
Big Data & Analytics
• Actualmente en Accenture como manager y arquitecto Big Data y de soluciones
analíticas
• En este último año estoy liderando el área de Inteligencia Artificial en Digital Delivery
Me puedes encontrar como
i.marrero.hervas@Accenture.com

3. Modelo Operativo para Grandes
Proyectos de AI
La implantación de técnicas de Inteligencia Artificial puede
tener un impacto diferencial en la transformación digital
de las compañías. El retorno a la inversión depende de la
capacidad de la organización para implantar y gestionar
de forma eficiente la iniciativa.
El gobierno de los proyectos y arquitecturas relacionados
con la inteligencia artificial es clave para implantar
procesos de mejora continua que permitan gestionar la
expectativas de los actores implicados, detectar las
desviaciones y facilitar las correcciones
En esta ponencia se presenta un modelo operativo y de
gobierno para proyectos de Inteligencia Artificial que
permite implantar procesos de mejora continua. Este
modelo operativo está basado en metodologías ágiles y
soportado por una arquitectura de desarrollo y operación
en el ámbito de la entrega continua e integración continua

4. Índice
Visión IA, RPA & Big Data
Arquitectura de Referencia para IA
Importancia de la Organización
Metodología para la Definición del Modelo Operativo
Modelo Operativo
Centro de Excelencia

5. INTELIGENCIA ARTIFICIAL ES UNA COMBINACIÓN DE SISTEMAS IT, HERRAMIENTAS Y
METODOLOGÍAS QUE HABILITAN A LAS MÁQUINAS A SENTIR, COMPRENDER, ACTUAR Y
APRENDER POR ELLAS MISMAS O MEDIANTE UNA MÍNIMA INTERVENCIÓN HUMANA
VISIÓN IA, RPA & BIG DATA
5
AGENTES
VIRTUALES
ROBOTIC PROCESS
AUTOMATION (RPA)
PROCESAMIENTO
NATURAL DEL
LENGUAJE
RECONOCIMIENTO
DE IMAGENES
MACHINE
LEARNING
Reconocimiento de patrones
Big Data
Comprensión y análisis ocularComprensión texto/hablaMimetismo acciones humanasInterfaz persona - máquina
• Establece el primer nivel de
contacto con los clientes
• Responde a consultas y
preguntas con indicaciones no
verbales
• Reemplaza la representación
de servicio al cliente en línea
• Imita tareas lentas y rutinarias
• Viable para procesos de alto
volumen
• Requiere decisiones sin juicios
basadas en reglas
• Activadores y entradas digitales
• Analiza grandes conjuntos de
datos
• Se alinea con procesos y
expectativas subjetivos y
maleables
• Predictivo y prescriptivo
• Interpreta entradas de texto,
habla, visuales y digitales
• Identificación y detección de
objetos o características de
imágenes digitales
• Requiere un gran conjunto de
datos de aprendizaje
• Permite la comprensión entre
humanos y máquinas
• Comprende los matices del
lenguaje
• Expresan mensajes en lenguaje
natural
TECNOLOGÍAS ENGLOBADAS EN INTELIGENCIA ARTIFICIAL
DEFINIENDO EL CONCEPTO IA
Copyright © 2018 Accenture Todos los derechos reservados.

