¿Por qué la inteligencia artificial es como un deporte en equipo?
Nota del editor: Este artículo se publicó originalmente en Forbes.
¿Qué implica pensar en la inteligencia artificial como un deporte en equipo? Estamos viendo que los proyectos de inteligencia artificial pasan de la fantasía a la realidad. Esto se debe, en gran parte, a que los roles correctos se están involucrando para proporcionar el contexto de negocios que antes faltaba. La experiencia en el dominio es clave. Las máquinas no tienen la profundidad de contexto que tienen las personas. Por su parte, las personas necesitan conocer el negocio y los datos lo suficientemente bien como para comprender qué acciones tomar en función de las ideas o recomendaciones que surjan.
Cuando se trata de expandir el uso de la inteligencia artificial, muchos líderes piensan que este problema se relaciona con las personas, específicamente, que no hay suficientes científicos de datos. Sin embargo, no todos los problemas de negocios son un problema de ciencia de datos. O al menos, no todos los desafíos comerciales deben pasar al equipo de ciencia de datos. Con el enfoque correcto, puede aprovechar los beneficios de la inteligencia artificial sin los desafíos que conllevan los ciclos tradicionales de ciencia de datos.
A fin de implementar y adaptar soluciones de inteligencia artificial, los líderes deben cambiar la mentalidad de la organización y pensar en la inteligencia artificial como un deporte en equipo. Para algunos proyectos de inteligencia artificial, se necesitan diferentes personas, herramientas y expectativas a fin de obtener resultados positivos. Saber cómo reconocer estas oportunidades lo ayudará a abordar estos proyectos más eficaces. Además, le permitirá profundizar las habilidades de los usuarios de la inteligencia artificial y aumentar la velocidad y eficacia de la toma de decisiones en toda la fuerza laboral. Exploremos por qué sucede esto y cómo lograrlo.
Las organizaciones están democratizando el análisis avanzado con inteligencia artificial
El uso de la inteligencia artificial para resolver problemas de negocios ha sido, en gran medida, competencia de los científicos de datos. A menudo, los equipos de ciencia de datos solo trabajan en las principales oportunidades y los desafíos más complejos de una organización. Muchas organizaciones han tenido éxito al aplicar la ciencia de datos a casos de uso específicos, como la detección de fraudes, la personalización y más. Es decir, a casos de uso donde una experiencia técnica profunda y unos modelos optimizados con precisión generan resultados extremadamente positivos.
Sin embargo, expandir el uso de las soluciones de inteligencia artificial a través del equipo de ciencia de datos representa un desafío para las organizaciones, por muchas razones. Atraer y retener talentos es muy costoso y puede resultar complicado en un mercado competitivo. Los proyectos tradicionales de ciencia de datos a menudo pueden tomar mucho tiempo para desarrollarse e implementarse antes de que la empresa vea el valor. Además, incluso los equipos de ciencia de datos estables y más experimentados pueden fallar si carecen de los datos o el contexto necesarios para comprender los matices del problema que deben resolver.
En el informe de Gartner® de 2021 sobre el estado de la ciencia de datos y el aprendizaje automático (DSML), se afirma que “la demanda de los clientes está cambiando, con audiencias menos técnicas que desean aplicar DSML más fácilmente, expertos que necesitan mejorar la productividad y empresas que esperan obtener valor de sus inversiones más rápido”. Si bien muchos problemas de negocios pueden beneficiarse de la velocidad o la minuciosidad del análisis que puede proporcionar la inteligencia artificial, un enfoque de ciencia de datos tradicional no siempre es el mejor plan de acción a fin de obtener valor rápidamente. De hecho, en el mismo informe de Gartner se predice que “para 2025, la escasez de científicos de datos ya no obstaculizará la adopción de la ciencia de datos y el aprendizaje automático en las organizaciones”.
La experiencia en el dominio es fundamental para expandir el uso de la inteligencia artificial a toda la empresa
La inteligencia artificial ya está ayudando a llevar las funcionalidades de análisis avanzadas a usuarios que no tienen experiencia en ciencia de datos. Las máquinas pueden seleccionar entre los mejores modelos y algoritmos para elaborar pronósticos. Los modelos subyacentes pueden exponerse para ajustarlos y asegurarse de que todo coincida con lo que el usuario está buscando.
Estas opciones brindan a los analistas y los expertos de negocios la capacidad de diseñar y aprovechar sus propias aplicaciones de inteligencia artificial. Al trabajar más estrechamente con los datos, estos usuarios tienen una ventaja sobre muchos de los científicos de datos. Poner todo esto en manos de aquellas personas con experiencia en el dominio puede ayudar a evitar los largos tiempos de desarrollo, la carga de recursos y los costos ocultos asociados con los ciclos tradicionales de la ciencia de datos. Además, las personas con experiencia en el dominio deberían ser quienes decidan si una predicción o sugerencia de inteligencia artificial es útil o no.
