Saltar al contenido
Son muchas las conversaciones, ya sea en el ámbito de la empresa o en el personal, donde el término inteligencia artificial surge de forma constante. El problema fundamental es que este aparece muchas veces reemplazando otros como, por ejemplo, machine learning, y no son intercambiables.

Empecemos este artículo tratando de hacer un ejercicio aclaratorio para poder ver las diferencias y centrar nuestras reflexiones al respecto, para posteriormente poder dar ciertas pistas de cómo debemos prepararnos para estos retos.

Podríamos definir machine learning como el proceso que nos permite construir y entrenar modelos para procesar datos. Estos modelos son capaces de aprender de los propios datos y, por tanto, de realizar predicciones.

La inteligencia artificial se centra en la capacidad de poder usar estos modelos para conseguir que una máquina o una aplicación se acerque el máximo posible a la “forma humana” de actuar, aplicando el aprendizaje y el conocimiento de forma automatizada.

Aunque estos conceptos nos parezcan rabiosamente actuales, la realidad es que su origen está en los años 50, cuando Alan Turing escribe un primer artículo en el que se menciona la posibilidad de que las máquinas pudieran pensar y esta reflexión se convierte en un término, tal y como lo conocemos en 1959, cuando por primera vez lo menciona Arthur Lee Samuel.

Pero, ¿qué es lo que ha cambiado, lo que ha hecho posible que se convierta en una realidad y que obliga a las empresas a tomar acciones al respecto? Básicamente dos grandes variables. Por un lado, una impresionante capacidad de computación a un precio razonable y, por otro, el acceso a un volumen ingente, variado y versátil de datos que nos permite reducir nuestra dependencia de pequeños y muy controlados data sets... y es aquí donde empieza el reto y la oportunidad, en los datos, un tema al que volveremos más adelante, porque es la clave de toda esta conversación.

Es indudable que la capacidad de análisis de los datos disponibles es la base para la toma de decisiones de negocio, eso lo sabemos desde hace muchos años, y las empresas han estado históricamente comprometidas en esta aproximación, pero el entorno de negocio, el ecosistema tecnológico, las nuevas cinco oportunidades y los nuevos jugadores que siguen aproximaciones diferentes y agresivas, nos está poniendo en una situación complicada, ya no se trata de una mejora, se trata de pura supervivencia.

Por supuesto todos necesitamos sobrevivir y, además, no olvidemos que por muy difícil que parezca, lo hemos hecho antes y lo seguimos haciendo ahora. Eso sí, hay que prepararse, definir una estrategia y empezar a trabajar. Pero ¿cómo? A mí me gusta llevar este tipo de aproximación a un entorno deportivo.

Lo que está sucediendo es que nos están proponiendo que pasemos de hacer ejercicio y salir a correr algunos días, a correr una maratón y quizás incluso a atrevernos con un Ironman. En un principio, salvo limitaciones graves, sabemos que con esfuerzo, trabajo y planificación todos podríamos plantearnos este reto. Pero también sabemos que el maratón no se puede comenzar en el kilómetro 10, en el 17 o, incluso en el 22. No, esto no es posible. Tenemos que empezar por el kilómetro cero e ir pasando etapas, prepararnos y formarnos, no solamente realizar el ejercicio previo, sino calentar, conseguir el material deportivo que nos permita dotarnos de herramientas de apoyo y soporte, un entrenador y cuidar la alimentación.

Esto es lo mismo que debemos hacer en este reto analítico, y no es una opción... la distancia que no recorramos ahora, por poca que sea, se convertirá en insalvable, porque nuestros competidores están ya corriendo y avanzando. Así que, ¿por dónde empezar?

Tenemos que iniciar este proceso identificando cuáles son nuestras necesidades y qué queremos resolver. Lo mejor es empezar con preguntas básicas: ¿Qué? ¿por qué? y ¿para qué? Estas preguntas son cruciales porque solamente pudiendo definir una estrategia analítica, simple pero eficiente, podemos tener éxito y compensar nuestros esfuerzos... pero, además, esto nos permite entender cómo podemos enfrentarnos al segundo reto, quizá uno de los más complejos y menos valorados: los datos.

Lo que muchas veces no entendemos es que no basta con tener muchos datos, eso no nos va a permitir un mejor análisis, de hecho, puede llevarnos a todo lo contrario. Lo que es importante es poder organizar y estructurar las múltiples y dispares fuentes de datos de forma que puedan ser explotadas eficientemente. Es importante saber que la forma de tratar los datos no es la misma que usamos en fases anteriores cuando, por ejemplo, construimos nuestro sistema BI. Las necesidades y los requerimientos pueden ser diferentes. La gobernanza, la trazabilidad y el legado del dato se convierten en una aproximación tan necesaria como fundamental a la hora de dotar a nuestros sistemas de escalabilidad.

Quizás lo más importante sea entender que el dato, el registro en sí mismo, no nos dice nada. La capacidad de enriquecer los datos internamente, o mediante la incorporación de otros externos (ubicación, contexto, riesgo, climatológico, sociodemográfico...), puede multiplicar por mil el valor de la información en clusterización de clientes o predicción de demanda, entre otros. Esto es lo que llamamos poner los datos en contexto (thick data), pero también nos permite hacer emerger datos que hasta la fecha no usábamos ni utilizábamos (dark data).

Esto puede darnos una ventaja competitiva espectacular: Uno de los objetivos clave en el análisis de las tasas de abandono, donde no solo se busca predictibilidad, también (y más importante) poder explicarlo. Y es aquí donde comenzamos la verdadera carrera, la carrera de la aplicación de este valor en la resolución de problemas de negocio, en la respuesta a preguntas clave para poder ser competitivos, donde parece que empezamos a ver resultados y donde aun quedando recorrido por realizar (uso y consumo de datos, infraestructura, industrialización) ya es un acompañamiento de los resultados, unos resultados que con complementos y planificación serán definitivos.

Y récord absoluto, ¡no he hablado de big data! ¿Cuándo empezamos?
 
Descripción imagen
Luis Barreiro Perfil en Linkedin

Perenne inquietud intelectual y deseo de aprendizaje en cómo la tecnología puede ayudarnos a resolver problemas de negocio. Más de 20 años de experiencia en Analytics y hoy liderando Big Data Analytics en BABEL.

Mas post de Luis Barreiro