Como es habitual en la actualidad, seguimos avanzando hacia escenarios que, aunque parecen lejanos, seguramente no lo sean tanto. Uno de esos escenarios podría ser la automatización casi total de muchas de las actividades que realizamos en nuestras compañías. Esta tendencia, que hasta ahora ha llenado notas de prensa y opiniones asociándose a RPA, será durante 2020 y 2021 una de las tendencias estratégicas tecnológicas bajo el nombre de “hyperautomation”. De hecho, Gartner la ha nominado en el puesto nº1 de tendencias estratégicas del año 2020.

¿A qué nos referimos con “hyperautomation”?

El concepto de “hyperautomation” trata de la aplicación de tecnologías avanzadas. Estas incluyen la inteligencia artificial con el objetivo de acercarnos a esa automatización total y/o aumento de las capacidades de las personas en su puesto de trabajo. “Hyperautomation” como concepto cubre una amplia combinación de herramientas como RPA, iBPMS, AutoML, Minería de Procesos, Analítica, etc. En definitiva, software paquetizado que ayude en todo el ciclo de vida de la automatización: Descubrimiento, Análisis, Diseño, Automatización, Medición, Monitorización y Re-evaluación.

La tendencia de los fabricantes de este tipo de software, y sobre todo de los que serán líderes de mercado en los próximos años, es a la concentración en su portfolio o suite de productos de todas las capacidades comentadas anteriormente. Su objetivo será el de reducir las complejidades o sobrecostes de integración de dichas capacidades sobre herramientas que solo dispongan de una parte de las soluciones necesarias.

¿Qué utilidades aporta la este nuevo concepto a una empresa?

Veremos en el mercado cómo los fabricantes más maduros cubrirán bajo su portfolio de forma nativa y simplificada todas las utilidades que nos acercarán al “hyperautomation”:

-Process Mining: Herramientas para el descubrimiento automático de procesos, identificación de optimizaciones, información estadística de los mismos, etc.

-Diseño y testeo: Herramientas para de forma sencilla poder modelar visualmente los procesos y poder testear inicialmente posibles cuellos de botella o problemas.

-Robotización de procesos (RPA): Herramientas para automatizar tareas en todo tipo de herramientas. Ya tengan naturalezas más atendidas o desatendidas

a.En los modelos atendidos podremos ver bots que interactúan con nuestro escritorio para apoyarnos en ciertos procesos

b.Y también podremos ver bots integrados en modo add-on en algunas de las herramientas más utilizadas tanto a nivel cross, como a nivel funcional específico. Véase: SAP, Salesforce, Suite de Office, etc.

-Control: herramientas que permitan controlar y orquestar adecuadamente el despliegue de todos los automatismos y que permitan escalar la iniciativa de manera adecuada

-Analytics: herramientas analíticas embebidas que permitan extraer todo el potencial de los datos tanto operacionales como de negocio asociados a los automatismos y procesos. Esto será necesario y útil para poder trabajar en analizarlos en busca de mejoras.

“Desde Stratesys llevamos años trabajando en la conjunción de todas estas tecnologías haciendo especial hincapié en potenciar la capacidad de generar modelos basados en Machine Learning para acelerar la automatización de procesos o tareas que requieren de toma de decisiones. Esto lo estamos consiguiendo gracias al expertise acumulado en nuestros Hubs de RPA, Chatbots, AI o BigData y a las alianzas a las que hemos llegado con los líderes en tecnologías de este tipo como Automation Anywhere. También estamos potenciando nuestro expertise en Datarobot como elemento en la democratización del Machine Learning”  dice Francisco Ruiz González , Head of Innovation en Stratesys

Besh junto a Stratesys trabajan para implementar las últimas tendencias tecnológicas a sus clientes. Si deseas hablar con nuestros expertos o plantear un caso concreto, puedes contactarnos . Trabajamos de manera totalmente personalizada, tomando muy en cuenta las necesidades y la estrategia de cada negocio.

La entrada Hyperautomation ya es tendencia de 2020 y 2021 se publicó primero en .

El uso de estas nuevas tecnologías permite analizar y extraer información de grandes bases de datos y darles valor.

En el pasado, la mayoría de los datos simplemente se dejaban olvidados en ficheros o se utilizaban con meros fines informativos, pero en la actualidad el uso del dato ha tomado una nueva dimensión.

La información se utiliza, por ejemplo, para entrenar modelos con fines predictivos o averiguar tendencias.

En definitiva, estamos en una época en la que la frase “la información es poder” cobra más sentido que nunca, y la tendencia en un futuro próximo es el aumento exponencial del uso de estas tecnologías en diversos sectores.

Una de las aplicaciones más interesantes para mejorar la calidad de vida de las personas se encuentra en el campo de la medicina personalizada.

“El auge de la bioestadística, la bioinformática y la inteligencia artificial está permitiendo un mejor diagnóstico clínico y la aplicación de terapias individualizadas y personalizadas a cada paciente” nos cuenta Sandra Acebes, experta en Big Data en Stratesys.

Medicina personalizada y mejora del Diagnóstico médico gracias a Machine Learning

Existen infinidad de ejemplos en los que el uso de Big Data, Machine Learning y el Cloud Computing se están aplicando hoy en día en el ámbito médico para la prevención precoz y el tratamiento de enfermedades.

Dentro de estas tecnologías, se incluyen el Procesamiento Natural del lenguaje (PNL), el reconocimiento de imágenes o el uso del IoT (Internet of things o internet de las cosas).

Reconocimiento de imágenes

El análisis visual de mamografías es el principal método para la detección del cáncer de mama, pero el diagnóstico o detección requiere de un alto grado de precisión visual y en ocasiones es complicado a pesar de la experiencia y profesionalidad del radiólogo.

En estos casos, la inteligencia artificial es ideal para analizar mucha información en poco tiempo, y permite comparar la imagen que queremos analizar con millones de casos previamente almacenados y analizados para dar un diagnóstico fiable.

Para ello, se utilizan técnicas de machine learning de clasificación o clustering.

Primero, se entrenan los algoritmos con datos clínicos (previamente almacenados) donde se enseña o se entrena al algoritmo a diferenciar tumores benignos de malignos. Una vez construido y testeado, el algoritmo se puede utilizar para clasificar imágenes reales de las que no tenemos la respuesta.

En definitiva, el machine learning como apoyo al diagnóstico por imagen permite una diagnosis precoz más fiable y facilita y libera parte de carga de trabajo a los médicos, que no tienen que dedicarle tanto tiempo al análisis visual.

Procesamiento del lenguaje natural

Aunque se dice que una imagen vale más que mil palabras, con tecnologías Big Data el análisis del lenguaje toma una nueva dimensión. Por ejemplo, el análisis de grandes cantidades de texto escrito presente en los historiales clínicos se está utilizando en la actualidad para el diagnóstico de enfermedades. Con lo que se consigue un tratamiento más personalizado y eficaz de los pacientes.

Este análisis inteligente del texto se lleva a cabo utilizando PLN (Procesamiento del lenguaje natural). El PLN es una tecnología perteneciente al campo del Machine Learning que consiste en procesar y extraer valor de los textos, obteniendo de manera inteligente las palabras clave que lo componen.

Dentro de un historial clínico, los algoritmos deben ser capaces de seleccionar datos clave, entender expresiones complejas o diferenciar el sentido positivo/negativo de las frases. Por ejemplo, se debe diferenciar entre “no hay dolor de cabeza” de “dolor de cabeza”.

Al mismo tiempo, los algoritmos que extraen esta información deben obviar todos los datos personales del historial para garantizar la protección de datos del paciente. Así, mediante el análisis de millones de historiales clínicos, es posible ver tendencias o relacionar enfermedades con síntomas que antes pasaban simplemente inadvertidas.

Otras aplicaciones

Además del análisis de imágenes o texto, las tecnologías de Machine Learning y Big Data tienen muchísimas más aplicaciones en el campo de la salud, incluyendo el análisis de genomas, o el desarrollo de nuevos fármacos y vacunas. Por citar otro ejemplo más, estas tecnologías se están utilizando, junto con dispositivos IoT (Internet of Things, es decir, terminales conectados a una red) para predecir la aparición de un infarto, mediante la monitorización y análisis en tiempo real de datos que recoge un brazalete en el paciente.

En definitiva, el uso de Big Data e inteligencia artificial están mejorando la calidad de vida de las personas gracias a su aplicación en el ámbito de la digitalización de la salud.  

“En Stratesys somos conscientes del potencial del uso de nuevas tecnologías digitales para el almacenamiento y procesado de gran cantidad de datos, como Big Data, Machine Learning y aplicaciones en Cloud, y por eso ofrecemos a nuestros clientes nuestra experiencia, compromiso y las últimas tecnologías de digitalización en diferentes sectores, incluyendo el farmacéutico y de la salud” concluye la experta en Big Data.

Contáctanos  y conoce cómo podemos ayudarte.

La entrada Machine Learning y Big Data en el campo de la salud y la medicina personalizada se publicó primero en .