En nuestra serie de preguntas y respuestas «Engineering Energizers», examinamos las trayectorias inspiradoras de los líderes de ingeniería que han logrado avances notables en sus respectivos campos. Hoy nos reunimos con Harini Nallan Chakrawarthy, Vicepresidente de ingeniería de software, que dirige el desarrollo de Tableau Pulse. Esta nueva función de Salesforce que utiliza IA generativa para proporcionar información en tiempo real impulsada por IA en lenguaje natural y formatos visuales, permite una toma de decisiones más rápida e informada basada en datos.
Únete al equipo de Harini para revolucionar Tableau abordando los retos de integración de IA/ML y los obstáculos de escalabilidad, llevando la analítica a nuevos clientes.
La nueva función de Tableau Pulse proporciona información en tiempo real impulsada por IA en lenguaje natural y formatos visuales
¿Cuál es la misión de tu equipo?
La misión de nuestro equipo es empoderar a los usuarios empresariales proporcionándoles perspectivas de datos inteligentes, contextuales y basadas en IA. Resolvemos el reto de ofrecer análisis ricos directamente en sus manos, lo que permite tomar decisiones basadas en datos sin la necesidad de un extenso análisis manual de datos. Nuestro objetivo es integrar a la perfección estos conocimientos en su flujo de trabajo, ya sea a través de plataformas como Slack, el correo electrónico o cualquier otra herramienta que utilicen, facilitándoles el acceso a los datos y su utilización. Este proceso simplificado mejora la eficiencia y permite una toma de decisiones más rápida para nuestros clientes
Además, nos centramos en transformar el lenguaje de los datos en un lenguaje conversacional, asegurándonos de que sea fácil de usar y accesible para nuestros clientes.
La gestión de los datos es una de nuestras prioridades
>
–>
Harini describe cómo gestiona su equipo y aumenta la productividad.
¿Puede explicar con más detalle los desafíos técnicos que encontró durante la integración de las capacidades de IA/ML en Tableau Pulse?
Nuestro objetivo era ofrecer a nuestros clientes una tecnología avanzada que posibilitara experiencias conversacionales, permitiéndoles interactuar con los datos y aprovechar análisis de datos fiables que respaldaran decisiones empresariales críticas. Conseguirlo significaba superar el gran obstáculo que suponía determinar el uso adecuado de grandes modelos lingüísticos (LLM) para generar insights. Para garantizar el máximo nivel de precisión y mantener la confianza de nuestros clientes de Tableau, establecimos directrices para el uso de los LLM, teniendo en cuenta su potencial para generar información engañosa. En consecuencia, utilizamos los LLM por su solidez a la hora de generar consultas en lenguaje natural y hacer coincidir las intenciones, al tiempo que utilizamos nuestros modelos matemáticos de IA/ML internos para generar perspectivas.
Los LLM no se utilizan para generar información errónea
Además, comprobar la relevancia de los modelos de IA sigue siendo un reto. Aunque hemos avanzado en las pruebas manuales y no manuales, aún queda trabajo por hacer para resolver por completo este aspecto. Seguimos invirtiendo en nuestras suites de pruebas para mejorar la cobertura de las pruebas y validar la exactitud y precisión de los modelos. También se está introduciendo automatización adicional específica de ML para mejorar el seguimiento de los modelos a lo largo del tiempo.
¿Cómo garantizan la capa de confianza de Einstein y la integración de metadatos unos conocimientos de IA precisos, fiables y dignos de confianza al integrar nuestros modelos con Tableau?
Al integrar nuestros modelos de IA/ML con Tableau, tomamos medidas clave para garantizar la precisión y la fiabilidad de los insights generados, al tiempo que abordamos el reto de la alucinación.
Un aspecto clave es el uso de metadatos, muy valorados en Salesforce. Al comprender el contexto y la historia que hay detrás de los datos, podemos reducir el riesgo de alucinación. Durante el proceso de configuración, interactuamos activamente con los usuarios para recopilar metadatos y conocer su contexto empresarial específico, lo que nos ayuda a adaptar nuestros conocimientos de IA y minimizar las posibilidades de obtener resultados imprecisos o poco fiables. El Einstein Trust Layer desempeña un papel importante en este proceso, ya que genera resúmenes basados en las percepciones que calculamos.
Además, para garantizar la confianza, pasamos los datos del cliente a través de la Capa de Confianza de Einstein, que valida que no se produzcan filtraciones de información personal identificable (PII), sesgos, lenguaje tóxico o datos del cliente.
La Capa de Confianza de Einstein, que valida que no se produzcan filtraciones de datos del cliente
¿Podría hablarnos de los retos de escalabilidad a los que se enfrentó su equipo y cómo los abordó?
