Desde hace tiempo se debate intensamente sobre los problemas inherentes a los datos y su calidad, un aspecto que puede derivar en decisiones, basadas en Inteligencia Artificial (IA), erróneas. Empresas y entidades, en especial del sector público e industrias reguladas, comienzan a preguntarse si no será necesario comenzar este tipo de proyectos con una auditoría previa de los activos digitales, para que la materia prima de las organizaciones digitales proporcione los beneficios esperados.
Los proyectos de éxito en este campo parten de un enorme volumen de información que debe convertirse en conclusiones adecuadas para el negocio. Pero esta ingente cantidad de datos no es el único, ni el más importante, de los factores a tener en cuenta.
Para empezar, es posible obtener conclusiones de una cantidad razonable de datos, siempre que sean de calidad, es decir, estén normalizados, sean completos y haya diversidad de fuentes. La falta de volumen puede compensarse con una reducción del alcance del proyecto, pero la baja calidad de esta información siempre provocará fallos de interpretación.
Un volumen razonable significa cosas diferentes, dependiendo de la técnica de IA que se considere. Las técnicas de razonamiento probabilístico, como el aprendizaje automático, dependen en gran medida de los datos para extraer información. Y aquí los problemas de calidad son cruciales. Lo mismo ocurre con los sistemas de proceso de lenguaje natural.
Más allá de la calidad e integridad de los datos, los CIOs también deben atender a la sostenibilidad de esos datos. Es decir, si las fuentes de esos datos son anecdóticas o sistemáticas, cuántos datos pueden obtenerse por segundo, diaria o semanalmente…
También hay que considerar si estos datos son estáticos o dinámicos y si permiten mejorar nuestros sistemas con la experiencia. Por ejemplo, en la comprensión del lenguaje natural, con su contexto y matices de la conversación, si van afinando su capacidad de respuesta para ofrecer resultados más adecuados.
Si bien es cierto que la IA todavía llama a confusión y no todos entienden sus implicaciones, como subraya un estudio de Pegasystems, que ha detectado que casi la mitad de los encuestados no entiende cómo es posible que las máquinas “aprendan a hacer cosas nuevas”.
En cualquier caso, las empresas que quieran tener éxito comercial en los próximos años deberán adoptar estas tecnologías, para ofrecer una experiencia de clientes más completa y efectiva. Eso sí, conviene elegir la opción más sólida, fiable y escalable posible.
Estos son algunos de los aspectos a tener en cuenta antes de iniciar un proyecto de Business Intelligence y las organizaciones deberían prestarle la atención que merecen. De no hacerlo, las iniciativas en este campo serán decepcionantes o no explotarán todo el potencial de sus datos.