Por qué los datos son el héroe no reconocido de la estrategia de IA

La fiebre del oro de la IA – De pilotos y experimentos a estrategia y escala empresarial

La Ley de Moore está en pleno vigor cuando se trata de la IA. La IA está muy demandada, y todas las empresas están adoptando la IA. La innovación también está ayudando a impulsar esta demanda con nuevos modelos de IA, agentes de IA y nuevas tecnologías que están llegando a este lugar. Esto está creando un cambio fundamental para las empresas: el escenario para pilotos y experimentos interesantes y demostraciones de IA, en particular, la IA generativa, está desapareciendo en gran medida. Las empresas están comprendiendo que la IA necesita estar integrada como parte de la estrategia empresarial para escalar y crear una verdadera diferenciación empresarial. La IA es un tema en la mayoría de las salas de juntas, lo que resulta en innovación estratégica y presupuestos.

Datos: El primer dominó en la estrategia de IA

Una consideración clave en cualquier estrategia de IA debe ser los datos. Los datos son fundamentales para que los modelos de IA sean contextuales, inteligentes y específicos del dominio y la empresa. Los modelos de IA predicen resultados en función de la forma en que se ajusta el modelo y las entradas presentadas a él. Ambos dependen de la calidad, variedad, recencia y estructura de los datos.

Según un informe de previsión de IDC, se espera que la IA impulse la economía global en casi 20 billones de dólares para 2030, impulsado no solo por los modelos, sino también por las masivas inversiones en los datos y la infraestructura subyacente que los alimenta.

Los datos de entrenamiento con subconjuntos estrechos conducen a modelos sesgados, los datos desactualizados conducen a resultados irrelevantes y los malos datos simplemente conducen a malos resultados de IA. Por lo tanto, los datos son el primer dominó en la estrategia de datos de una empresa. Incluso con las mejores personas y tecnologías de vanguardia, si el dominó de los datos cae, toda la estrategia de IA se derrumba rápidamente.

Como señala el informe de Gartner de 2024 sobre las principales tendencias en datos y análisis, las organizaciones que escalan con IA dependen de los datos, y los líderes que tienen éxito serán aquellos que establecen confianza en sus datos y los lideran estratégicamente.

Decisiones estratégicas clave de datos para su estrategia de IA

Aquí hay 5 consideraciones clave que usted y su empresa deben hacer para preparar sus datos para su estrategia de IA:

1. Reutilice su paisaje de datos – Varias empresas no reutilizan el paisaje de gestión de datos, gobernanza de datos y almacenamiento y análisis de datos para la IA. Muchos datos que sirven para informes y análisis críticos también pueden ser críticos para la IA. Es importante comenzar con los activos de datos ya presentes en la empresa. Por supuesto, esto debe complementarse con las medidas de calidad de datos adecuadas.

Pregunta clave para hacer – ¿Qué datos tenemos en nuestra empresa y en qué estado se encuentran?

2. Metadatos y linaje de datos – Para los datos en su lugar, los metadatos, es decir, los datos sobre los datos, pueden ser igualmente críticos, si no más, para la IA. Por ejemplo, los términos comerciales etiquetados a los datos pueden ayudar a identificar el contexto relevante para un modelo RAG, por ejemplo. Cuando un usuario solicita el estado de una reclamación en una empresa de seguros, todos los atributos de datos etiquetados con el estado de la reclamación pueden usarse como contexto para que el modelo de IA responda. El linaje de datos también ayuda a comprender el flujo de los datos, lo que ayuda a los modelos de IA a identificar fuentes de datos de confianza.

Según un blog reciente de ISASA, la gobernanza de la IA es fundamental y requiere los metadatos y el linaje de datos adecuados para escalar.

Pregunta clave para hacer – ¿Nuestros datos están etiquetados correctamente con metadatos comerciales y técnicos? ¿Recopilamos el linaje de datos para comprender cómo fluyen los datos de principio a fin?

3. Gobernanza y cumplimiento de datos – Asegúrese de que sus datos estén bien gobernados y gestionados, y de que se apliquen las regulaciones de cumplimiento y privacidad a los datos. La estrategia de IA debe heredar y ampliar estas gobernanza y regulaciones en lugar de comenzar desde cero. Por ejemplo, si un cliente quiere que sus datos se anonimicen según las regulaciones de GDPR, un modelo de IA debe estar entrenado y operar en el conjunto de datos anonimizado.

Pregunta clave para hacer – ¿Tenemos un programa de gobernanza y cumplimiento de datos en su lugar? Si no, ¿cuáles son los aspectos clave que necesito tener en su lugar para mi estrategia de IA?

4. Trate a los datos maestros como su mariscal de campo de IA – Los datos maestros críticos, que contienen datos sobre las entidades clave en su empresa, deben usarse como base para su estrategia de IA. Por ejemplo, si existe una visión de 360 grados de un cliente, una estrategia de IA en cualquier dominio de cliente, como la predicción de la deserción del cliente, debe aprovechar estos datos maestros para evitar cualquier dato perdido o incompleto. Por supuesto, esto se puede combinar con más información de fuentes de datos específicas.

Pregunta clave para hacer – ¿Tengo mis dominios de datos maestros críticos disponibles en un paisaje de datos completo y conectado?

5. Datos y su valor – Los datos no deben tratarse como un centro de costos, sino medidos en términos de su valor, tanto hacia la IA como hacia el negocio. Esto requiere que los datos estén en la junta y en los temas de CXO, además de la IA.

Pregunta clave para hacer – ¿Mi junta y CXO comprenden el valor de los datos para la organización? Si no, ¿cómo podemos asegurarnos de que se comprenda, especialmente en el contexto de la estrategia de IA en la empresa?

Los modelos vienen y van, pero los datos perduran.

A medida que evoluciona su estrategia de IA, surgirán nuevas innovaciones y modelos de IA. La velocidad de innovación en este espacio es asombrosa. Pero con el tiempo, los modelos de IA se convertirán en productos comunes; el verdadero diferenciador en su empresa no es qué modelo utiliza, sino cómo se contextualiza con qué datos se entrenan, afinan y trabajan en él.

Si está creando una estrategia de IA, no comience con el modelo. Comience con la pregunta: ¿Tenemos los datos para respaldarlo?