Addictware | Noticias de Tecnología - La Inteligencia Artificial se alimenta de datos

En la era de la abundancia de datos, el aprendizaje profundo promete un desempeño mejor y más robusto. Pero hay pasos cruciales que deben darse ante de que podamos obtener los máximos beneficios del mundo orientado a los datos al que estamos incursionando. 

Si escuchamos los actuales debates sobre la inteligencia artificial (IA), nos puede prometer tanto un mundo de posibilidades ilimitadas o una amenaza de destrucción. Al igual que con cualquier otra tecnología emergente, el futuro de la IA aún queda por escribirse. Sin embargo, estamos entrando al mundo de la Empresa 4.0, y las oportunidades son amplias para los sabios. En la era de la abundancia de datos, el aprendizaje profundo promete un desempeño mejor y más robusto. Pero hay pasos cruciales que deben darse ante de que podamos obtener los máximos beneficios del mundo orientado a los datos al que estamos incursionando. 

El aprendizaje profundo

En los últimos años, las técnicas y tecnologías de aprendizaje profundo han adquirido partes grandes del aprendizaje automático. Además de sus poderes predictivos mejorados, el aprendizaje profundo permite manejar una variedad de datos, tales como planos, temporales, textuales o basados en imágenes, a través de un enfoque común. TCS

En ese mismo lapso, los productos de software en el espacio de estadística/ciencia de los datos se han vuelto obsoletos rápidamente y han sido reemplazados por una proliferación de herramientas de código abierto para aprendizaje profundo y visualización de datos sencilla.

Por otra parte, las empresas insisten cada vez más en que se promueva la adopción de IA, pero ignoran la importancia de la ciencia de los datos. La adopción de esta tecnología sin la madurez empresarial necesaria para formular, implementar, activar y continuamente mejorar los casos de uso con base en el aprendizaje automático es como observar el problema desde el lado equivocado del telescopio.   

Enfocarse en imaginar los problemas y oportunidades empresariales, así como identificar tanto las posibilidades como las limitaciones de la ciencia de los datos, es una mejor estrategia. En mi opinión, el reto más grande es equilibrar las expectativas empresariales conforme se mide y entrega un valor real. 

Y cuando hablemos de datos, es importante pasar por alto el atractivo inicial de los datos de fuentes públicas y buscar datos internos valiosos, que son mucho más difíciles de acceder a pesar del considerable gasto corporativo en plataformas de data lake y de otro tipo. 

La empresa primero

El enfoque de “la empresa primero” requiere formar un equipo que sea capaz de colaborar y de imaginar, y que esté preparado para experimentar y demostrar no sólo su potencial, sino también su verdadero valor. Los buenos científicos de datos son poco comunes, pero sería óptimo encontrar uno que pueda dirigir un equipo, idealmente integrado por un estadístico, algunos ingenieros de visualización de datos y aprendizaje automático/aprendizaje profundo, y uno o más expertos en negocios.

Un aspecto crítico de ese líder es que posea la capacidad de amalgamar esas habilidades para tanto formar hipótesis como resolver problemas empresariales, así como para difundir la nueva cultura orientada a los datos dentro de la unidad o en toda la empresa.

También es importante considerar el tipo de infraestructura de TI que se requiere. ¿Cuáles son los parámetros del problema empresarial? ¿Es la automatización de las tareas, la amplificación de las habilidades o la digitalización? Responder estas preguntas ayuda a definir si se necesita una solución orientada a los datos o una solución de IA.

Por ejemplo, la automatización o eliminación de un proceso empresarial a través de un modelo de aprendizaje automático se puede implementar dentro de un sistema de procesos de TI que tenga la capacidad de ejecutar ciertos pasos de manera automática.

Las herramientas de automatización robótica de procesos permiten esa automatización a través de reglas específicas, y es sencillo conectar un sistema de decisiones basado en aprendizaje automático a esos motores de generación de secuencias de comandos.

La amplificación de la eficacia y conocimientos de los empleados puede requerir, por ejemplo, una red social interna como Slack, dentro de la cual se implementa un chatbot inteligente.

El toque humano

Por último, la digitalización de un proceso, tal como crear ofertas o experiencias personalizadas para el tráfico de consumidores en línea, requeriría una estructura completamente diferente; por ejemplo, un motor de reproducción y una base de datos en la memoria, o incluso una plataforma de ejecución paralela. Para todos esos procesos, lo mejor es desarrollar una cultura de “implementar primero”, después medir la efectividad, y finalmente mejorar continuamente.

Al igual que con cualquier proceso desconocido, habrá falsos positivos, y aunque quizá representen un costo, estos disminuirán y el sistema mejorará. Los sistemas de aprendizaje automático mejoran con el tiempo —hay que vivirlo para creerlo—. 

Una última idea: No debemos olvidar reconocer el papel que la intuición y la creatividad humanas desempeñan en imaginar y validar los problemas empresariales —algo que a las máquinas les tomará mucho tiempo aprender—.