Cómo desarrollar una estrategia de datos para impulsar la transformación con IA

La adopción de IA es un hecho en los negocios hoy en día: la última encuesta de datos y análisis de Forrester encontró que tres de cada cuatro empresas han emprendido el viaje de utilizar la IA para transformar su negocio.

Ahora que ChatGPT ha irrumpido en el lugar de trabajo, los líderes de IA están buscando formas de aprovechar las nuevas capacidades generativas de la IA. Sin embargo, la IA se ha convertido en algo más que solo otra capacidad analítica; los líderes de IA están aprendiendo que también deben abordar preguntas más amplias sobre ética, sesgos, seguridad, regulaciones y resultados imprevistos.

Para acelerar la transformación con IA y abordar la confianza, los líderes tecnológicos deben repensar su estrategia de datos. Esto puede parecer contraintuitivo. ¿No deberías invertir más en recursos de ciencia de datos y desarrollar talento en ciencia de datos para complementar tu uso de IA? Si bien eso es sin duda necesario, cuando hablas con cualquier líder de IA, te dirá que su primer principio es la integridad de los datos. Los datos entrenan la IA; los datos alimentan a la IA en soluciones; y los datos observan a la IA. Debes tener una estrategia de datos sólida para asegurarte de que tus iniciativas de IA den frutos.

Si la IA va a transformar tu negocio, tu estrategia de datos debe conectar a los socios de datos, las prácticas y las plataformas de datos. Los líderes tecnológicos deben revisar cómo se obtienen los datos, cómo se utilizan y se diseñan para aplicaciones y sistemas de IA, y cómo el gobierno de datos asegura que construyamos confianza en la IA. En última instancia, para crear un sistema de inteligencia conectada, las empresas necesitan un enfoque moderno de los datos, especialmente en tres competencias.

Adquisición estratégica de datos

Tradicionalmente, los dominios de datos son amplios y se definen por conceptos de datos maestros como cliente y producto. Los dominios de datos tradicionales son monolíticos y se espera que sirvan para todos los casos de uso. Si bien esto simplifica la gestión de datos, a su vez dificulta la IA. Los científicos de datos tienen dificultades con los dominios de datos limitados diseñados para inteligencia empresarial e informes de rendimiento. Se necesita más información para que un modelo de aprendizaje automático ejecute una tarea y tome una decisión. Se necesita más metadatos para describir una entidad, un comportamiento o un resultado. Y los científicos de datos dependen de una variedad de tipos de datos más allá de los datos estructurados, como documentos, correos electrónicos, imágenes, video y audio, para construir capacidades de IA.

Cómo la tecnología espacial mejora el almacenamiento de datos en la Tierra

Hoy, un dominio de datos es contextual para un objetivo empresarial, una decisión y un resultado. El alcance es específico. La IA obliga a los científicos de datos y a los administradores de datos a buscar datos internos y externos relevantes, apropiados, de alta calidad y permisibles para su uso. Las plataformas de datos empresariales modernas deben mantener todos los datos empresariales. Los administradores de datos colaboran con los científicos de datos no solo para identificar datos de terceros y socios, sino también para negociar términos, condiciones y costo. Un mercado de datos permite la autoservicio para la ciencia de datos, donde los datos, las vistas y las políticas están listos para su consumo y aplicación.

Operaciones de datos

La arquitectura, ingeniería y gestión de datos han concentrado históricamente en sistemas centralizados personalizados. Los equipos de datos empresariales se han preocupado por la creación de almacenes de datos y bases de datos de aplicaciones. Los datos se mueven en lotes y se copian sin cesar. Los sistemas centralizados satisfacen las solicitudes comerciales de una única fuente de verdad, pero también crean complejidad, costos e inflexibilidad.

En el futuro, los científicos de datos y los ingenieros de datos deben colaborar para preparar los datos de entrenamiento de manera iterativa para los modelos de aprendizaje automático y, en general, para la escala de la ciencia de datos. Los ingenieros de datos utilizan el aprendizaje automático para etiquetar, clasificar y anotar todos los datos para que estén listos para los científicos de datos. Los científicos de datos luego completan la última verificación de higiene y preparación de los datos de entrenamiento. La colaboración entre los ingenieros de datos y los científicos de datos tiene otro beneficio: se comparten y coordinan las prácticas ágiles y los enfoques de desarrollo continuo. Cada rol construye componentes de IA (es decir, modelos, tuberías y controles). De esta manera, la IA es componible y más rápida de implementar.

Gobierno de IA

El análisis tradicional a menudo se implementa y se olvida. La gobernanza de datos suele ser una idea posterior. Estas prácticas ponen a la IA en desventaja. El aprendizaje automático es entrenado por un científico de datos, pero aprende y evoluciona en aplicaciones de producción. El cambio en las salidas y los resultados de la IA es constante. Y la IA automatizada puede generar rápidamente sesgos y resultados indeseables cuando no se verifica ni se gobierna de manera adecuada.

El gobierno de IA amplía la gobernanza de datos en alcance y roles. En primer lugar, la introducción de un nivel de control asegura que todo el aprendizaje automático, las tuberías, los datos y el procesamiento se realicen de acuerdo con el acuerdo de nivel de servicio. Las políticas, normas y lógica empresarial se federan y se ajustan al contexto de la experiencia de IA en lugar de la fuente de datos y el tejido de datos. El sistema es transparente, con capacidad de observación y ModelOps, que permiten a los ingenieros de datos y de aprendizaje automático tener una ventana al panorama de datos e IA. En segundo lugar, los interesados y los tomadores de decisiones comerciales supervisan, prueban y optimizan los datos, el aprendizaje automático y la IA en general para cumplir con los requisitos de gobierno de IA y los resultados empresariales.

La IA ya no debería agregarse a los sistemas digitales como una ocurrencia tardía; define y impulsa la transformación digital. Los profesionales de datos, IA y negocios desempeñan un papel en el diseño, desarrollo y propiedad de la IA. Un marco de inteligencia conectada puede guiar a los líderes tecnológicos para asegurarse de que sus empresas eleven la IA a un estado de primera clase y, como resultado, se centren primero en su estrategia de datos.

Ampliando horizontes: la alianza AWS-Matterport potencia los gemelos digitales con un panel conjunto

Obtén más información sobre los elementos clave que componen una estrategia de datos centrada en la IA.

Michele Goetz, vicepresidente/analista principal de investigación de Forrester, sirve a arquitectos empresariales, directores de datos y analistas comerciales que intentan navegar por las complejidades de los datos mientras dirigen un negocio impulsado por información. Su investigación cubre tecnologías y consultorías de inteligencia artificial, tecnología semántica, estrategia de gestión de datos, gobernabilidad de datos e integración de datos. Michele tiene más de 20 años de experiencia en gestión de datos, inteligencia empresarial y análisis.

En Newsmatic nos especializamos en tecnología de vanguardia, contamos con los artículos mas novedosos sobre Big Data, allí encontraras muchos artículos similares a Cómo desarrollar una estrategia de datos para impulsar la transformación con IA , tenemos lo ultimo en tecnología 2023.