¿Qué hay de nuevo?

A diferencia de BI, el Big Data no responde a las preguntas críticas que tienen las empresas, sino que les proporciona nueva información que puede generar nuevas preguntas que las empresas no han pensado en hacerse. 

Cuando hablamos de Big Data nos referimos a conjuntos de datos o combinaciones de conjuntos de datos cuyo tamaño (volumen), complejidad (variabilidad) y velocidad de crecimiento (velocidad) dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y herramientas convencionales, tales como bases de datos relacionales y estadísticas convencionales o paquetes de visualización, dentro del tiempo necesario para que sean útiles. (Fuente: PowerData).  Mientras que los sistemas de BI extraen datos específicos de fuentes predefinidas para convertirlos en conocimientos, las tecnologías de Big Data capturan datos de una variedad de fuentes en tiempo real, independientemente de sus formatos o estructura.

Las especiales características del Big Data hacen que su calidad de datos se enfrente a múltiples desafíos. Se trata de las conocidas como 5 Vs: Volumen, Velocidad, Variedad, Veracidad y Valor, que definen la problemática del Big Data. Estas 5 características del Big Data provocan que las empresas tengan problemas para extraer datos reales y de alta calidad, de conjuntos de datos tan masivos, cambiantes y complicados.

En 1987 la Organización Internacional de Normalización (ISO) publicó las normas ISO 9000 para garantizar la calidad de productos y servicios. Sin embargo, el estudio de los estándares de calidad de los datos no comenzó hasta los años noventa, y no fue hasta 2011 cuando ISO publicó las normas de calidad de datos ISO 8000.

Estas normas necesitan madurar y perfeccionarse. Además, la investigación sobre la calidad de datos de Big Data ha comenzado hace poco y no hay apenas resultados.

La calidad de datos de Big Data es clave, no solo para poder obtener ventajas competitivas sino también impedir que incurramos en graves errores estratégicos y operacionales basándonos en datos erróneos con consecuencias que pueden llegar a ser muy graves.  

Sin embargo, Structuralia propone que trabajar el Big Data en las empresas requiere de mucha planificación estratégica, inversión y, sobre todo, un cambio radical de paradigmas, con el fin de verdaderamente “gobernar” los datos que sean recogidos. El término utilizado para esto es “Data Governance”, y quiere decir que los datos deben tener los permisos necesarios, estar autorizados, actualizados, accesibles en una base de datos, con la menor cantidad de errores, y manteniendo siempre la seguridad y la privacidad. Lo cual, plantea tener muy en cuenta los siguientes desafíos:

• Lograr integrar tantas fuentes y tipos de datos con estructuras complejas
• Procesar tal volumen de datos dentro de tiempos razonables
• Ser capaz de reaccionar a la alta volatilidad de los datos
• La falta de estándares de calidad de datos unificados y suficientemente maduros

Inteligencia Artificial -AI- ¿Debo ponerle atención?

La Inteligencia Artificial es ahora una tecnología posible para todas las empresas, sin importar su tamaño o su poder económico, pues un modelo de «pago por uso» esta tecnología se hace más democrática. 

En los años 50 del pasado siglo, el matemático Alan Turing mencionó en un artículo que, en el año 2000, existirían máquinas capaces de desarrollar juegos de imitación, táctica que se esconde bajo el test que lleva su nombre, gracias al cual Turing es considerado como el padre de la IA. La industria automotriz, el sector del entretenimiento o el retail, entre otros, se han beneficiado enormemente de los avances en este campo. (Fuente: PWC)

Red Hat señala que se espera que la cantidad de datos almacenados a nivel global alcance los  8,9 zettabytes en el año 2024. En un mundo digital, los datos pueden representar una ventaja competitiva. Aun así, recopilarlos es solo el comienzo; el factor diferencial radica en cómo los utiliza.  La inteligencia artificial implica que las máquinas imiten el comportamiento humano para llevar a cabo tareas que generalmente requieren la intervención de personas.

América Economía señalaba en uno de sus editoriales: La IA es a menudo un objeto de deseo que las organizaciones quieren, pero no han pensado completamente por qué lo necesitan. La adopción de IA es un viaje que requiere pasos medidos y con propósito. Cada paso debe abordarse con un objetivo claro en mente y con un claro objetivo de retorno de inversión en un plazo establecido, recordando que el ROI va más allá del valor monetario y puede incluir ganancias de productividad y otros beneficios. Para definir por qué hay que tener una visión realista de su negocio. ¿Qué área necesita mejorar? ¿Necesita mejorar la conversión y aumentar los ingresos por cliente? ¿Tiene los empleados adecuados? ¿Necesita mejorar la productividad de los empleados o aumentar la moral? ¿Tiene un plan de sucesión? ¿Su red de proveedores es saludable?

La siguiente pregunta lógica es «¿Cómo implemento?» Esto esencialmente se reduce a uno de dos caminos: comprar una aplicación de IA pre-construida o construir una propia.

La compra de una aplicación de IA lista para usar proporciona una barrera de entrada más baja, los beneficios son casi inmediatos y, a menudo, se combinan con fuentes de datos de terceros. Esto también transfiere el riesgo de su organización al proveedor de la aplicación, que tiene la tarea de mantener la aplicación, asegurar y validar los datos, y garantizar que cumpla con las normas locales y globales de seguridad y privacidad.

La inteligencia artificial y el aprendizaje automático les brindan a las personas mejores perspectivas para que puedan tomar decisiones más inteligentes, pero, en la mayoría de los casos de uso, todavía requieren supervisión humana. Un tema importante es la confianza. La máquina proporciona una salida, pero ¿cómo puede el usuario confiar en que la máquina tomó la decisión correcta o recomendar la acción correcta? Para establecer la confianza, un algoritmo de aprendizaje automático debe mostrar su funcionamiento y qué datos fueron importantes para que la máquina produzca un resultado específico.

La complejidad de las soluciones de IA y el rendimiento de la infraestructura necesaria para ejecutar una aplicación de aprendizaje continuo hace que la nube sea una necesidad para su despliegue. La nube proporciona a las organizaciones una infraestructura rentable y fácil de mantener que es rápida de implementar y fácil de escalar.

Por Fredy Arévalo

Keywords: