El ABC de los algoritmos de ciencia de datos

Los algoritmos de ciencia de datos nunca son una solución única para todos. ¿Sabes qué tiene sentido para tu negocio?

Hoy, grandes y pequeñas empresas de todo el mundo están compitiendo para adoptar las últimas herramientas en inteligencia artificial y aprendizaje automático. Si bien los datos a menudo se posicionan como la cura general para cada enfermedad comercial, aquellos que trabajan en el campo entienden muy bien que los algoritmos de ciencia de datos nunca son una solución única para todos.

Imagen: nobeastsofierce – stock.adobe.com

A medida que el campo evoluciona rápidamente, hay un número creciente de algoritmos avanzados disponibles para que las empresas los implementen en sus operaciones diarias. Desde herramientas basadas en redes neuronales profundas, algoritmos de agrupamiento hasta análisis de series de tiempo, estas soluciones pueden resolver una amplia gama de problemas comerciales. Sin embargo, de esta gran cantidad de opciones, el mayor desafío para una organización puede ser tan simple como obtener los datos correctos y hacer las preguntas correctas.

Adaptabilidad: la importancia del pensamiento a largo plazo

Antes de comprar un algoritmo de ciencia de datos de vanguardia, el primer paso en cualquier compra empresarial es definir el problema. Los líderes deben consultar a los representantes de todas las unidades de negocios de la compañía para conocer las preguntas recurrentes y las áreas donde se necesita una mayor eficiencia.

Sin embargo, no es suficiente resolver los problemas de hoy. Una comprensión integral de los objetivos futuros de la compañía en el contexto de una estrategia de transformación digital más amplia es crucial para maximizar la inversión de dinero y mano de obra necesaria para implementar una nueva solución de inteligencia artificial empresarial.

Por esta razón, el liderazgo debe comprender cómo se convocará una plataforma de ciencia de datos, incluidos los depósitos de datos y las canalizaciones de procesamiento de datos, dentro de uno, cinco o 10 años. Si bien la evolución acelerada de los métodos de ciencia de datos afectará inevitablemente la estrategia de transformación digital, considerar el panorama general desde el primer día garantizará el despliegue eficiente de la IA. Adoptar estándares abiertos de la industria para la representación del modelo de ciencia de datos, como el lenguaje de marcado de modelo predictivo (PMML) o el intercambio de red neuronal abierta (ONNX), garantizará la interoperabilidad a largo plazo y la independencia del bloqueo de un solo proveedor.

Big data necesita una infraestructura flexible

Los datos en bruto de una organización son la piedra angular de cualquier estrategia de ciencia de datos. Las empresas que han invertido previamente en big data a menudo se benefician de una infraestructura de TI híbrida o en la nube más flexible que está lista para cumplir la promesa de modelos predictivos para una mejor toma de decisiones. Big data es la base invaluable de una empresa verdaderamente basada en datos. Para implementar soluciones de inteligencia artificial, las empresas deberían considerar construir un lago de datos, un repositorio centralizado que permita a una empresa almacenar datos estructurados y no estructurados a gran escala, antes de embarcarse en una hoja de ruta de transformación digital.

Para comprender la importancia fundamental de una infraestructura sólida, comparemos los datos con el petróleo. En este escenario, la ciencia de datos sirve como la refinería que convierte los datos en bruto en información valiosa para los negocios. Otras tecnologías, paneles de inteligencia empresarial y herramientas de informes, se benefician de los grandes datos, pero la ciencia de datos es la clave para liberar su verdadero valor. Los algoritmos de inteligencia artificial y aprendizaje automático revelan correlaciones y dependencias en los procesos comerciales que de otro modo permanecerían ocultos en la recopilación de datos sin procesar de la organización. En última instancia, esta visión procesable es como el petróleo refinado: es el combustible que impulsa la innovación, optimizando los recursos para hacer que el negocio sea más eficiente y rentable.

Consulte con expertos en dominios

A medida que los nuevos métodos y herramientas se vuelven populares, la ciencia de datos está experimentando una mayor especialización. Como tal, es necesario que las empresas consulten a una gran cantidad de expertos antes de actualizar su estrategia de ciencia de datos. Si una empresa no tiene el talento interno adecuado, es mejor trabajar con un socio de confianza para consultar los primeros dos proyectos juntos. Estos expertos pueden ofrecer una visión única de las opciones disponibles y solucionar problemas de cómo se aplicarán estas herramientas en un negocio.

Toma de decisiones basada en datos

Para garantizar el máximo ROI y una transición sin problemas a una nueva estrategia basada en datos, es crucial que el equipo ejecutivo se comprometa a apoyar todo el proceso, especialmente cuando se introduce un nuevo programa en la organización. La verdad es que habrá desafíos y no todos los proyectos encontrarán éxito a largo plazo, por lo que los ejecutivos deben ofrecer el espacio del equipo de ciencia de datos para la experimentación y permitirles encontrar los algoritmos y prácticas correctos.

La evaluación es evolución

Después del arduo trabajo de identificar un algoritmo apropiado para implementar en el negocio y desplegar la nueva solución, es vital observar y evaluar continuamente todo el proceso. Es probable que el tiempo de comercialización tenga prioridad sobre la perfección al desarrollar e implementar el programa, por lo que es fundamental mantenerse fiel a un proceso ágil / iterativo y permitir cambios después de la implementación. Al diseñar un proceso que permita compartir fácilmente los casos de uso internamente, todos los equipos pueden ser parte del proceso de aprendizaje y, en última instancia, acelerar la adopción.

Fundamentalmente, cuando un equipo de científicos de datos se propone transformar y evolucionar las prácticas comerciales mediante la adopción de una nueva solución basada en algoritmos, es importante tener en cuenta la adaptabilidad a largo plazo del producto, evaluar la infraestructura de grandes datos de la empresa, consultar con expertos en dominios, ejecutivo seguro buy-in para la toma de decisiones y evaluar el proceso en su totalidad. Con nuevas herramientas y métodos que surgen todos los días, establecer una rutina para adoptar nuevos procesos de ciencia de datos es esencial para cualquier estrategia de transformación digital.

Michael Zeller se desempeña como secretario y tesorero de la Asociación para la Maquinaria de Computación (ACM) SIGKDD, organismo organizador de la conferencia anual KDD, la principal conferencia interdisciplinaria que reúne a investigadores académicos y profesionales de la industria de los campos de la ciencia de datos, minería de datos, descubrimiento de conocimiento , análisis de datos a gran escala y big data. KDD 2020 tendrá lugar prácticamente del 23 al 27 de agosto. Zeller también es actualmente el Jefe de Estrategia y Soluciones de AI en Temasek.

La comunidad InformationWeek reúne a profesionales de TI y expertos de la industria con consejos, educación y opiniones de TI. Nos esforzamos por destacar a los ejecutivos de tecnología y expertos en la materia y utilizar sus conocimientos y experiencias para ayudar a nuestra audiencia de TI … Ver biografía completa

Agradecemos sus comentarios sobre este tema en nuestros canales de redes sociales, o [contact us directly] con preguntas sobre el sitio.

Más ideas



Source link

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *