La IA generativa tiene el potencial de marcar el comienzo una nueva era de productividad y prosperidad.
Sin embargo, la actual falta de trazabilidad de datos y control de calidad en GenAI plantea un riesgo importante, permitiendo que datos no verificados comprometan la fiabilidad de la producción. Si no se aborda, este problema podría poner en peligro exponencialmente tanto el negocio y la sociedad.
Necesitamos encontrar un nuevo modelo que promueva datos mejores (y confiables). Esto significa datos que van más allá de las tres clásicas “Vs” asociadas con big data – Volumen, Velocidad y Variedad – para incorporar también las dos “V” de Validez y Valor.
IA Hibrida
Uno de los mayores conceptos erróneos es que GenAI reemplazará todas las herramientas de IA anteriores. Eso sería un gran error.
Ahora que la IA ha madurado lo suficiente como para ser utilizada en producción y escalado, se puede aprovechar su potencial para cerrar la brecha de madurez existente en GenAI, especialmente en casos de uso bien establecidos, como análisis de fraude y análisis de abandono.
Mejores Prácticas
- Plantear la finalidad antes de iniciar cualquier implementación de IA. Asegúrese de que cualquier iniciativa esté arraigada en un
desafío empresarial de la vida real que debe resolver. - No permitir que GenAI lo distraiga ni se coma todo su presupuesto, ya que existen otros medios muy eficaces para aprovechar la IA para
análisis, como el aprendizaje automático. - Deje que su equipo de análisis y datos supervise cada esfuerzo de IA en marcha, para garantizar que se alinee con y amplifique otros esfuerzos en curso.
Potenciar la experiencia del consumidor de datos
Para aquellas personas que sólo quieren obtener una respuesta rápida, y no cuentan con las habilidades para realizar un análisis, veremos un aumento en las visualizaciones y los conocimientos generados automáticamente, mejorados con explicaciones en lenguaje natural.
Los consumidores también tienden a confiar más en las personas que en los datos, por lo que la colaboración y el intercambio de datos serán clave. Hay puntos de bonificación si esto puede suceder dentro de los sistemas donde operan.
Mejores Prácticas
Buscar formas de tener un mayor impacto con los esfuerzos de análisis infundidos por IA, como incorporar más microconocimientos en todo el proceso de análisis y en los flujos de trabajo operativos que se pueden implementar. También puede considerar el uso de tecnologías como análisis integrados, alertas y automatización de aplicaciones.
Este análisis aumentado considera su intención y comportamiento, incluido el procesamiento de entradas de conversación a través de PNL, para generar conocimientos y visualizaciones que sean conscientes del contexto y, por lo tanto, altamente relevantes.
Datos no estructurados
La mayoría de los datos del mundo no están estructurados. Muchos han intentado anteriormente, sin éxito, analizar datos no estructurados, pero con las nuevas técnicas GenAI, podemos desbloquear su potencial y valor. Las oportunidades para combinar datos estructurados y no estructurados de forma confiable serán infinitas.
Mejores Prácticas
Utilice chatbots de código abierto como ChatGPT para casos de uso externos junto con chatbots más privados donde sus datos empresariales confiables estén protegidos, idealmente aquellos que también puedan aprovechar sus datos estructurados y no estructurados.
De BI a IA y viceversa
Cada vez más, las personas pueden comenzar su viaje analítico con las herramientas GenAI, usándolas para visualización de datos simples y proyecciones comerciales.
Como siguiente paso, es posible que deseen aprovechar herramientas de nivel empresarial para realizar un análisis más profundo, llevando los beneficios de GenAI a sus herramientas confiables.
Mejores Prácticas
Experimente con chatbots para consultas ad hoc, pero comprenda que no solucionarán todas las necesidades empresariales de los datos que gestionan su negocio.
Cuando necesite análisis persistentes utilizando datos en los que pueda confiar, asegúrese de utilizar también tecnologías de nivel empresarial que sean incorporables e integrables mediante API abiertas.
El ADN de los datos
Si antes la calidad y el linaje de los datos eran importantes, ahora se han vuelto innegociables en un mundo con IA. Surgirá un nuevo mecanismo para etiquetar y señalar claramente los datos para crear el equivalente a una prueba de ADN para sus datos, a fin de garantizar que conozca su origen y pueda confiar en él.
Mejores Prácticas
Si desea exponer datos de manera responsable a GenAI, debe preparar sus datos de manera responsable auditándolos y calificándolos utilizando técnicas como linaje, trazabilidad y puntuaciones de confianza.
Los datos que reciben una puntuación de confianza más baja se pueden utilizar para determinados fines, pero no para aplicaciones de misión crítica que se aprovechan en gran medida de la IA, ya que cualquier herramienta de IA debe basarse en datos confiables. Sin embargo, los datos de alta calidad que tienen una puntuación de confianza sólida se pueden producir y utilizar fuera de su organización. Asegúrese de que sus LLM públicos tengan procedencia de datos y criptografía antes de utilizar esos datos externos de manera más amplia.
Mas ande otro criollo pasa Martín Fierro ha de pasar, Nada la hace recular Ni las fantasmas lo espantan; Y dende que todos cantan Yo también quiero cantar.
