Para abordar los desafíos de la ciencia de datos, piensa como un emprendedor

¿Qué es más importante que el cliente? Nada, pero los datos y el análisis están en segundo lugar.

La encuesta de gasto y resiliencia de IDC descubrió que, detrás de la interacción con el cliente, la "segunda área de interés estratégico más importante de las juntas ejecutivas es aprovechar los datos y mejorar la toma de decisiones para seguir siendo competitivos y/o tratar de aprovechar las condiciones cambiantes del mercado".

Entonces, ¿por qué muchas organizaciones de todos los sectores han descubierto que la gran promesa de la inteligencia artificial (IA), el aprendizaje automático (ML) y el análisis de datos no cumplen con las expectativas? Si el 72% de los líderes de datos y análisis lideran o están muy involucrados en iniciativas de transformación digital, ¿por qué no estamos viendo mejores resultados en IA, ML e inteligencia aplicada?

Considera estos datos:

• Casi 9 de cada 10 proyectos de ciencia de datos (87 %) nunca llegan a producción (Fuente: VentureBeat)
• Solo 1 de cada 5 insights analíticos (20%) finalmente ofrece un resultado empresarial (Fuente: Gartner)
• Menos de la mitad de todos los modelos de ML (45%) se implementan en toda la empresa (Fuente:algoritmia)

¿Qué hay detrás de este dramático déficit? Un factor principal es que los proyectos de IA a menudo se inician sin un objetivo final a la vista. Además, muchas organizaciones no pueden incorporar conocimientos basados ​​en IA en sus sistemas heredados; otros no logran impulsar la agilidad en la ejecución de procesos de negocio, y algunos incluso pasan por alto la necesidad de que sus proyectos de IA generen crecimiento o monetización de primera línea.

Otra razón es la falta de científicos de datos capacitados. Estos profesionales son costosos de contratar y difíciles de retener. Según la Oficina de Estadísticas Laborales de EE. UU., los recién graduados en ciencia de datos ganan más de $100.000 al año, mientras que los gerentes experimentados en ciencia de datos pueden ganar mucho más: más de $250 000 al año, según una encuesta de la Universidad de Wisconsin. Y la rotación es alta: solo el 2% de los científicos de datos tienen el mismo trabajo que tenían hace cinco años.

La mayoría de los científicos de datos, por ejemplo, se centran en la eficacia de los modelos de IA/ML, no en el lugar del proceso comercial en el que se deben integrar esos modelos para lograr la mayor eficiencia y agilidad. Simplemente no es parte de su responsabilidad. En resumen, el mapa de la cadena de valor de punta a punta es rígido y deficiente, pero hay una manera de superar esto y desbloquear el valor naciente: las operaciones de datos deben pensar más como empresarios, con un enfoque implacable en la experiencia del cliente. 

Aquí presentamos una perspectiva organizada sobre los obstáculos comunes para el éxito y las acciones inmediatas que puedes tomar para crear valor con cada esfuerzo de inteligencia artificial y ciencia de datos que emprendas.

Tres desafíos de la ciencia de datos

Muchas organizaciones que buscan valor de sus inversiones en IA/ML ahora enfrentan tres desafíos abrumadores:

• Industrialización de conocimientos: si bien la mayoría de las empresas necesitan monetizar sus inversiones en IA/ML, muchas todavía luchan por escalar a un nivel enterprise, administrar los modelos (detectar sesgos y desviaciones) y mejorar continuamente los modelos con ciclos de feedback. Para generar un retorno positivo de las inversiones en IA/ML, las organizaciones líderes crearán una cultura de mejora continua.
• El alto costo de las soluciones integrales de IA/ML: el hardware y el software heredados, incluidas las aplicaciones empresariales y de mainframe, pueden dificultar la ejecución de modelos de manera eficiente o sin fisuras. Todavía en uso en muchas organizaciones, estos sistemas son demasiado antiguos o demasiado complejos (o ambos) y se convierten en un impedimento para incorporar la IA y la puntuación de modelos. Estas integraciones heredadas requerirán un gasto financiero astronómico para entregar algún valor. Además, estos sistemas no se ocupan de API o arquitectura orientada a servicios, por lo que se convertirán en una conexión punto a punto con integración matricial, que en sí misma es una propuesta de muy alto mantenimiento.
• Simbiosis empresarial: dado el stack tecnológico actual, las herramientas ya no son el principal impedimento. En cambio, lo son las personas y los procesos. Los científicos de datos pueden crear modelos AI/ML, pero pocos entienden los procesos y modelos comerciales que estos modelos necesitan para estar completamente integrados. La colaboración entre silos funcionales es necesaria para la innovación continua, sin embargo, pocas organizaciones adoptan la colaboración interfuncional como parte de su cultura. Tener un objetivo común de hacer operativa la monetización u optimizar un proceso comercial puede unir a toda la empresa.