6. VISIÓN IA, RPA & BIG DATA
6
DENTRO DEL ÁMBITO DE PROYECTO SE DECIDIRÁ EL GRADO DE VINCULACIÓN ENTRE
AMBOS MODELOS Y LA RELACIÓN ENTRE ELLOS, ASÍ COMO LA RELACIÓN CON EL COE DE
BIG DATA.
GOBIERNO COMÚN
DATA OPERACIONES
INTELIGENCIA
ARTIFICIAL
Machine
Reasoning
RPA
COGNI-
TIVA
Autono-
mics
Chatbots
ANALYTICS
BUSINESS INTELLIGENCE
BIG DATA ROBOTICS
ACCENTURE VE UNA CLARA RELACIÓN ENTRE LAS
CAPACIDADES DE BIG DATA, CAPACIDADES IA, Y
CAPACIDADES DE RPA, ESTÁS ÚLTIMAS ESTÁN YA
EMPEZANDO A ENGLOBARSE DENTRO DE INTELIGENCIA
ARTIFICIAL.
TENIENDO LO ANTERIOR EN CUENTA, SE NECESITARÁ UN
GOBIERNO COMÚN QUE ENGLOBE RPA COMO PARTE DE IA
RECONOC.
DE.
IMÁGENES
MACHINE
LEARNING
ASISTENTES
VIRTUALES
INTELLIGENT
AUTOMATION
PNL
PROCESAMIENTO
NATURAL DEL
LENGUAJE
Reconoc.
del Habla
Deep
Learnign
BPM & WORKFLOWS
MACROS
AUTOMAT.
Copyright © 2018 Accenture Todos los derechos reservados.

7. 7
Natural Language Processing
Machine translation
Emotion detection
Language detection
Content classification
…
Language
Computer vision
Object recognition
Face recognition
Object tracking
Optical Character
Recognition
Handwriting recognition
Emotion detection
Gender/age detection
Scene recognition
…
Vision
Audio processing
Speech To Text
Speech recognition
Text to speech
Emotion detection
Language detection
Sound recognition
Gender/age detection
Speaker detection
…
Sound
Offerings
Machine Learning, Deep Learning
Vertical
Industry
Solutions
HighPerformanceBusinessProcesses
Data/Knowledge/Experience
…
Customer
Support
F&A
Helpdesk
Agent
Claims
Processing
Text
Classifier
Open Source, Platforms (Google, Microsoft, Watson, Facebook, Amazon…), Specialist Products
Underwriting
Mortgage
Advisor
Functionalities
Intelligent Virtual
Agents
Ticket
Management
Intelligent Robotic
Process Automation Constant Monitoring Biometric IdentityInference Analysis
ARQUITECTURA DE REFERENCIA PARA IA
Copyright © 2018 Accenture Todos los derechos reservados.

8. Compute Infrastructure
AI applications
RPA Robots
Data Platform
ML FrameworksML Platforms
GPU Instances
Deep Learning Hardware
NVIDIA
GPUs
Application Platform
Custom AI
Services
AI SaaS
IBM Watson
Cognitive Services
Deep Learning Frameworks
Azure ML, Google
ML, Amazon ML, …
TensorFlow, Karas,
Caffe, Torch, …
scikit-learn, Spark,
…
Virtual Agents /
Chatbots
Autonomous
Vehicles
Microsoft
Cognitive Services
Google Cloud AI
Services
Amazon AI
Services
ML Training Data
Google
TPUs
Microsoft
FPGAs
Intel Nervana
Lake Crest
ARQUITECTURA DE REFERENCIA PARA IA
Copyright © 2018 Accenture Todos los derechos reservados.

9. 9
...
DATA SCIENTIST
Equipo Regional de Modelos Predictivos
ARQUITECTO BIG DATA
Área de Big Data y Analytics
VISUALIZATION ENGINEER
Área de Procesos Corporativo
OTRO
DISMA, Área de Arquitectura de la DCTP, etc.
RESPONSABLE DE NEGOCIO
Área de Operaciones Regional
COORDINADOR DEL PROYECTO
Área de Movilidad dentro de Digital de la DCTP
EQUIPODETRABAJODIVERSO
AGILIDAD, EFICIENCIA E IDENTIFICACIÓN DE SINERGIAS
IMPORTANCIA DE LA ORGANIZACIÓN
Copyright © 2018 Accenture Todos los derechos reservados.

