• #AI
• #AIWITHOPENTEXT

AI

IA en pocas palabras, consiste en enseñar a los ordenadores a hacer lo que es natural para los humanos. Los humanos acumulan experiencias y utilizan este conocimiento y las lecciones aprendidas para ayudar a tomar decisiones. Mientras que los humanos pueden ver instintivamente patrones en cantidades relativamente pequeñas de datos, la IA tiene el potencial de examinar casi cualquier cantidad o variedad de datos de forma rápida y eficiente para extrapolar el significado y predecir resultados.

Aunque a lo largo de los años la IA ha evocado la imagen de superordenadores que se apoderan del mundo, esto sigue perteneciendo firmemente al ámbito de la ciencia ficción. La IA aún no tiene capacidades cognitivas similares a las de los seres humanos, como hacer juicios complejos, tener respuestas emocionales o manejar la ambigüedad. Hoy en día, las empresas utilizan métodos de aprendizaje automático para enseñar a su IA a realizar tareas específicas sin ser programada explícitamente. Este tipo de IA permite al usuario entrenar a la máquina para que le ayude a encontrar las mejores soluciones y a centrarse en cuestiones empresariales de mayor valor.

Por último, es importante recordar que la IA no es una tecnología única. Se trata de una serie de tecnologías que aportan capacidades para la resolución de problemas, el apoyo a la toma de decisiones y la automatización de tareas.

La IA, ahora y el futuro

Cuando se les preguntó, los CIOs de todo el mundo situaron la IA a la cabeza de la lista de tecnologías que cambiarán las reglas del juego, y la analítica ocupó el segundo lugar. Estas dos tecnologías interrelacionadas son ideales para abordar un importante reto al que se enfrentan las empresas: Los datos.

Los datos se han convertido en el activo más valioso de una empresa, más útil, de hecho, que el petróleo.

Sin embargo, ese valor sólo puede aprovecharse si una organización utiliza todos los datos disponibles. La cantidad de datos crece exponencialmente. También está aumentando la variedad de datos, que pueden desglosarse en dos categorías:

Datos estructurados.

Cualquier dato que resida en un campo fijo dentro de un registro o archivo, como una base de datos relacional o una hoja de cálculo.

Datos no estructurados.

Cualquier dato que no tenga un modelo de datos predefinido, como el texto, el vídeo, el correo electrónico y las publicaciones en las redes sociales.

La velocidad a la que se crean los datos se está acelerando rápidamente. Todas las organizaciones se enfrentan ahora a un tsunami virtual de datos. En este capítulo se analiza cómo la IA y la analítica ayudan a controlar los datos empresariales.

Machine learning

El aprendizaje automático es un aspecto de la IA que utiliza técnicas estadísticas para dar a los sistemas informáticos la capacidad de aprender de los datos sin estar programados para ello. Utiliza algoritmos para analizar los datos, aprender de ellos y luego hacer recomendaciones o predicciones sobre una acción o resultado.

En este contexto, se entiende por aprendizaje la capacidad de mejorar o perfeccionar el rendimiento y la precisión gracias a los datos del sistema, ya sean datos estructurados o no estructurados, según el nivel de complejidad del sistema. Los ordenadores necesitan muchos datos para aprender, por lo que el big data y el aprendizaje automático se convierten en los compañeros ideales. Algunas aplicaciones de aprendizaje automático pueden necesitar una gran cantidad de puntos de datos y conjuntos de datos separados para aprender de forma precisa, y adecuada la tarea que debe realizar.

En la práctica, el software de aprendizaje automático consiste en algoritmos que pueden aprender de los datos que reciben y hacer predicciones basadas en ellos. Puede ir más allá de seguir simplemente las instrucciones estáticas del programa, construyendo modelos a partir de entradas de muestra para ayudar al sistema a hacer predicciones basadas en datos para apoyar las decisiones y acciones.

Unas breves palabras sobre la preparación e integración de los datos

En cierto modo, la tarea más difícil dentro del análisis de datos no es el propio análisis. Comienza con la recopilación y preparación de los datos. Los usuarios deben asegurarse de que disponen de todos los datos necesarios, que están actualizados y son precisos y que están en un formato utilizable para los sistemas.

Los usuarios deben identificar el problema de negocio que buscan y los datos necesarios para revelar esa visión dentro de la recopilación de datos. Los datos de diferentes fuentes deben combinarse mediante la integración de datos y transformarse en un formato estándar que pueda cargarse en el sistema de análisis.

Una vez que se dispone de los datos necesarios, el siguiente paso es solucionar los problemas de calidad de los datos que puedan afectar a la precisión de las aplicaciones analíticas. Esto incluirá la armonización de datos, la elaboración de perfiles de datos y la limpieza de datos para garantizar que la información en un conjunto de datos es coherente y se eliminan los errores. Además, es necesario aplicar políticas de gobernanza de datos para garantizar que los datos se utilicen adecuadamente y cumplan con las políticas corporativas y las regulaciones de datos, como el Reglamento General de Protección de Datos de la UE (GDPR).

Sólo cuando se llegue a este punto podrá comenzar el verdadero trabajo de la IA y la analítica en serio.