Mentalidad empresarial

La incorporación de conocimientos basados en datos en los procesos de negocio requiere interrupción y transformación continuas. Las empresas que hacen esto bien son aquellas que piensan como un emprendedor, y esto las lleva a una continua transformación y disrupción productiva.

Un componente importante de esta mentalidad emprendedora es la creación de "cápsulas" funcionales y multidisciplinarias: grupos de trabajo que cruzan silos funcionales para unificar personas y procesos, lo que permite a los trabajadores tomar medidas sobre conocimientos basados ​​en datos. Los pods también pueden fomentar una cultura tanto de colaboración como de innovación continua, que son clave para impulsar proyectos de IA/ML a través de la "frontera de la rentabilidad". Para garantizar la adopción en el espacio de la inteligencia aplicada, es fundamental que el flujo de valor genere resultados y también se vincule a la siguiente mejor acción, en lugar de simplemente proporcionar información o inferencias hipotéticas.

Otro componente de una actitud empresarial es la voluntad de hacer preguntas difíciles. Para las inversiones en ciencia de datos, estas preguntas pueden incluir:

• ¿Cuánto tiempo le llevará a nuestra organización obtener un retorno de nuestras inversiones en IA/ML?
• ¿Cuándo puede esperar la organización que nuestras inversiones en IA/ML nos ayuden a ganar cuota de mercado?
• ¿Cómo aumentarán nuestros proyectos de IA/ML la adopción de nuestros productos finales por parte de los consumidores?
• ¿La solución AI/ML es ética y estamos creando una IA responsable? ¿Confiará la empresa en la solución AI/ML?
• ¿Estamos creando un nuevo producto o servicio para crear una ventaja competitiva?
• ¿Nuestras soluciones de IA/ML son óptimas, manejables y sostenibles? Si no, ¿qué podemos hacer para garantizar que lo sean?
• ¿Con qué rapidez nuestras inversiones en IA/ML mejorarán la colaboración, impulsarán la autonomía del usuario final y acelerarán nuestros planes de lanzamiento al mercado?

Pensamiento basado en plataformas

Hay otra pieza del rompecabezas AI/ML y la necesidad de un pensamiento empresarial. Hemos ingresado a una nueva era de concepto de diseño, que involucra una colección de herramientas, servicios, conocimientos y soporte que capacitan a los equipos para desarrollar y mejorar productos, servicios o soluciones a mayor velocidad. Para que esto tenga éxito, necesita un enfoque basado en el flujo de valor para mejorar la agilidad empresarial, una organización basada en productos y un modelo operativo alineado con el objetivo de adopción del usuario final, creando un nuevo flujo de transformación empresarial basada en datos. Las organizaciones líderes ya se están diseñando a sí mismas en torno a este nuevo flujo de trabajo, cambio y datos, acelerando así su tiempo de valorización y tiempo de comercialización.

Las organizaciones exitosas adoptarán la "ley de aceleración de los rendimientos", en la que la aceleración de la tecnología da como resultado la innovación más potente, como computadoras cuánticas, impresión 3D, AR/VR y nanotecnología. Una complicación del pensamiento de la nueva plataforma es que involucra tecnologías que pueden estar avanzando según las pautas impuestas por distintas agendas. Donde una tecnología se realiza completamente, otra puede estar emergiendo. Sin embargo, para obtener los beneficios del pensamiento de plataforma, todas las tecnologías deben integrarse para permitir sistemas altamente interoperables, pero con componentes poco acoplados, que puedan ampliarse de forma independiente.

El pensamiento de plataforma también enfatiza la necesidad de optimizar los costos de punta a punta. Esto requiere un liderazgo fuerte, altos niveles de disciplina y una ejecución ágil. Las tácticas y herramientas para optimizar costos incluyen un banco de trabajo de colaboración, capacitación para una mayor IA y alfabetización de datos, y un sólido programa de gestión de cambios.

Para algunas organizaciones líderes, esto también implica el uso de lo que se conoce como "científicos de datos ciudadanos de IA". Este grupo, que puede incluir desarrolladores de aplicaciones cotidianas, normalmente no posee experiencia en ML o análisis. Pero estos ciudadanos de IA pueden crear modelos de IA, si tienen las herramientas adecuadas, incluidas plataformas de desarrollo de software para IA y ML, así como bancos de trabajo de colaboración que permitan la reutilización de software y eliminen la duplicación de esfuerzos y desarrollo de activos.