10. 10
CASO DE
USO 3
CASO DE
USO 2
CASO DE
USO 1
MODELOS PREDICTIVOS
REGIONAL
BIG DATA Y ANALYTICS
(DCTP)
ÁREA DE PROCESOS
CORPORATIVO
OPERACIONES
REGIONAL
ÁREA DE MOVILIDAD
(DCTP DIGITAL)
DISMA, ARQ
(DCTP)
OTRA AREA (X)
OTRA AREA (Y)
IMPORTANCIA DE LA ORGANIZACIÓN
Copyright © 2018 Accenture Todos los derechos reservados.

11. Revisión de los avances y
tendencias en Materia de
IA/RPA (Textmining,
Chatbots, ML, RPA).
Revisión de Manifiesto de
RPA.
Revisión de la estructura
organizativa y roles
existentes actualmente en
la compañía (en el marco de
AI/RPA) .
Levantamiento de
necesidades que se
visualizan en torno a AI/RPA.
Análisis de las actuales
iniciativas de IA & RPA
implantadas o en desarrollo.
Revisión de herramientas,
modos de seguimiento etc.
para el desarrollo de los
Visión de Inteligencia
Artificial en la
compañía.
Definición de la
estrategia a la hora de
abordar iniciativas de IA
& RPA.
Beneficios esperados de
la IA & RPA en la
compañía:
Establecer una imagen
clara y robusta a alto
nivel de qué es
Inteligencia artificial y
qué puede proporcionar
a la compañía, alineando
a la organización
alrededor de una
estrategia común y
compartida .
Definición de un plan
de despliegue del
modelo definido.
Documentación del
análisis y conclusiones
Diseño de un plan de
comunicación
corporativo.
Definición de un modelo operativo
To-Be para IA & RPA (Está dentro
del alcance del proyecto definir
un único modelo o dos modelos
con un modelo de relación) :
• Modelo Organizativo
• Modelo de relación
• Procesos y responsables
• Inventario de roles, gap y RACI
• Posibles estrategias de
escalado
• Proceso de mejora continua
Definición de un modelo técnico de
gobierno y seguimiento de
iniciativas que facilite el control y
alineamiento de todas la iniciativa
de IA y RPA. Además se fijarán
unos estándares de seguimiento,
gobierno de infraestructura,
arquitectura, selección de
proveedores, metodologías de
desarrollo, seguimiento etc..
Garantizar el nivel de
Esponsorización
adecuado
Mecanismos de gobierno
y toma de decisiones en
marcha
Comunicar y socializar el
plan definido
Fase previa al
arranque del
proyecto donde se
prepara el lanzamiento
del mismo con la
recopilación y revisión
de la información de
partida, identificación
de interlocutores y
roles y detallando las
sesiones y workshops
a realizar.
Estas actividades
permitirán dotar al
equipo de contexto
suficiente para cumplir
los tiempos
establecidos desde el
despliegue del mismo.
CONVENCER
Gestión del cambio y
comunicación
RECOMENDAR
Plan de despliegue
DEFINIR
Visión y estrategia
PREPARAR
Definición y alcance y
movilización de
aceleradores
DESCUBRIR
Análisis capacidades
actuales
DISEÑAR
Modelo Operativo
METODOLOGÍA PARA LA DEFINICIÓN DEL MODELO
OPERATIVO
Copyright © 2018 Accenture Todos los derechos reservados.

12. RPA-AI Backlog
Sprint Backlog
Prioritización por el
Product Owner
User Stories
Prioritizadas
Delivery
Sprints
(Tasks)
Pruebas
Sprint Backlog: process
segments bundled in bot
increment
Comité de Révision
y Retrospectiva
Pruebas de Aceptación
Confirmadas
Solución en Producción
Defectos y Mejoras
Process
Automation
Backlog
Implementación
Incremental
Mantenimiento y
Soporte a la
solución
Daily standup meetings
Defectos
Analisis
Detallada y
Diseño e la
Solución
Feedback – Potential changes
ACTIVOS ACELERADORES DE UNA DELIVERY UNIT ÁGIL
Matriz de
Descubrimiento
Questionnário 2- Pager
Herramienta de
Evaluación de
Riesgo
Plano de
Pruebas
Descripción
Proceso de
Negocio a
Automatizar
Documento de
Diseño de la
Solución
Mejoras
prácticas de
Desarrollo de
Soluciones de AI
Propuesta de
Relatório Diario
Propuesta de
Relatório de
Pruebas
Manual de
Puesta en
Producción
(…)
METODOLOGÍA DEL MODELO OPERATIVO
LAS CLAVES SON LA AGILIDAD Y MEJORA CONTÍNUA
Copyright © 2018 Accenture Todos los derechos reservados.