Con procesos de creación de modelos más iterativos y de revisión y reimplementación, las personas con contexto empresarial pueden obtener valor de la inteligencia artificial más rápido, e incluso implementar nuevos modelos para miles de usuarios en cuestión de días o semanas, en lugar de semanas o meses. Esto es especialmente eficaz para aquellos equipos cuyos desafíos únicos pueden no ser de máxima prioridad para los equipos de ciencia de datos, pero que pueden beneficiarse igualmente de la velocidad y la minuciosidad del análisis con inteligencia artificial.
Sin embargo, es importante tener en cuenta que, si bien estas soluciones pueden ayudar a reducir la brecha de habilidades entre los analistas y los científicos de datos, no reemplazan a estos últimos. Los científicos de datos siguen siendo un socio fundamental de los expertos de negocios en el momento de validar los datos que se utilizan en las soluciones impulsadas por inteligencia artificial. Además de esta colaboración, la educación y las habilidades de datos serán fundamentales para usar este tipo de herramientas con éxito en toda la empresa.
La alfabetización de datos capacita a más personas para aprovechar la inteligencia artificial
Su estrategia de datos de base juega un papel muy importante al preparar a su organización para el éxito con la inteligencia artificial. Sin embargo, brindar soluciones de inteligencia artificial a más personas en toda la empresa también requerirá una base de alfabetización de datos. Comprender qué datos son apropiados para aplicar a un problema de negocios, y cómo interpretar los datos y los resultados de una recomendación de inteligencia artificial, ayudará a las personas a confiar en la inteligencia artificial y a incluirla con éxito en el proceso de toma de decisiones. Un lenguaje de datos compartido dentro de la organización también abre más puertas para una colaboración exitosa con expertos.
En la última encuesta global sobre inteligencia artificial de McKinsey se revela que un 34 % de las organizaciones con un alto rendimiento cuentan con “un centro de capacitación dedicado en el que se desarrollan las habilidades de inteligencia artificial del personal no técnico a través del aprendizaje práctico”, en comparación con únicamente el 14 % de todos los demás encuestados. Además, en el 39 % de las organizaciones con un alto rendimiento “existen canales designados de comunicación y puntos de contacto entre los usuarios de inteligencia artificial y el equipo de ciencia de datos de la organización”, en comparación con tan solo el 20 % en las demás.
Los líderes pueden adoptar diferentes enfoques para mejorar la alfabetización de datos, desde educación y capacitación, programas de tutorías, concursos de datos para el desarrollo de la comunidad y más. Es necesario normalizar el acceso y el intercambio de datos, así como pensar en cómo se reconocen y promueven los éxitos, los aprendizajes y la toma de decisiones con los datos.
“La alfabetización de datos y la educación sobre la visualización y la ciencia de datos deben ser más importantes y enseñarse antes”, según Vidya Setlur, directora de investigación de Tableau. “El uso de los datos siempre viene acompañado de una especie de responsabilidad social y organizacional. Las personas deberían estar mejor equipadas para comprender, interpretar y aprovechar al máximo los datos porque la inteligencia artificial solo se volverá más sofisticada y deberíamos anticiparnos a este hecho”.
Al continuar construyendo la cultura de datos de su organización, se generan excelentes oportunidades para mejorar las habilidades e impulsar nuevas soluciones en toda la empresa. Muchas organizaciones ya han aumentado sus inversiones en datos y análisis en los últimos años, a medida que se acelera la transformación digital. No es equivocado pensar en los datos como un deporte en equipo, y ahora contamos con los medios para extender esa mentalidad a la inteligencia artificial.
¿Desea obtener más información?
- Explore las soluciones de análisis impulsado por inteligencia artificial de Tableau.
- Lea este artículo relacionado: Obtenga una inteligencia artificial eficaz con una estrategia de datos centrada en las personas (en inglés).
- Conozca nuestro compromiso de capacitar a 10 millones de personas en habilidades de datos en un período de 5 años.
______________________________________________________________________________________________
1 Gartner, El estado de la ciencia de datos y el aprendizaje automático (en inglés). Pieter den Hamer, Carlie Idoine, Shubhangi Vashisth, Farhan Choudhary, Afraz Jaffri, Peter Krensky. 10 de diciembre de 2021. GARTNER es una marca registrada y una marca de servicios de Gartner, Inc. o sus filiales en los Estados Unidos y a nivel internacional, y se usa en este documento con los permisos correspondientes. Todos los derechos reservados.
Historias relacionadas
Suscribirse a nuestro blog
Obtenga las últimas actualizaciones de Tableau en su bandeja de entrada.