5 tendencias clave en IA y ciencia de datos para 2024

La Inteligencia Artificial (IA) y la ciencia de datos se convirtieron en noticia de primera plana en 2023. El auge de la IA generativa impulsó este espectacular aumento de visibilidad. Entonces, ¿qué podría suceder en este campo en 2024 que lo mantenga en primera plana? ¿Y cómo afectarán realmente estas tendencias a las empresas?

Durante los últimos meses, hemos realizado tres encuestas a ejecutivos de datos y tecnología. En dos de ellos participaron el director de datos del MIT y los asistentes al Simposio sobre calidad de la información. Uno patrocinado por Amazon Web Services (AWS) y otro por Thoughtworks.

La tercera encuesta fue realizada por Wavestone , anteriormente NewVantage Partners, sobre las que hemos escrito en el pasado . En total, las nuevas encuestas involucraron a más de 500 altos ejecutivos, quizás con cierta superposición en la participación.

Las encuestas no predicen el futuro, pero sí sugieren lo que piensan y hacen las personas más cercanas a las estrategias y proyectos de ciencia de datos e IA. Según esos ejecutivos, estos son los cinco principales temas en desarrollo que merecen su atención.

10 lecturas obligadas para entender la Inteligencia Artificial

1. La IA generativa brilla pero necesita ofrecer valor

Como señalamos, la IA generativa ha captado una enorme cantidad de atención de empresas y consumidores. Pero, ¿realmente aporta valor económico a las organizaciones que lo adoptan? 

Los resultados de la encuesta sugieren que, aunque el entusiasmo por la tecnología es muy alto , todavía no se ha aportado valor en gran medida. Un gran porcentaje de encuestados cree que la IA generativa tiene potencial para ser transformadora.

El 80 por ciento de los encuestados de AWS dijeron que creen que transformará sus organizaciones. El 64 por ciento de los encuestados de Wavestone dijeron que es la tecnología más transformadora en una generación. 

Una gran mayoría de los encuestados también está aumentando la inversión en esta tecnología. Sin embargo, la mayoría de las empresas todavía están experimentando, ya sea a nivel individual o departamental. 

Solo el 6 por ciento de las empresas en la encuesta de AWS tenían alguna aplicación de producción de IA generativa. Solo el 5 por ciento en la encuesta de Wavestone tenían alguna implementación de producción a escala.

¿Qué requerirán los despliegues de tecnología de punta?

Los despliegues de producción de IA generativa requerirán, por supuesto, más inversión y cambios organizativos, no sólo experimentos. Será necesario rediseñar los procesos de negocio y será necesario volver a capacitar a los colaboradores (o en pocos casos, reemplazarlos por sistemas IA). 

Las nuevas capacidades de la Inteligencia Artificial deberán integrarse en la infraestructura tecnológica existente.

Quizás el cambio más importante tenga que ver con los datos: seleccionar contenido no estructurado, mejorar su calidad e integrar diversas fuentes. 

En la encuesta de AWS, el 93 por ciento de los encuestados estuvo de acuerdo en que la estrategia de datos es fundamental para obtener valor de la IA generativa. Pero el 57 por ciento no había realizado cambios en sus datos hasta el momento.

2. La ciencia de datos está pasando de lo artesanal a lo industrial

Las empresas sienten la necesidad de acelerar la producción de modelos de ciencia de datos . Lo que antes era una actividad artesanal se está industrializando cada vez más. 

Las empresas están invirtiendo en plataformas, procesos y metodologías, almacenes de funciones, sistemas de operaciones de aprendizaje automático (MLOps) y otras herramientas para aumentar la productividad y las tasas de implementación. 

Los sistemas MLOps monitorean el estado de los modelos de aprendizaje automático y detectan si todavía están prediciendo con precisión. Si no es así, es posible que sea necesario volver a entrenar los modelos con nuevos datos.

La mayoría de estas capacidades provienen de proveedores externos, pero algunas organizaciones ahora están desarrollando sus propias plataformas. Aunque la automatización está ayudando a aumentar la productividad y permitir una participación más amplia en la ciencia de datos.

La mayor ventaja para la productividad de la ciencia de datos es probablemente la reutilización de conjuntos de datos, características o variables existentes, e incluso modelos completos.

10 lecturas obligadas para entender la Inteligencia Artificial

3. Dominarán dos versiones de productos de datos

En la encuesta de Thoughtworks, el 80 por ciento de los líderes de tecnología y datos dijeron que sus organizaciones estaban usando o considerando el uso de productos de datos y gestión de productos de datos. 

Por producto de datos , nos referimos a empaquetar datos, análisis e IA en una oferta de productos de software, para clientes internos o externos. Lo gestionan desde la concepción hasta la implementación los gerentes de productos de datos. 

Ejemplos de productos de datos incluyen sistemas de recomendación que guían a los clientes sobre qué productos comprar a continuación y sistemas de optimización.

¿Cómo ven las empresas a los datos?

Pero las organizaciones ven los productos de datos de dos maneras diferentes. Poco menos de la mitad (48 por ciento) de los encuestados dijeron que incluyen capacidades de análisis e IA en el concepto de productos de datos. 

Alrededor del 30 por ciento considera que el análisis y la Inteligencia Artificial están separados de los productos de datos y presumiblemente reserva ese término únicamente para los activos de datos reutilizables. Sólo el 16 por ciento dice que no piensa en absoluto en el análisis y la IA en el contexto de un producto.

Tenemos una ligera preferencia por una definición de productos de datos que incluya análisis e IA, ya que esa es la forma en que los datos se vuelven útiles. Pero lo único que realmente importa es que una organización sea coherente en la forma en que define y analiza los productos de datos. 

Si una organización prefiere una combinación de “productos de datos” y “productos de análisis e Inteligencia Artificial”. Eso también puede funcionar bien, y esa definición preserva muchos de los aspectos positivos de la gestión de productos. Pero sin claridad en la definición, las organizaciones podrían confundirse acerca de qué se supone que deben ofrecer los desarrolladores de productos.

4. Los científicos de datos se volverán menos atractivos

Los científicos de datos, a quienes se les ha llamado “ unicornios ” y titulares del “ trabajo más sexy del siglo XXI ” debido a su capacidad para hacer que todos los aspectos de los proyectos de ciencia de datos sean exitosos, han visto retroceder su poder estelar. 

Una serie de cambios en la ciencia de datos están produciendo enfoques alternativos para gestionar partes importantes del trabajo. Uno de esos cambios es la proliferación de roles relacionados que pueden abordar partes del problema de la ciencia de datos. 

Este conjunto cada vez mayor de profesionales incluye ingenieros para analizar los datos, expertos de aprendizaje automático para escalar e integrar los modelos, traductores y conectores para trabajar con las partes interesadas del negocio, y gerentes de productos de datos para supervisar toda la iniciativa.

La bienvenida a la ciencia de datos ciudadana

Otro factor que reduce la demanda de científicos de datos profesionales es el auge de la ciencia de datos ciudadana , en la que los empresarios con conocimientos cuantitativos crean ellos mismos modelos o algoritmos. 

Estas personas pueden utilizar AutoML, o herramientas automatizadas de aprendizaje automático, para hacer gran parte del trabajo pesado. Aún más útil para los ciudadanos es la capacidad de modelado disponible en ChatGPT llamada Análisis de datos avanzado.

Con un mensaje muy breve y un conjunto de datos cargado, puede manejar prácticamente todas las etapas del proceso de creación del modelo y explicar sus acciones.

Por supuesto, todavía hay muchos aspectos de la ciencia de datos que requieren científicos de datos profesionales. Desarrollar algoritmos completamente nuevos o interpretar cómo funcionan modelos complejos. Por ejemplo, son tareas que no han desaparecido. El papel seguirá siendo necesario, pero quizás no tanto como antes, y sin el mismo grado de poder y brillo.

Inteligencia Artificial en la educación: El inicio de una nueva era

5. Los líderes de datos, análisis e inteligencia artificial se están volviendo menos independientes

El año pasado, comenzamos a notar que un número cada vez mayor de organizaciones estaban recortando la proliferación de “jefes” de tecnología y datos, incluidos los directores de datos y análisis (y, a veces, los directores de IA). 

Ese rol de CDO/CDAO, si bien se está volviendo más común en las empresas, durante mucho tiempo se ha caracterizado por mandatos cortos y confusión sobre las responsabilidades. 

No estamos viendo que desaparezcan las funciones realizadas por los ejecutivos de datos y análisis. Más bien, están cada vez más incluidos dentro de un conjunto más amplio de funciones de tecnología, datos y transformación digital administradas por un “líder supertecnológico” que generalmente reporta al CEO. 

Los títulos para este rol incluyen director de información, director de información y tecnología y director digital y de tecnología. Los ejemplos del mundo real incluyen a Sastry Durvasula en TIAA, Sean McCormack en First Group y Mojgan Lefebvre en Travelers.

La evolución de roles es un elemento importante

Esta evolución en los roles de la alta dirección fue el foco principal de la encuesta de Thoughtworks, y el 87 por ciento de los encuestados estuvieron de acuerdo en que las personas en sus organizaciones están completamente, en gran medida, o algo confundidas.

Esto sobre dónde acudir para servicios y problemas orientados a datos y tecnología. Muchos ejecutivos de nivel C dijeron que la colaboración con otros líderes orientados a la tecnología dentro de sus propias organizaciones es relativamente baja. El 79 por ciento estuvo de acuerdo en que su organización se había visto obstaculizada en el pasado por la falta de colaboración.

Creemos que en 2024 veremos más de estos líderes tecnológicos globales que tienen todas las capacidades para crear valor a partir de los datos y los profesionales de tecnología que les reportan. 

Aún tendrán que enfatizar el análisis y la IA porque así es como las organizaciones dan sentido a los datos y crean valor con ellos para los empleados y clientes. 

Lo más importante es que estos líderes deberán estar altamente orientados a los negocios, ser capaces de debatir la estrategia con sus colegas de la alta dirección y traducirla en sistemas y conocimientos que hagan realidad esa estrategia.

SOBRE LOS AUTORES

Thomas H. Davenport (@tdav) es el Profesor Distinguido del Presidente de Tecnología y Gestión de la Información en Babson College, miembro de la Iniciativa del MIT sobre Economía Digital y asesor principal del Programa de Directores de Datos y Análisis de Deloitte. Es coautor de All in on AI: How Smart Companies Win Big With Artificial Intelligence (HBR Press, 2023) y Working With AI: Real Stories of Human-Machine Collaboration (MIT Press, 2022). Randy Bean (@randybeannvp) es un líder intelectual de la industria, autor, fundador y director ejecutivo y actualmente se desempeña como miembro de innovación y estrategia de datos para la consultora global Wavestone. Es autor de Falla rápido, aprende más rápido: lecciones de liderazgo basado en datos en una era de disrupción, big data e inteligencia artificial (Wiley, 2021).

Síguenos en Google News