Durante la fase piloto, nos enfrentamos a desafíos para gestionar una afluencia inesperada de clientes y un aumento de la demanda de usuarios para nuestro procesamiento de resúmenes de correo electrónico, lo que nos obligó a escalar nuestro procesamiento de 500 a 20 000 resúmenes de correo electrónico al día. Esto, combinado con la flexibilidad de Tableau al permitir a los usuarios traer sus propios datos y patrones de acceso, hizo necesaria una inversión significativa para abordar el escalado de Tableau Pulse, los servicios clave de Tableau y la concurrencia web.
Para superar estos retos, implementamos técnicas de escalado horizontal y vertical, optimizando los cuellos de botella de procesamiento y escalando las instancias en ejecución. Se invirtió en el equilibrio de carga para optimizar las visitas a la caché mientras se mantenía una API sin estado. En cuanto a la interfaz de usuario, se mejoró la carga progresiva para proporcionar rápidamente a los usuarios información importante. En el momento del lanzamiento, dimos soporte a miles de usuarios internos y externos
Nuestro objetivo a largo plazo es dar servicio a la base global de usuarios empresariales de aproximadamente 3.000 millones de personas. Para lograrlo, damos prioridad a las inversiones continuas en escalado y gestión de sistemas, supervisando la adopción y el escalado de Pulse a través de Salesforce Monitoring Cloud y Tableau Pulse.
Tableau Pulse
>
Harini describe la cultura de su equipo de ingeniería de Tableau.
¿Podría explicar la composición de su equipo de IA y cómo colaboró con ellos durante el desarrollo de Tableau Pulse?
Durante el desarrollo, nuestro equipo de IA de Tableau estaba formado por alrededor de más de 10 ingenieros, incluidos ingenieros de IA/ML, ingenieros de prontitud y equipos de insights.
Colaboramos estrechamente con el equipo de Einstein Trust Layer para garantizar una orquestación perfecta y abordar problemas relacionados con la parcialidad, la toxicidad y la privacidad de los datos. Ese equipo también nos proporcionó una capa de orquestación, lo que nos permitió comunicarnos con múltiples elementos y garantizó la seguridad y privacidad de los datos de los usuarios. También nos ayudaron con la limitación de la tasa y la optimización de la generación de resúmenes para minimizar los costes.
Además, el equipo Salesforce AI Research desempeñó un papel clave en el desarrollo de Tableau Pulse. Nos mantuvieron actualizados sobre los últimos modelos y tecnologías, validando nuestro enfoque y proporcionando orientación sobre las mejores prácticas. Su experiencia nos ayudó a asegurarnos de que los modelos que utilizábamos eran precisos y fiables, ya que estos modelos son la base de la información que proporcionamos a nuestros clientes.
El equipo de investigación de IA de Salesforce desempeñó un papel clave en el desarrollo de Tableau Pulse
Arquitectura de Tableau Pulse para generar insights y servir a los usuarios de negocio.
La arquitectura de Tableau Pulse para generar insights y servir a los usuarios de negocio
¿Cómo vislumbra el futuro de Tableau Pulse en términos de innovación y crecimiento?
Estas tres áreas forman la base de nuestra visión para el futuro de Tableau Pulse, impulsando la innovación y el crecimiento para empoderar a los usuarios en sus procesos de análisis de datos y toma de decisiones:
- Ampliación de fuentes de datos e integración: Nuestro objetivo es ampliar la gama de fuentes de datos e integrar los datos públicos a la perfección. Esta ampliación nos permitirá ofrecer información exhaustiva sin que los usuarios tengan que unir los puntos manualmente. Nuestra visión es establecer perspectivas relevantes y relaciones métricas que permitan a los usuarios comprender el impacto de diversos factores en sus datos
- Aprovechando las capacidades de la IA: Seguimos aprovechando las últimas y mejores capacidades de IA generativa para mejorar la funcionalidad de Tableau Pulse. Esto incluye la implementación de interfaces conversacionales y aprendizaje contextual inteligente, lo que permite experiencias más intuitivas e interactivas para los usuarios
- Métricas predictivas: Estamos explorando el potencial de Einstein Discovery para proporcionar métricas predictivas. Esta característica permitirá a los usuarios obtener información sobre las tendencias futuras, una vez que hayamos establecido la confianza en nuestras capacidades de retrospectiva.
- Métricas predictivas
Más información
- Lea este blog para saber cómo el equipo de desarrollo de funciones de Tableau supera los desafíos técnicos para garantizar el buen funcionamiento de varios productos de Tableau
- Manténgase conectado: únase a nuestra Comunidad de talentos!
- Consulta nuestros equipos de Tecnología y Producto para saber cómo puedes participar.
