NoticiasMachine Learning

6 claves para incentivar el machine learning

El principal reto de la inteligencia artificial es dar el salto de un entorno de “laboratorio” a uno de negocio real.

Las compañías españolas apuestan por el machine learning (ML) pero lo hacen por el momento y en gran medida en un entorno controlado o de pruebas y sin influir en sus procesos de negocio principales. Así se recoge en un análisis realizado por la consultora NovaQuality, especializada en analítica y gobierno de datos, que concluye que dar el salto a la aplicación en áreas de negocio fundamentales es el gran reto al que deben hacer frente las organizaciones en 2019.

En este sentido, Pedro Herrera Nachón, socio fundador y director general de NovaQuality, explica que “actualmente muchas empresas utilizan los procesos de entrenamientos de algoritmos para hacer test o campañas específicas basadas en este tipo de aprendizaje, con un cierto acotamiento dentro de la organización, pero no aprovechan el machine learning en los procesos importantes de la compañía como son por ejemplo el diseño de producto, la gestión integral del cliente o la facturación”.

¿Cómo evolucionar del machine learning en pequeña escala a una de mayor alcance? A este respecto, NovaQuality identifica seis tendencias que serán claves en el desarrollo de estas herramientas en 2019 y que exigirán importantes cambios en muchas organizaciones:

  1. Disponibilidad de datos bien gobernados. A medida que se avanza en el Machine Learning más se entiende la necesidad de un gobierno del dato. Data Governance ganará relevancia durante 2019 y, gracias a ello, los profesionales podrán ser capaces de conocer bien los orígenes de datos e identificar aquellos que son de calidad y los que no.  Las máquinas de aprendizaje se basan en datos de entrenamiento buenos, únicos y confiables, por lo que es imprescindible aplicar una buena política de gobierno del dato.
  2. Capacitación de los profesionales de las organizaciones para entender de verdad las posibilidades del Machine Learning. Esto no sólo implica contratar perfiles especializados, sino que conlleva también capacitar a los trabajadores que conocen el negocio para que entiendan las posibilidades y las limitaciones que ofrecen las técnicas de Machine Learning.
  3. Desarrollo de nuevos perfiles especialistas en datos. Complementariamente al punto anterior, la ampliación del alcance de machine learning, obligará a que las compañías integren en sus equipos nuevos perfiles altamente especializados.
  4. Nuevas regulaciones en el sector financiero. El machine learning continuará siendo especialmente relevante en el sector financiero en 2019. La aplicación de nuevas normativas en la regulación bancaria, como la PSD2, obligará indirectamente a estos operadores a ir un paso por delante en el tratamiento de datos, antes de que la competencia lo haga por ellos.  
  5. Aplicación de la sensorización e IoT en el sector industrial. Esta es una de las claves de la futura competitividad de la industria española, que debe comenzar a incorporar sistemas de sensorización e IoT para el mantenimiento de los activos industriales y aplicarlos a modelos predictivos que anticipen el funcionamiento y ciclo de vida de la maquinaria.  
  6. Creciente importancia de los datos para las Administraciones. Las instituciones públicas empezarán a sistematizar el gran volumen de datos que disponen sobre los ciudadanos (comportamiento, tránsito, uso de espacios públicos…). De cara al año próximo, se abrirá una brecha entre aquellas administraciones que tomen decisiones en base a las posibilidades de predicción que ofrece esta información o aquellas que lo hagan siguiendo el modo tradicional.

Nuevos perfiles profesionales en machine learning


Interlocutor de negocio con conocimientos de machine learning. Se trata de un profesional que viene de las áreas de gestión de una empresa y toma decisiones estratégicas o tácitas y que, además, cuenta con una formación en analítica suficiente para servir de enlace entre los científicos de datos y las áreas de negocio.

Informático que sepa integrar algoritmos y modelos de ML. Un trabajador que entienda cómo funcionan los algoritmos y conozca cómo implementar los resultados derivados de aplicar esta tecnología en la actividad y procesos de la compañía.

Ingeniero de datos. Responsable de suministrar o facilitar eficientemente los datos necesarios a los procesos de aprendizaje. Algo fundamental en grandes organizaciones.

Especialista Regulatorio en machine learning. La entrada en vigor del Reglamento General de Protección de Datos (RGPD) y la implementación de los bancos de pruebas regulatorios o Sandbox en España conllevará la necesidad de contar con un experto en legislación que posea conocimientos sobre el marco regulatorio y ético.

Computing 776