Los equipos multidisciplinarios son otro elemento clave del pensamiento de plataforma. Como se mencionó anteriormente, los pods multifuncionales pueden empoderar a los trabajadores para atravesar dominios de negocio con una definición común de éxito y resultados, que van desde la incubación de proyectos hasta la industrialización. Los pods también pueden fomentar una mentalidad de producto. Esto enfoca a los miembros del grupo en la entrega de resultados tangibles a los clientes internos y externos. Los equipos de pod también pueden usar prácticas de desarrollo Agile para fomentar el desarrollo basado en pruebas y comportamiento, centrado intensamente en la experiencia del usuario y los resultados relacionados.

Por qué las organizaciones líderes reclutan científicos de datos ciudadanos de IA

Parte del trabajo pesado del ciclo de vida de IA/ML realizado por científicos de datos costosos se puede encargar a "científicos de datos ciudadanos de IA" (conocidos alternativamente como "desarrolladores ciudadanos de IA"). La clave del éxito es equipar a estos entusiastas de la ciencia de datos con estándares conjuntos de bibliotecas de modelos empaquetados, modelos y algoritmos catalogados, y canalizaciones de datos automatizadas/parametrizadas, para una ejecución repetible.

Si bien es posible que estos desarrolladores ciudadanos de IA no puedan improvisar y lograr una mayor precisión en los modelos, pueden combinar modelos de entrenamiento con varios conjuntos de datos y parámetros. También pueden incorporar modelos en los procesos comerciales y habilitar las operaciones de IA, lo que reduce el costo total de propiedad (TCO). Además, con el pensamiento basado en la plataforma y la configuración y las herramientas adecuadas, pueden contribuir con un conocimiento profundo del dominio.

Por ejemplo, si tuviera una red neuronal de percepción entrenada en ciertos datos, un desarrollador ciudadano de IA podría crear una canalización de datos y llevarla a un cierto nivel de precisión (digamos, 80% a 87%). Un científico de datos experimentado podría aplicar su experiencia para ajustar e "hiperparametrizar" el modelo, llevándolo a un nivel más alto de eficacia.

Los desarrolladores ciudadanos de IA pueden ayudar con las tres fases principales del modelado de IA:

1. Experimentación: durante esta fase, se puede dedicar hasta el 60% del trabajo a las tareas iniciales de administración de datos, como la limpieza de datos. Con los mecanismos de "aprendizaje de transferencia" adoptados por los desarrolladores ciudadanos de IA, los modelos preentrenados pueden acelerar el tiempo de comercialización.
2. Piloto: en esta fase, los modelos se incorporan a un piloto para una región o proceso comercial específico. Mediante el uso de bibliotecas de modelos y la comprensión de la usabilidad de los algoritmos en otros casos de uso, los desarrolladores ciudadanos de IA pueden poner en marcha pilotos rápidamente, especialmente cuando los expertos en ciencia de datos pueden estar vinculados a otros casos de uso maduros. El tiempo de comercialización más rápido también puede acelerar la adopción de inteligencia aplicada en la organización.
3. Bucle de retroalimentación: en esta fase, una vez que los modelos de IA se implementan a escala, es posible que la mejora continua con reentrenamiento no esté disponible hasta que se establezca la plena realización de los beneficios. Se puede aprovechar a los desarrolladores ciudadanos de IA para orquestar el reentrenamiento con retroalimentación para mantener el modelo actualizado, evitando así el impacto de la deriva.

Para empoderar a los ciudadanos científicos de datos para que trabajen de manera productiva, las organizaciones líderes primero aseguran: (1) la creación de un mercado para algoritmos y modelos reutilizables; (2) establecer una biblioteca/catálogo de modelos utilizando algoritmos ya reforzados; (3) adquirir herramientas de colaboración que ayuden a modelar la "explicabilidad" con documentación y reproducibilidad; (4) adquirir herramientas de producción para la integración de aplicaciones, gestión de cambios y escalado.

Luego, las organizaciones trabajan para desarrollar un grupo de IA de alto rendimiento que incluya científicos de datos expertos y ciudadanos. Esta evolución normalmente procede en tres pasos distintos:

Paso 1: experimentos de IA coordinados. Aquí, los grupos colaboran en el desarrollo de modelos de IA. Si bien todos los proyectos son propiedad de los propietarios de los productos de datos, las unidades comerciales (BU) y los líderes funcionales, los recursos los proporciona un banco de trabajo de IA central.

Paso 2: Detección coordinada y observabilidad. Los modelos desarrollados en el Paso 1 ahora se implementan con automatización en producción y luego se monitorean proactivamente en busca de datos anómalos que puedan crear desviaciones. Partes de esta fase son propiedad de las BU y los líderes funcionales. La orquestación de extremo a extremo es proporcionada por la utilidad central de IA.

Paso 3: Innovación coordinada. En este paso, se lanzan programas "moonshot" que tienen como objetivo ampliar las capacidades de IA más allá de lo que es posible actualmente. Estas iniciativas de toda la empresa están definidas por la utilidad central de IA, pero las ejecutan las BU locales y las funciones corporativas. (Para ver un ejemplo de un moonshot de DXC, consulta El Dr. Peter Scott-Morgan se convierte en Peter 2.0.)

Estas organizaciones también emplean herramientas y procesos para corregir y filtrar datos anómalos. Por ejemplo, una caída en los ingresos puede deberse a algún factor fuera del control de la organización, como un clima extremo. Si ese es el caso, la organización necesita filtrar esos datos, asegurándose de no sesgar los datos con la desviación del entrenamiento. (Para obtener más información, lea dos perspectivas de DXC: Definición de una estrategia de datos e Impulsar el metabolismo de los datos para mejorar la toma de decisiones.)

¿Por qué deberías considerar desarrollar científicos de datos ciudadanos? Porque estos entusiastas de la IA no solo ayudan a fusionar mentalmente y crear innovación potencial, sino que las organizaciones que ya los usan a escala reportan tres beneficios valiosos:

1. Mayor productividad: los científicos de datos ciudadanos utilizan bancos de trabajo de colaboración, que actúan como plataformas de desarrollo de software que pueden albergar diferentes productos y permitir la experimentación. Esto permite que los modelos de IA se compartan entre silos tradicionales, lo que permite a sus grupos colaborar en las funciones de ingeniería y el ajuste de modelos. Esto también anima a la próxima generación de aspirantes a científicos de datos.
2. Costos optimizados: las organizaciones pueden comenzar con un modelo combinado eficiente que se controle al permitir que personas que no sean científicos de datos altamente remunerados desarrollen modelos de IA. Además, los científicos de datos ciudadanos pueden crear una canalización de integración continua-entrega continua (CI/CD) para mantener la agilidad e implementar en una plataforma AI Ops estándar para detectar la desviación del modelo. Esto puede mejorar la confianza de la empresa en el modelo, despejando el camino para la automatización.
3. Salida al mercado más rápida: las organizaciones que utilizan científicos de datos ciudadanos y un banco de trabajo de colaboración pueden comenzar la fase inicial de incorporar modelos de IA en sus procesos comerciales. Luego, pueden monitorear continuamente estos procesos desde la optimización del proceso y evitar la desviación del modelo al corregir los datos anómalos. El objetivo no es solo recopilar datos, sino también aprender de ellos, y luego reaccionar de manera rápida, correcta y efectiva.

Las empresas que aprovechen al máximo las nuevas tecnologías actuales, adopten una mentalidad emprendedora y, lo que es más importante, aprovechen de manera efectiva a los desarrolladores ciudadanos de IA, experimentarán un crecimiento exponencial.

Cómo puede ayudar DXC

Donde quiera que te encuentres en tu viaje de IA/ML, DXC Technology puede encontrarte y ayudarte a desarrollar tu propio enfoque de negocio para la ciencia de datos.

En primer lugar, puedes beneficiarte de nuestra gama completa de aceleradores y servicios de ciencia de datos. Éstos incluyen servicios de consultoría, diseño e ingeniería aumentados por nuestra propiedad intelectual y un amplio grupo de profesionales experimentados que han desarrollado modelos de IA a escala.

También puedes aprovechar nuestra profunda experiencia ayudando a las organizaciones a incorporar AI/ML en sus procesos de negocio (consulta la Figura 3). En el fabricante de automóviles BMW, por ejemplo, los equipos de I+D que trabajan en vehículos autónomos ahora utilizan la solución digital de DXC para recopilar, almacenar y gestionar datos de sensores de vehículos en segundos, en lugar de días o semanas, lo que da como resultado ciclos de desarrollo más rápidos.

¿Estás listo para aplicar una mentalidad emprendedora a tus proyectos de ciencia de datos? Comienza con estas tres acciones:

• Acción 1: detalla los resultados esperados del proyecto. Estos pueden ser cuantitativos (como la monetización) o cualitativos (como la mejora de la agilidad comercial o el valor comercial) mediante la introducción de un nuevo producto o servicio en el mercado (ver Abordar el problema de los datos de los vehículos autónomos).
• Acción 2: evalúa si cuentas con las personas, los procesos y las tecnologías adecuados para proporcionar el rendimiento requerido.
• Acción 3: determina si estás haciendo más que impulsar la eficacia del modelo para un problema de negocio y si estás bien posicionado para lograr la experiencia del usuario de punta a punta a través de una solución o plataforma.

Una vez realizadas estas primeras acciones, ponte en contacto con DXC, y te ayudaremos a convertir tus desafíos de ciencia de datos en éxito empresarial.

Sobre la autora