Tres pasos para preparar sus datos para la IA

Aunque muchas organizaciones ya han realizado un pequeño número de pruebas de concepto exitosas para demostrar el valor de la IA generativa, ampliar esas pruebas de concepto y aplicar la nueva tecnología a otras partes del negocio nunca funcionará hasta que la producción de datos listos para la IA se convierta en una práctica estándar. La reciente predicción de Gartner de que el 60% de los proyectos de IA que se ejecuten sin datos listos para la IA serán abandonados el próximo año, arroja luz sobre la bomba de tiempo que los líderes de TI deben desactivar de inmediato.

Para muchos directores de sistemas de información (CIO, por sus siglas en inglés), preparar sus datos para un solo proyecto de IA es una tarea difícil. “Al embarcarse en su viaje hacia la IA, muchas personas han descubierto que sus datos son basura”, afirma Eric Helmer, director de Tecnología de la empresa de soporte de software Rimini Street. “En algunos casos, no están seguros de dónde están entre cientos de sistemas diferentes. Y cuando lo encuentran, a menudo no saben si está en un estado que pueda ser utilizado por la IA. Esto tiende a frenar sus aspiraciones de IA”.

Para prepararse para el tsunami de solicitudes de apoyo al uso de la IA en proyectos de toda la empresa, los CIO deben seguir estos tres pasos para garantizar que la preparación de los datos para la IA se convierta en una práctica habitual.

Renunciar al uso de la TI tradicional para la IA

“El objetivo final es disponer de datos preparados para la IA, lo que significa datos de calidad y coherentes con las estructuras adecuadas optimizadas para ser utilizados eficazmente en modelos de IA y para producir los resultados deseados para una aplicación determinada”, afirma Beatriz Sanz Sáiz, líder mundial del sector de la IA en EY. Los CIO no necesitan producir datos preparados para la IA para una sola aplicación, sino para todas las aplicaciones que requieran inteligencia específica de la empresa.

Por desgracia, muchos líderes de TI están descubriendo que este objetivo no se puede alcanzar utilizando prácticas de datos estándar y hardware y software de TI tradicionales. “Es casi imposible limpiar los datos en un conjunto de sistemas desconectados y hacerlos útiles para la IA”, afirma Helmer. “Si se entra en un sistema de RR. HH. y se eliminan los registros duplicados o se limpian los datos de cualquier otra forma, es posible que los cambios no se propaguen a todos los almacenes de datos relacionados, lo que crea incoherencias en los datos”.

Para entrenar regularmente los modelos necesarios para casos de uso específicos de su negocio, los CIO deben establecer canales de datos listos para la IA, incorporando nuevos métodos para recopilar, limpiar y catalogar la información empresarial. Otra investigación de Gartner realizada recientemente entre líderes en gestión de datos sugiere que la mayoría de las organizaciones aún no están preparadas. Dos tercios de las organizaciones incluidas en el estudio de más de 1.200 no tienen las prácticas de gestión de datos adecuadas para la IA o no están seguras de tenerlas. Por lo tanto, los líderes de TI que planean aumentar la adopción de la IA claramente necesitan repensar cómo gestionan los datos.

Hasta ahora, la mayoría de las organizaciones han estado confiando en sistemas tradicionales que ya tenían dificultades para soportar la carga de trabajo de producción, según Jason Hardy, director de Tecnología de IA en Hitachi Vantara. Ahora, con la incorporación de las cargas de trabajo de IA, el resultado son muchos problemas posteriores que afectan a las operaciones diarias normales. Los CIO deben renovar su infraestructura no solo para procesar una enorme cantidad de datos a través de un nuevo conjunto de interfaces, sino también para manejar todos los nuevos datos producidos por la IA en patrones nunca antes vistos. “La revolución de la IA está obligando a modernizar el centro de datos en todos los sectores”, afirma Hardy.

La modernización ya había comenzado a gran escala alrededor de 2018, según Sáiz. Se puso a disposición una nueva tecnología que permitió a las organizaciones comenzar a cambiar sus infraestructuras y prácticas de datos para adaptarse a las crecientes necesidades de grandes conjuntos de datos estructurados y no estructurados para impulsar el análisis y el aprendizaje automático. Comenzaron a utilizar la virtualización de datos, lo que redujo la necesidad de grandes almacenes de datos al desvincular el consumo de datos de su origen. Ahora, con la IA agencial, la necesidad de datos de calidad está creciendo más rápido que nunca, lo que da más urgencia a la tendencia existente.

