Cómo empezar a incorporar el aprendizaje automático en el ámbito empresarial

El mundo ha dejado atrás la Revolución Industrial y ahora estamos viviendo una era de Revolución Digital. El aprendizaje automático, la inteligencia artificial y el análisis de macrodatos son la realidad del mundo actual.

Recientemente tuve la oportunidad de hablar con Ciaran Dynes, vicepresidente senior de productos de Talend y Justin Mullen, director general de Datalytyx. Talend es un proveedor de integración de software que proporciona soluciones de Big Data a empresas, y Datalytyx es un proveedor líder de ingeniería de big data, análisis de datos y soluciones en la nube, lo que permite una toma de decisiones más rápida, eficaz y rentable en toda la empresa.

La evolución de las operaciones de big data

Para comprender más sobre la evolución de las operaciones de big data, le pregunté a Justin Mullen sobre los desafíos que enfrentó su empresa hace cinco años y por qué buscaban plataformas de integración modernas. Respondió con:“Enfrentamos desafíos similares a los que enfrentaban nuestros clientes. Antes de la analítica de Big Data, era lo que yo llamaba

Respondió con:“Enfrentamos desafíos similares a los que enfrentaban nuestros clientes. Antes del análisis de Big Data, era lo que yo llamo "Análisis de datos difíciles". Hubo mucha agregación manual y procesamiento de datos de sistemas en gran parte en las instalaciones. Y luego, el mayor desafío al que probablemente nos enfrentamos fue centralizar y confiar en los datos antes de aplicar los diferentes algoritmos analíticos disponibles para analizar los datos sin procesar y visualizar los resultados de manera significativa para que la empresa los entendiera ".

Añadió además que, “Nuestros clientes no solo querían este análisis una vez, sino que querían actualizaciones continuas de las actualizaciones sobre el rendimiento de los KPI a lo largo de meses y años. Con las prácticas manuales de ingeniería de datos, fue muy difícil para nosotros cumplir con los requisitos de nuestros clientes, y fue entonces cuando decidimos que necesitábamos una plataforma de administración de datos sólida y confiable que resuelva estos desafíos ”.

El advenimiento de la ciencia de datos

La mayoría de los economistas y científicos sociales están preocupados por la automatización que se está apoderando de los procesos comerciales y de fabricación. Si la digitalización y la automatización continúan creciendo al mismo ritmo que ocurre actualmente, existe una alta probabilidad de que las máquinas reemplacen en parte a los humanos en la fuerza laboral. Estamos viendo algunos ejemplos de los fenómenos en nuestro mundo de hoy, pero se predice que será mucho más prominente en el futuro.

Sin embargo, dice Dynes, “los científicos de datos están brindando soluciones a problemas intrincados y complejos que enfrentan varios sectores en la actualidad. Están utilizando información útil del análisis de datos para comprender y arreglar cosas. La ciencia de datos es una entrada y la salida se obtiene en forma de automatización. Las máquinas se automatizan, pero los humanos proporcionan la información necesaria para obtener el resultado deseado ".

Esto crea un equilibrio en la demanda de servicios humanos y mecánicos. Tanto la automatización como la ciencia de datos van en paralelo. Un proceso está incompleto sin el otro. Los datos sin procesar no valen nada si no se pueden manipular para producir resultados significativos y, de manera similar, el aprendizaje automático no puede ocurrir sin datos suficientes y relevantes.

Incorporación de macrodatos en modelos comerciales

Dynes dice:"Las empresas se están dando cuenta de la importancia de los datos y están incorporando soluciones de Big Data y Machine Learning en sus modelos comerciales". Agrega además que, “Vemos que la automatización ocurre a nuestro alrededor. Es evidente en los sectores de fabricación y comercio electrónico, y tiene amplias aplicaciones en la banca móvil y las finanzas ".

Cuando le pregunté sobre su opinión sobre la transformación de la demanda de los procesos y plataformas de aprendizaje automático, agregó que “la demanda siempre ha estado ahí. El análisis de datos fue igualmente útil hace cinco años como lo es ahora. La única diferencia es que hace cinco años existía el monopolio empresarial y los datos se almacenaban en secreto. Quienquiera que tuviera los datos, tenía el poder, y solo unos pocos actores destacados del mercado tenían acceso a los datos ".

Justin ha trabajado con diferentes empresas. Algunos de sus clientes más destacados fueron Calor Gas, Jaeger y Wejo. Al hablar de los desafíos que enfrentaron las empresas antes de implementar análisis avanzados o aprendizaje automático, dijo:“Los mayores desafíos que enfrentan la mayoría de mis clientes fueron la acumulación de los datos esenciales en un solo lugar para que los algoritmos complejos se puedan ejecutar simultáneamente, pero los resultados pueden ser visto en un solo lugar para un mejor análisis. La plomería de datos y las canalizaciones de datos fueron fundamentales para permitir que el conocimiento de los datos se volviera continuo en lugar de aislado ".

Las razones de la rápida digitalización

Dynes dice:“Estamos experimentando una rápida digitalización debido a dos razones principales. La tecnología ha evolucionado a un ritmo exponencial en los últimos años y, en segundo lugar, la cultura organizacional ha evolucionado enormemente ". Agrega:“Con el advenimiento de las tecnologías de código abierto y las plataformas en la nube, los datos ahora son más accesibles. Ahora, más personas tienen acceso a la información y están utilizando esta información para sus beneficios ”.

Además de los avances y desarrollos en la tecnología, “la nueva generación que ingresa a la fuerza laboral también depende de la tecnología. Dependen en gran medida de la tecnología para sus tareas cotidianas. Están más abiertos a la comunicación transparente. Por lo tanto, es más fácil recopilar datos de esta generación, porque están listos para hablar sobre sus opiniones y preferencias. Están listos para hacer y responder preguntas imposibles ”, dice Dynes.

Al hablar de los desafíos que enfrentan las empresas al optar por soluciones de análisis de Big Data, Mullen agrega:“Los desafíos que enfrenta actualmente la industria al emplear el aprendizaje automático son dobles. El primer desafío al que se enfrentan está relacionado con la recopilación de datos, la ingestión de datos, la curación de datos (calidad) y luego la agregación de datos. El segundo desafío es combatir la falta de habilidades humanas en ingeniería de datos, análisis avanzado y aprendizaje automático ”

Dynes dice:“Necesitas integrar un mundo nuevo con el mundo viejo. El viejo mundo dependía en gran medida de la recopilación de datos, mientras que el nuevo mundo se centra principalmente en las soluciones de datos. Actualmente, existen soluciones limitadas en la industria que cumplen con estos dos requisitos a la vez ”.

Concluye diciendo que, "La importancia de la ingeniería de datos no puede pasarse por alto, y el aprendizaje automático es como la caja de Pandora. Sus aplicaciones se ven ampliamente en muchos sectores, y una vez que se establezca como un proveedor de calidad, las empresas acudirán a usted para solicitar sus servicios. Lo cual es bueno ".

Siga a Ciaran Dynes, Justin Mullen y Ronald van Loon en Twitter y LinkedIn para obtener actualizaciones más interesantes sobre las soluciones de Big Data y el aprendizaje automático.