https://github.com/leonardoacosta91/CursoIbmControlDePersonal.git
Equipo: ● Nicolás Quagliata ● Leonardo Acosta ● Ricardo Aguerre
El control de horarios en las empresas si bien tiene grandes ventajas, requiere mucho tiempo dedicado a la lectura y procesamiento de la información y la elaboración de informes. Por otra parte, estos sistemas impactan negativamente en la motivación de los empleados, quienes sienten, en muchos casos, excesivamente vigilado y percibe este control como una falta de confianza.
Por otro lado, muchas empresas que cuentan con espacios compartidos como ser: sala de reuniones, anfiteatros, biblioteca, cafeterías, comedores, terrazas, espacios al aire libre se les dificulta contar con un control real y efectivo sobre la movilidad interna de sus empleados.
Estas actividades generan un alto costo y como oferta a esta necesidad han surgido modelos de negocio que ofrecen su tercerización manteniendo la calidad del servicio a un menor costo, sin embargo, esto se realiza con personal humano limitado en condiciones naturales por tiempo y ambiente.
Aprovechando el potencial que brindan las nuevas tecnologías se ha desarrollado un sistema que integra varios servicios e incorpora una inteligencia artificial entrenada e implementada para responder las solicitudes hechas por funcionarios de la organización buscando lograr una tecnificación importante en los procesos de gestión humana, disminuyendo costos y logrando una respuesta inmediata y una trazabilidad rápida y completa.
La metodología de desarrollo utilizada para la implementación del proyecto fue IBM Garage que permite crear innovaciones de alto impacto y centradas en el cliente. IBM Garage permite crear equipos diversificados y capacitados, que colaboran para aplicar tecnologías apropiadas para crear y ampliar rápidamente ideas nuevas e innovadoras que hacen que las organizaciones evolucionen de forma drástica hacia su próximo nivel.
Detrás de cualquier organización hay personas concentradas en ofrecer soluciones que mejoren la calidad de vida de su entorno, gracias a estos esfuerzos se ha conseguido el avance tecnológico, comercial y social que tenemos, la comunicación entre las organizaciones y la sociedad ha jugado un papel vital en este campo y cualquier servicio o innovación que no cuente con una comunicación clara y efectiva está en alto riesgo de fracaso. Por eso las organizaciones se enfrentan constantemente al reto de comunicar, tanto internamente como externamente, sus actividades y de establecer canales que permitan a los interesados acercarse a ellas.
En el presente documento se mencionan los principales problemas que tienen las organizaciones para mantener esos canales de comunicación que sirven de respaldo a sus procesos de atención, así como las opciones que se han ido generando para dar solución a esta problemática. También se trata el por qué la inteligencia artificial es una gran oportunidad para automatizar estas actividades aprovechando la humanización que hoy día ella puede alcanzar y se muestra el proceso de diseño de un prototipo implementado en una organización.
Los sistemas de control de horario reflejan individualmente la información de cada empleado como puede ser el horario de la jornada de trabajo, los turnos, las vacaciones, salidas ocasionales, etc. Esta información puede ser muy valiosa ya que nos da mejor información sobre la productividad y el rendimiento de cada trabajador.
Existen diferentes tipos de control horario, biométrico, tarjetas inteligentes, tarjetas de banda magnética, tarjetas de código de barras, etc. La mayoría de estas soluciones permiten un control de asistencia, pero no proporcionan datos acerca de la actividad real (tiempo de trabajo) de los individuos. Existen otras herramientas como los softwares de gestión de horario que brindan otro tipo de indicadores, pero siempre partiendo de la base que el empleado registre sus actividades en él. Ninguno de estos sistemas contempla el error humano, por ejemplo, al olvidar utilizar el sistema se pierde información valiosa.
Las organizaciones han notado esto; la inteligencia artificial es una gran opción para llevar el control de estos procesos, una infraestructura correctamente diseñada y mantenida puede soportar fácilmente una alta cantidad de solicitudes sin saturación y según la base de conocimiento proporcionada se puede ir entrenando y nutriendo en su experiencia para hacerla cada vez más ágil y efectiva.
El reto principal surge tanto en el desarrollo como en su mantenimiento ya que se hace costoso y complejo. Se deben tener en cuenta varios factores como el ambiental, el tecnológico o el recurso humano que puedan servir para brindar estos servicios, esto también está limitado a aspectos legales y a la disponibilidad del personal creando aún más escenarios a considerar para financiar a esta compleja división. Para dar solución a esta problemática hay empresas cómo IBM especializadas en prestar servicios de Inteligencia Artificial que ofrecen servicios en línea. Estos servicios se han convertido en un complejo paradigma empresarial que permite a las organizaciones delegar estas actividades sin preocuparse por una disminución en la calidad.
Se plantea realizar un sistema que permita controlar los horarios sin necesidad de esfuerzo por parte de los empleados a través del reconocimiento facial para el ingreso y egreso del personal. Además se colocarán cámaras con reconocimiento facial en las distintas áreas de la empresa para generar un “mapa de calor” de los empleados, pudiendo reconocer el tiempo efectivamente trabajado, tiempo utilizado en reuniones y tiempos “muertos”. A partir de esta información el sistema generará:
● Reportes automatizados por equipo y persona.