Utilizar la IA para mejorar los datos y el conocimiento para mejorar la IA

La buena noticia es que la IA es parte de la solución, añade Sáiz. Por ejemplo, la IA generativa puede utilizarse para generar datos sintéticos, y otras formas de IA pueden utilizarse para ayudar a analizar y mejorar la calidad de los datos. Algunas organizaciones utilizan la IA para analizar la distribución de datos identificando valores que no están dentro de un rango razonable y luego completando los valores que faltan. La IA también puede ayudar a los ingenieros a localizar conjuntos de datos problemáticos, aplicando diferentes técnicas para determinar la probabilidad de que un valor dado sea realista. “Estamos viendo la ‘IA para datos’ como una de las mayores aplicaciones de la IA en la empresa en este momento”, dice Sáiz. “El hecho de que la revolución de los datos y la revolución de la IA se estén produciendo en paralelo genera una situación en la que todos ganan”.

La IA también puede utilizarse para permitir una infraestructura de datos mucho más descentralizada al disponer de una inteligencia centralizada que emplea IA agencial para gestionar la infraestructura descentralizada. Cientos de miles de agentes pueden hacer cumplir las normas y garantizar la coherencia de los datos, lo que, según Sáiz, es uno de los mayores retos a los que se enfrentan las empresas en lo que respecta a la infraestructura de datos.

Por ejemplo, la IA puede ayudar a garantizar que los sistemas de registros de un cliente en particular sean coherentes en todos los sistemas, incluidos CRM, software de centros de contacto y aplicaciones financieras. “Para mantener la coherencia, cada vez que un cliente interactúa con un centro de contacto o con la web, todos los sistemas reciben el cambio casi en tiempo real”, afirma Sáiz. “Antes había más latencia y muchas comprobaciones manuales, pero ahora todo está impulsado por la IA, que comprueba constantemente el estado y el conjunto de datos maestros para determinar, basándose en la inteligencia, si es necesario actualizar un registro en todo el sistema”.

Según Sáiz, el conocimiento se está volviendo más importante que los datos porque ayuda a interpretar los datos. Se puede construir una capa de conocimiento sobre la infraestructura de datos para proporcionar contexto y minimizar las alucinaciones. “Si alguien en telecomunicaciones ejecuta un modelo de previsión, las variables, las entradas y los resultados serán diferentes a los de ejecutar el mismo modelo para previsión financiera”, dice. “Cuanto más te centres en el conocimiento, más precisa será tu IA”.

Aplicar un enfoque iterativo a la transformación

Algunos líderes de TI se sienten abrumados por el desafío que tienen ante sí, pensando que necesitan tener todos sus datos en perfecto estado antes de comenzar su viaje hacia la IA. Pero Hardy dice que un mejor enfoque es que cambien sus prácticas e infraestructura de gestión de datos de forma iterativa. “Una vez que se ponen en marcha los principios y prácticas fundamentales, se puede hacer la transformación proyecto por proyecto”, dice.

Uno de los principios fundamentales es la ciberseguridad, que es la principal preocupación de los directores de informática, según Hardy. Los responsables de TI deben asegurarse no solo de que los datos utilizados para entrenar los modelos no violen ninguna regla sobre privacidad de datos, sino también de que los modelos generen respuestas coherentes con los derechos de acceso del usuario. “Los sistemas de IA deben saber quién hace la pregunta para que se devuelva el nivel adecuado de información y no se exponga información adicional”, dice Hardy.

También hay que mitigar el riesgo de exponer la propiedad intelectual, especialmente cuando la IA se ofrece como un servicio basado en la nube. “En función de cómo interactúes con el servicio —y de los tipos de datos, los requisitos de soberanía, los requisitos de confidencialidad y las normativas—, probablemente decidirás que algunos de los datos nunca deben estar en la nube”, añade Hardy. “Establecer directrices te ayudará a decidir caso por caso qué se queda en las instalaciones y qué se va a la nube”.

Según Helmer, se debe establecer un órgano de gobierno para ayudar a garantizar que se sigan las mejores prácticas. Cualquiera que desarrolle o implemente una aplicación de IA debe adherirse a un conjunto de reglas que sean consistentes no solo con la calidad de los datos, sino también con las políticas de retención, las políticas de dependencia de datos y todas las regulaciones apropiadas.

“A medida que avanza en el proceso, decida el resultado que busca con cada proyecto”, dice Hardy. “Luego, averigüe qué datos necesita y con qué sistemas debe interactuar para lograr ese resultado. En lugar de intentar hervir el océano antes de ver algún resultado, concéntrese en la transformación de sus datos, un resultado a la vez”.