Ahora que el inglés simple (o cualquier otro idioma) es el nuevo lenguaje de programación dominante para las herramientas GenAI, estamos viendo una explosión de aplicaciones creadas por el “desarrollador cotidiano”, lo que resulta en una oleada de innovación.
Así como la alfabetización en datos ha sido crucial en los últimos años, ahora debemos centrar nuestra atención en la alfabetización en IA para mejorar los estándares, evitar el caos en la gobernanza y el exceso de aplicaciones. A medida que este proceso pone poderes muy fuertes en manos de muchos, las organizaciones deben tomar medidas para educar a su fuerza laboral sobre los beneficios y riesgos de GenAI.
Ahora es el momento de facilitar la creación de aplicaciones ricas y cuidadosamente diseñadas que permitan la exploración.
Mejores Prácticas
Introducir ingeniería rápida y establecer políticas que fomenten la creación de aplicaciones. Esto debe hacerse teniendo en cuenta primero las barreras de privacidad, de modo que si estas aplicaciones se comparten más ampliamente, estén respaldadas por modelos de datos confiables para demostrar su legitimidad.
De manera similar a obtener una “licencia de conducir”, los robots de IA deberían pasar pruebas relevantes para demostrar su competencia.
La ingeniería de datos, el análisis y la ciencia de datos se están fusionando
Las nuevas plataformas, combinadas con la evolución de las estructuras de datos, llevarán la ingeniería de datos a una nueva generación de usuarios, especialmente si se complementa con potentes inteligencia artificial, automatización y ciencia de datos.
Facilitar las cosas difíciles y fusionar las funciones y capacidades de la ingeniería de datos, la ciencia de datos y el análisis permitirá a las organizaciones resolver problemas más difíciles con menos recursos. Eliminar las barreras entre funciones previamente aisladas también ayudará a las empresas a trasladar datos y resultados de grandes a mejores.
Mejores Prácticas
Desafíe a sus analistas de negocios, ingenieros y científicos de datos a trabajar juntos en una mayor parte del proceso de datos. Identifique personas capacitadas en su organización (idealmente aquellas cercanas a los problemas comerciales que deben resolverse) y bríndeles las herramientas adecuadas para hacer más cosas fuera de su zona de confort. La innovación a menudo surge de la convergencia entre partes inesperadas de su organización.
La automatización y la IA crean un círculo virtuoso
Hasta ahora, las herramientas GenAI se han utilizado principalmente para respaldar el razonamiento y realizar análisis, más que para actuar. Pero con los datos transformados casi en tiempo real y en el lugar correcto, comenzaremos a ver nuevas formas de utilizar GenAI con la automatización de aplicaciones. GenAI, conectada con la automatización, significará menos trabajo manual para que los humanos se conecten y creen flujos de trabajo y, en cambio, asuman el papel de administradores de decisiones.
Mejores Prácticas
Asegúrese de que sus datos estén en el lugar correcto y tengan las transformaciones correctas. Automatice de forma incremental a medida que aumenta la comodidad, monitoreando el progreso, ajustando y luego automatizando más. Pero siempre tenga a los humanos informados.
La personalización de la IA fundamental para las empresas
Las primeras aplicaciones de GenAI son enormemente escalables, pero actualmente genéricas.
Con el tiempo, veremos cada vez más IA personalizada para la industria y, más específicamente, casos de uso de empresa a empresa (B2B) creados en entornos de múltiples nubes para lograr eficiencia y estabilidad. Esto tomará la forma de aplicaciones donde la base puede ser común, pero con capas de personalización que sirvan mejor a la cola larga. Siguiendo esta tendencia, también veremos que con menos esfuerzo y menos horas de consultoría, se pueden crear aplicaciones sofisticadas que aborden una industria o un problema específico.
Mejores Prácticas
Manténgase agnóstico con aplicaciones de múltiples nubes y múltiples IA. Utilice tecnologías que puedan crear aplicaciones enriquecidas y aparecer en los mercados.
Los datos como producto comercializable.
Comience a aplicar los principios de gestión de productos a los datos, haciendo preguntas sobre qué problema(s) estamos resolviendo, para qué se utilizarán y quién. Esto enfatizará la importancia de la calidad, la gobernanza y la usabilidad de los datos para los usuarios finales.
El concepto de tratar los datos como un activo o producto valioso significa que pueden aparecer en un catálogo y usarse tanto indirectamente (internamente) para crear un valor enorme mediante la mejora de los sistemas y procesos internos como directamente (externamente) para evolucionar hacia un bien comercializable.
Esta oportunidad alentará a las organizaciones a utilizar sus propios datos para entrenar aún más modelos de lenguajes grandes (LLM), como ChatGPT, que luego se pueden monetizar.
Cuanto más se utilice el producto de datos, más valioso será.
Mejores Prácticas
Céntrese primero en la gobernanza y los metadatos. Luego podrá comenzar el camino de transformar sus activos de datos en productos para su reutilización interna y también externa.
Implementar un enfoque de estructura de datos será clave para generar valor. Esto requiere ingesta, transformación, orquestación, gobernanza, seguridad, preparación, calidad y curación, lo que permite obtener conocimientos y análisis que aceleren los casos de uso rápidamente.