13. WHAT IS A HUB AND SPOKE MODEL
SPOKE ATTRIBUTES
• Business Functions to act as Spokes
• Sizing assumption made that the AIG will
service up to 20 Business Functions in
the target state
• Agile Delivery Pods seconded from the
AIG hub into the Spokes, each being self-
sufficient and able to take a use case from
experiment to build before handing over to
the central AIG hub for ‘Run’ management
OVERVIEW OF A HUB AND SPOKE
Artificial
Intelligence
Group (Hub)
Spoke
Business
Function
Business
Function
Business
Function
Business
Function
Agile Delivery
Pods aligned to
the Business
function
Spokes
HUB ATTRIBUTES
• Artificial Intelligence Hub (AIG) to act as a
central Hub
• ‘Consulting’ approach to delivery, i.e. AIG
resources centrally branded to create a sense
of community and nurture the talent, but
deployed locally within the Spokes to foster
business intimacy and ease of delivery
• Custodians of demand management,
standards, knowledge sharing, training,
innovation and an external ‘radar’ on
machine learning, cognitive and RPA
A Hub & Spoke model is likened to adopting a consulting approach, resources can be allocated to Spokes
but without the risk of feeling isolated due to continuous communication, performance management and
talent strategy from AIG.
MODELO OPERATIVO
Copyright © 2018 Accenture Todos los derechos reservados.

14. WHAT IS A HUB AND SPOKE MODEL
JOURNEY FROM TRANSITION STATE 1 TO 2020 VISION
Target 2020 VisionTransition State 1
PATH OF EVOLUTIONLESS MATURE AIG CAPABILITY MORE MATURE AIG CAPABILITY
CHARACTERISTICS:
Considerations
The Hub and Spoke structure will evolve as the
organisation and market evolves
Interaction with the hub will vary in accordance
with capability maturity
As a result, the spokes (business functions) will
not evolve evenly towards the target end state
Resources will be centralised within the AIG (HUB)
as they begin to develop the new capabilities that
the business functions (Spokes) require
Resources will be allocated to spokes however
management will remain the same. Decision
making will be with the Spoke leads
• All capabilities required for the AIG to be independent and operate on it’s own
reside in the hub
• The AIG will be funded by contributions from the business functions
• Optimisation and maintenance of machine intelligence solutions will be
undertaken by the hub until the spoke is self-sufficient
• The AIG would be expected to take on the operational risk of its products and
offerings
• As much as possible, work undertaken by hub resources will occur in the spokes
(so teams are co-located to help foster knowledge transfer / agile delivery)
• Organization is mature, with Machine Intelligence skills and capabilities
embedded within the business functions
• Hub is thinner, with emphasis on strong capabilities on the Spokes
• Hub contributes to set strategy and vision and drive innovation in line
with market forces
MODELO OPERATIVO
Copyright © 2018 Accenture Todos los derechos reservados.

15. WHAT IS A HUB AND SPOKE MODEL
FINAL AIG MODEL
Spoke Delivery PodsAIG Hub Delivery Pods
Business Management, Portfolio & PMO
Applied Sciences Steering Group
......
Production Management
Infrastructure and Platform
1
3 4
2
Hub Pod 1
BF1
Fraud
BF2
Account
Opening
BF3
Personal
Account
Services
OBSERVATIONS
• Artificial Intelligence Steering Group
setup
• Dedicated business management,
portfolio and PMO team, scaled-up
• 3-4x Dedicated Hub Delivery Pods that
are focused on Innovation, Research and
Development, and as a potential flexible
staffing resource pool to service the
Business Functions
• Spoke Delivery Pods embedded in the
Business Functions that are self-
sufficient from Experiment through to
Build
1
2
3
4
Hub Spokes
Hub Pod 2 Hub Pod 3
Experiment
Build
Run
MODELO OPERATIVO
Copyright © 2018 Accenture Todos los derechos reservados.

16. Business & IT handshake
Strategic vision & roadmap
Risk & Security
Blueprints & Standards
Lifecycle
Competency Management
Change Management
Delivery
Lifecycle Management
Command Center
Innovation Framework
R&D/Frugal Experiments
Emerging TechnologyAdoption
Co-Innovation with business & vendors
Knowledge Portal
Community of Practice
Content Quality Management
Centralized Relationship
Ecosystem Goal Alignment
Contract Management
AI Centre of
Excellence (CoE)
AI Center of Excellence is an Organizational Hub that provides the required AI skills, structure, governance and discipline to demand and
delivery AI projects aligned with business goals.
Thoughtful design of CoE operating model based on detailed study & analysis - A strong governance structure including both business & IT,
with clear skills, roles, responsibilities, communication mechanism etc. is a key for successful Scale implementation.
CENTRO DE EXCELENCIA (COE)
Copyright © 2018 Accenture Todos los derechos reservados.

17. SCRUM TEAM ROLES*
*All teams are overseen by Management and an Engagement
Lead
Full Stack Engineers: capable of
developing and integrating end-to-
end technology stack, from front to
back-end.
AI Engineers: provide expertise
in AI services, including Natural
Language Processing,
Architecture, Cognitive search
and Knowledge graphs.
Domain SME: advise on
domain-specific content
and business rules.
UX Designer: design experience,
Conversational Scripting and
interactions between the AI
solution and users.
Knowledge Engineer: analyse
data, design and create the
knowledge/semantic model and
support its ongoing training.
Security: ensure the
solution is robustand
adheres to IT security
policies.
Test Architect: expertise
in testing AI solutionsand
non-functional testing.
DevOps: set up CI pipelines,
environments and automation
for the solutions.
Scrum Master: facilitatorbetween
business and scrum team, ensuring
any blockers facing the scrum team
are resolved.
• Scrum Master
• UX Designer
• Domain SME
• Knowledge Engineer
Discover & Plan Proof of Concept Pilot
Note that not all roles are full time and specific team structure will depend on project complexity
• Scrum Master
• Full Stack & AI
Engineers
• UX Designer
• Domain SME
• Knowledge Engineer
• Security Consultant
• Test Support
• DevOps Support
• Full Stack & AI
Engineers
• UX Designer
• Domain SME
• Knowledge Engineer
• Scrum Master
• Security Consultant
• Test Support
• DevOps Support
EQUIPO COE
CENTRO DE EXCELENCIA (COE)
Copyright © 2018 Accenture Todos los derechos reservados.

18. Average no. queries
resolved by VA
85%75%
Customers’ time
saved
40%
Risk reduction through Live agents’ time
improved consistency saved
95% 85%
Increased Customer
Satisfaction
82%
Query resolution
time reduction
A variety of KPIs can be measured in pilot or production to assess the success of a virtual agent
solution.
In the past major KPIs have included:
• Average handling Time this is reduced by AI (no queues, faster responses)
• First Contact Resolution resolving customer’s problem 1st time – in reduced %
• Deflection / Automation in number/ and $ saving
• CSAT customer satisfaction
• ESAT Employee satisfactionBelow data sourced from the southern European government credential.
CENTRO DE EXCELENCIA (COE)
CÓMO MEDIR EL ÉXITO
Copyright © 2018 Accenture Todos los derechos reservados.

19. GRACIAS!
ALGUNA PREGUNTA?
Puedes encontrarme como:
i.marrero.hervas@accenture.com