● Grupos de afinidad del personal.
● Medición de la “felicidad” de los empleados y predecir en base a esto su desempeño y si permanecerá en la empresa o está pensando en cambiar de trabajo.
Para Atacar todos estos puntos la version inicial contara con un ambiente de Front-End y Back-End gestionado por Node.js que el mismo se encargara tanto de cargar imagenes como realizar la conexion a otros servicios en la nube de Watson Studio, a su vez para realizar la parte de prediccion, contamos con un servidor Flask el cual tiene nuestro modelo entrenado utilizando Keras para generar la prediccion correspondiente y el envio del resultado al Back-End Node.js que interpretara el resultado y lo mostrara en pantalla
La arquitectura del modelo seran Redes Neuronales Convolucionales debido a que son las que mejor se adaptan al problema de identificacion de usuarios.
Para encontrar la solucion mas optima, se probo el rendimiento tanto del modelo de Watson Visual Recognition como el de un modelo entrenado en Keras y este ultimo logro un rendimiento superior utilizando el dataset creado. Para poner en funcionamiento esto se utilizó un servidor de Flask el cual cargara el modelo para realizar las predicciones
(Herramientas a utilizar, definición de roles, ciclos de desarrollo, servicios en la nube a utilizar, procesos de iteración a realizar).
Con el fin de encontrar qué metodologías se aplicaban para el desarrollo de estas soluciones, debido a que es una tendencia nueva y que las implementaciones están pocos documentados tomamos IBM Garage la cual es una metodología que actualmente se establece en el mercado como una metodología sólida y que permite la creación de prototipos la cual es una tendencia que ayuda a validar constantemente.
IBM Garage permite crear innovaciones de alto impacto y centradas en el cliente. IBM Garage crea equipos diversificados y capacitados, que colaboran para aplicar tecnologías apropiadas para que crear y ampliar rápidamente ideas nuevas e innovadoras que puedan hacer que las organizaciones evolucionen de forma drástica hacia su próximo nivel.
Esta metodología selecciona las mejores prácticas de la industria. Al combinar eso con las personas adecuadas y el ecosistema, con datos útiles, tecnología aplicada y espacios intencionados, IBM Garage permite impulsar un cambio transformacional sin precedentes.
Abarca todos los servicios e infraestructura de nube, y aplica tanto en nuevas aplicaciones nativas, como en aplicaciones que se mueven a la nube, o que se transforman para adaptarlas a la nueva realidad.
Cultura: Equipos autónomos empoderados, filosofía “fallar rápido”
Descubrir: Entender el problema, objetivos comunes, identificar obstáculos y cuellos de botella.
Visualizar: Definir MVPs iterativos Desarrollar: Guiado por testeo, colaborativamente, CI/CD y testeo automático, construido para administrarlo en la nube.
Inteligencia Artificial: arquitectura para IA, aprovechándola inmersa en procesos de negocio
Operar: Pensando en las nuevas arquitecturas, su monitoreo, HA, recuperación, resolución de problemas.
Aprender: testear hipótesis (en producción) con mediciones claras y feedback continuo de usuario.
Es un proceso iterativo en el que buscamos comprender al usuario, (“human center design”) cuestionar las suposiciones y redefinir los problemas en un intento de identificar estrategias y soluciones alternativas que podrían no ser evidentes instantáneamente con nuestro nivel inicial de comprensión.
Al mismo tiempo, Design Thinking proporciona un enfoque basado en soluciones para resolver problemas. Es una forma de pensar y trabajar, así como una colección de métodos prácticos.
Gira en torno a un profundo interés en desarrollar una comprensión de las personas para quienes diseñamos los productos o servicios. Nos ayuda a observar y desarrollar empatía con el usuario objetivo.
Nos ayuda en el proceso de cuestionamiento: cuestionar el problema, cuestionar los supuestos y cuestionar las implicaciones.
Es extremadamente útil para abordar problemas mal definidos o desconocidos, reformulando el problema de forma centrada en el ser humano, creando muchas ideas en sesiones de lluvia de ideas y adoptando un enfoque práctico en la creación de prototipos y pruebas.
También implica una experimentación continua: esbozar, crear prototipos, probar y probar conceptos e ideas.
Luego de realizar el taller de Design Thinking, el equipo definió su MVP: Construir una aplicación web que permita la detección del ingreso y su posterior salida de personas a una organización utilizando reconocimiento facial. La detección del ingreso y salida será simulada mediante la subida de fotos y el sistema deberá permitir consultar en línea si dichas personas se encuentran presentes, ya se fueron o si no han llegado aún. Además, se pueda acceder a dicha información desde un chat.
Se realizó una búsqueda literaria en donde se esperaban encontrar arquitecturas de referencia para la implementación de estas tecnologías, en este proceso se encontró la arquitectura propuesta por IBM que se describe a continuación:
Componentes de la arquitectura • Interface: Consiste en las plataformas por las cuales se va a comunicar los usuarios con el bot, estas plataformas son generalmente plataformas de chat como Whatsapp o Facebook messenger.
