En la práctica, las organizaciones que abordan problemas complejos y dinámicos e impulsan este tipo de proyectos deben considerar componentes claves como la cultura empresarial y los cambios en los procesos de negocio.
Reportes indican que las compañías que abordan sus problemas de negocio con inteligencia artificial los resuelven de manera más táctica y estratégica. En esa línea, organizaciones de distintas industrias que están invirtiendo en esta tecnología cuentan con una ventaja, por sobre quienes no lo están haciendo.
“Se plantea que las compañías que no están considerando la inteligencia artificial en sus estrategias están de alguna forma condenadas al fracaso en los próximos meses, porque el dato está trayendo para sí mucha información novedosa y complementaria al juicio experto de las personas en las organizaciones”, sostuvo Cristián Figueroa, docente del diplomado en Business Intelligence que dicta la unidad de Educación Ejecutiva (UEjecutivos), en el marco del encuentro Pronóstico y planeación de demanda, usando IA en escenarios industriales dinámicos y complejos.
En la actividad realizada el pasado 31 de julio, Figueroa explicó que la inteligencia artificial plantea poder incorporar más datos, lo que implica considerar eventos ocultos con efectos no explicados, los cuales puedan disminuirse y, al mismo tiempo, se descubran y reconozcan patrones, que se hagan visibles frente al ojo del algoritmo de la inteligencia artificial”.
En cualquier proceso de analítica predictiva, basado en data mining, explorar y descubrir patrones ocultos es una característica muy importante que, desde el punto de vista del juicio experto, no es posible encontrar fácilmente, pero que este tipo de algoritmos, basado en inteligencia artificial, desde el ámbito del análisis no supervisado, permite hacerlo de forma fácil.
“Para ejecutar la analítica predictiva necesitamos construir repositorios de datos que acumulativamente vayan incorporando informaciones nuevas y que vaya siendo un proceso de enriquecimiento, donde los algoritmos predictivos de Machine Learning justamente vayan aprendiendo de los patrones históricos”, indicó.
Datos
El dato no solo es que se encuentre almacenado en las bases de datos, en data lakes –repositorio centralizado para almacenar datos–, en los sistemas fuentes, sino que se debe tratar, generando un programa de gobierno del dato que permita ir perfeccionando la estrategia basada en datos, de modo tal que las compañías se conviertan en entidades que sean más conducidas por los datos que por el juicio experto.
Esta integración de un conjunto de datos, además de incorporarse en un algoritmo de inteligencia artificial, tiene que tener una metodología, un proceso basado en el dato. Y para ello puede utilizarse la metodología Knowledge Discovery in Databases (KDD) –que extrae conocimiento útil y previamente desconocido a partir de grandes volúmenes de datos–, que cuenta con pasos y etapas, para transformar datos que están en bruto en información valiosa, en virtud de los casos de uso.
Para contar con información más precisa, se requiere “comparar los clásicos algoritmos estadísticos con los algoritmos de inteligencia artificial que plantean dos cosas: un aumento significativo de la precisión, es decir, bajar el error de pronóstico y también incorporar adicionalmente variables externas que un modelo estadístico clásico no soporta, porque la cantidad de información, que de alguna forma contiene, tiene una capacidad más finita”.
Equipo Prensa
Portal Innova
