Adopte un enfoque de estrategia de datos basado en la IA para acelerar la transformación

Los sistemas inteligentes conectados requieren enfoques modernos para los datos, especialmente en tres capacidades.

Imagen: Blue Planet Studios/Adobe Stock.

Hoy en día, la adopción de IA en la empresa es una conclusión inevitable: la última encuesta de datos y análisis de Forrester encontró que las tres cuartas partes de las empresas ya están usando IA para transformar sus negocios.

Ahora que ChatGPT ingresó al lugar de trabajo, los líderes de IA están encontrando formas de aprovechar las nuevas capacidades de IA generativa. Sin embargo, la IA ya no es solo otra capacidad analítica; los líderes de la IA están aprendiendo que también deben abordar cuestiones más amplias sobre ética, prejuicios, seguridad, regulaciones y resultados imprevistos.

Más cobertura de IA de lectura obligada

Para aprovechar la IA para acelerar la transformación y abordar los problemas de confianza, los líderes tecnológicos deben repensar sus estrategias de datos. Esto parece contradictorio. ¿No invertirá más en recursos de ciencia de datos y desarrollará talento en ciencia de datos para complementar su uso de IA? Si bien esto es ciertamente necesario, cuando hablamos con cualquier líder de IA, le dirán que su primer principio es la integridad de los datos. Los datos entrenan a la IA; los datos potencian la IA en las soluciones; los datos observan la IA. Debe contar con la estrategia de datos adecuada para garantizar que sus iniciativas de IA den frutos.

Si la inteligencia artificial va a transformar su negocio, su estrategia de datos necesita conectar socios, prácticas y plataformas de datos. Los líderes tecnológicos deben volver a examinar de dónde provienen los datos, cómo se utilizan y diseñan para aplicaciones y sistemas de IA, y cómo se gestionan los datos para garantizar que construimos confianza en la IA. En última instancia, para crear un sistema inteligente conectado, las empresas necesitan un enfoque moderno de los datos, especialmente en tres capacidades.

Salta a:

Fuentes de datos estratégicos

Tradicionalmente, los dominios de datos están contenidos y definidos por conceptos de datos maestros como clientes y productos. El dominio de datos tradicional es singular y se espera que sirva para todos los casos de uso. Si bien esto simplifica la gestión de datos, a su vez dificulta la IA. Los científicos de datos luchan con dominios de datos restringidos diseñados para inteligencia empresarial e informes de rendimiento. Los modelos de aprendizaje automático necesitan más información para realizar tareas y tomar decisiones. Se necesitan más metadatos para describir entidades, comportamientos o resultados. Los científicos de datos confían en una variedad de tipos de datos más allá de los datos estructurados, como documentos, correos electrónicos, imágenes, videos y audio para desarrollar capacidades de IA.

Hoy en día, los dominios de datos están asociados con objetivos comerciales, decisiones y resultados. Los rangos son específicos. La IA obliga a los científicos y administradores de datos a buscar datos internos y externos relevantes, apropiados, de alta calidad y permisivos. Una plataforma de datos empresarial moderna debe mantener todos los datos empresariales. Al trabajar con científicos de datos, los administradores de datos no solo pueden identificar datos de terceros y socios, sino también buscar términos, condiciones y costos. Los mercados de datos permiten el autoservicio de ciencia de datos, donde los datos, las vistas y las políticas están listos para el consumo y la aplicación.

manipulación de datos

Históricamente, la arquitectura, la ingeniería y la gestión de datos se han centrado en sistemas centralizados personalizados. Los equipos de datos empresariales se centran en los almacenes de datos y las bases de datos de aplicaciones. Los datos se mueven a granel y se copian sin cesar. Los sistemas centralizados cumplen con los requisitos comerciales para una única fuente de verdad, pero también presentan complejidad, costo e inflexibilidad.

En el futuro, los científicos de datos y los ingenieros de datos deben colaborar para preparar datos de entrenamiento iterativos para los modelos de ML y la escala de ciencia de datos en general. Los ingenieros de datos utilizan ML para etiquetar, clasificar y anotar todos los datos para estar preparados para los científicos de datos. Luego, el científico de datos completa las verificaciones finales de saneamiento y la preparación de los datos de capacitación. La colaboración entre ingenieros de datos y científicos de datos tiene otro beneficio: compartir y armonizar prácticas ágiles y metodologías de CI/CD. Cada función crea componentes de IA (es decir, modelos, canalizaciones y controles). AI es componible y se puede implementar más rápido.

Gobernanza de IA

Los análisis tradicionales a menudo se implementan y se olvidan. El gobierno de datos es una ocurrencia tardía. Estas prácticas ponen a la IA en desventaja. ML es entrenado por científicos de datos, pero aprende y evoluciona en aplicaciones de producción. Los cambios en la producción y los resultados de la IA son constantes. Cuando la IA automatizada no se controla y se administra de manera flexible, puede reducir rápidamente el sesgo y los malos resultados.

El gobierno de IA amplía el alcance y la función del gobierno de datos. En primer lugar, la introducción de una capa de control garantiza que todo el ML, las canalizaciones, los datos y el procesamiento se realicen de acuerdo con los acuerdos de nivel de servicio. Las políticas, los estándares y la lógica comercial están federados y contextualizados para la experiencia de IA en lugar de fuentes y estructuras de datos. El sistema es transparente, con capacidades de observabilidad y ModelOps, lo que brinda a los ingenieros de datos y ML una ventana al panorama de datos e IA. En segundo lugar, las partes interesadas del negocio y los tomadores de decisiones monitorean, prueban y optimizan los datos, el ML y la IA en general para cumplir con los requisitos de gobierno de la IA y los resultados comerciales.

La IA ya no debería ser una ocurrencia tardía añadida a los sistemas digitales; define e impulsa la transformación digital. Los profesionales de los datos, la IA y los negocios desempeñan un papel en el diseño, el desarrollo y la propiedad de la IA. El Marco de Inteligencia Conectada puede guiar a los líderes tecnológicos para garantizar que sus empresas hagan avanzar la IA al estado de mejor en su clase y, por lo tanto, se centren primero en sus estrategias de datos.

Obtenga más información sobre los elementos clave que conforman una estrategia de datos que da prioridad a la IA.

Imagen: Michelle Goetz

Michele Goetz, vicepresidenta/analista principal de Forrester Research, atiende a arquitectos empresariales, directores de datos y analistas comerciales que intentan navegar por las complejidades de los datos mientras ejecutan negocios basados ​​en conocimientos. Su investigación cubre tecnologías y consultoría de inteligencia artificial, tecnologías semánticas, estrategias de gestión de datos, gobierno de datos e integración de datos. Michele tiene más de 20 años de experiencia en gestión de datos, inteligencia comercial y análisis.