• FRONTEND: Es la tecnología que se encargará de procesar las solicitudes del componente interface, nuestra solucion tambien cuenta con un servidor NodeJS que se encarga de recibir las solicitudes y procesarlas contra la IA de IBM utilizando la API y contra el modelo de ML en Flask.
• BACKEND: Es el encargado de conectar los demas componentes del sistema como ser los servicios de Watson, el microservicio y la base de datos MongoDB.
• Conversation Service: Es el componente encargado de procesar el lenguaje natural, el entrenamiento se hace utilizando los servicios de IBM, es totalmente gráfico y el entrenamiento es instantáneo
• Microservicio de Flask: Es donde corre nuestro modelo de ML y recibe a traves de su api peticiones de reconocimiento de imagenes. Desarrollado en Flask (Python).
• DB: Encargada de almacenar los registros. Se implemento en mongoDB
• Other Watson services: Es un componente adicional el cual permite integrar servicios como reconocimiento y procesamiento de imágenes, esto para agregar más funcionalidades.
A medida que se avanzó en el proyecto y luego de realizar diferentes pruebas de concepto se estableció la siguiente arquitectura que se describe a continuación:
-Slack como plataforma de comunicación
-Trello para organizar el proyecto
-Box como gestor de archivos
-Visual Studio Code como IDE de desarrollo
-Github como repositorio de código
Nicolás Quagliata -
- Analisis de requerimientos por parte del cliente
- Prototipado
- Desarrollo del Front End de la aplicación
- Desarrollo MVP
Leonardo Acosta
- Conexión con Watson e IBM Cloud
- Definición de estructura de redes neuronales
- Desarrollo MVP
Ricardo Aguerre
- Recolección y análisis de datos
- Conexión a orígenes de datos - IBM Cloud
- Arquitectura del servicio
- Desarrollo MVP
Primer ciclo de definición del problema y enfoque de la solución en el usuario. Determinar los puntos claves que agreguenvalor al producto. A continuación se desarrollo una metodología ágil, basada en 2 sprints de 2 semanas de duración y 2 de 1 semana
-IBM Cloud -Cloud Foundry -IBM Watson
Se implemento un sistema de entrega continua para el frontend de nodejs alojado en la nube de ibm http://smartia.mybluemix.net
- Obtener las fuentes de informacion (imagenes) necesarias
- Exploracion y preprocesado de imagenes
- Construccion de modelo predictivo
- Evaluacion del proceso
- Puesta en produccion
- Opciones de mejora
Prerequisitos: - Node.js - Python 3.7 - Virtualenv
- clonar este mismo repositorio con "git clone https://github.com/leonardoacosta91/CursoIbmControlDePersonal.git"
- Entrar a la carpeta Node server y ejecutar en el terminal "npm install" el cual instalara todas las dependencias para ejecutar correctamente el servidor
- Iniciar la aplicacion con "npm run dev" la misma correra en el puerto por defecto 3000 por lo que la ruta para acceder es "localhost:3000"
- Ahora para poner en funcionamiento el servidor Flask es necesario ingresar a la carpeta Flask y ejecutar en el terminar "virtualenv env"
- Ingresar al ambiente virtual con "env\Scripts\activate"
- Ingresar el comando "pip install -r requirements.txt" el cual instalara las dependencias necesarias para ejecutar el servidor Flask
- Para iniciar el servidor basta con ejecutar en el virtualenv "python app.py"
esta aplicacion puede correr contra el modelo en tf o contra la api de ibm de visual recognition, para hacer el cambio se debe modificar la linea 23 de public/js/upload.js por: const remoteApi = "http://smartia.mybluemix.net/api/v1/inputData";
modelo tf: const remoteApi = "http://localhost:8080/predict";
Una vez corriendo ambos servidores ingresar a http://localhost:3000 (servidor Node FRONTEND) El menu presenta 4 opciones:
- Camara de entrada Esta pagina emula el dispositivo de carga de las imagenes de entrada y se conecta a una api que envia la cara al modelo de IA, este devuelve el nombre y posteriormente se guarda el registro en la BD.
- Camara de salida Esta pagina emula el dispositivo de carga de las imagenes de salida y se conecta a una api que envia la cara al modelo de IA, este devuelve el nombre y posteriormente se guarda el registro en la BD.
- Registros Esta pagina devuelve los registros generados en la BD.
- Usuarios activos hoy Como muestra de las funcionalidades se presenta un listado del estado de los empleados en la oficina (aun no llegaron, actualmente en la oficina y ya se fueron).
Adicionalmente se incorpora un webchat al cual se le pueden consultar los empleados que estan activos y los que no. El procedimiento es el siguiente: SECUENCIA 1 Pregunta: Que personas están presentes? Respuesta: Favor indica a quien estas buscando? Pregunta: (Nicolás, Ricardo o Leonardo) Respuesta: estado SECUENCIA 2 Pregunta: Hoy vino? Respuesta: Quién? Pregunta: (Nicolás, Ricardo o Leonardo) Respuesta: estado