Fujitsu presentó sus predicciones de Analíticos para 2019. Albert Mercadal, en las que se destacan nueve puntos fundamentales que marcarán la evolución de esta tecnología.
1. La responsabilidad detrás de los algoritmos y la ética de la Inteligencia Artificial.
En 2019 se señala como muy importante poder demostrar la imparcialidad de las decisiones automáticas tomadas por los sistemas de IA (Inteligencia Artificial).
Asimismo, la GDPR y otras regulaciones de datos elevarán la importancia de la responsabilidad del algoritmo, la capacidad de comprender por qué ha tomado ciertas decisiones, especialmente en sectores altamente regulados como la banca o la salud.
Los algoritmos, por supuesto, aprenden de los datos, y estos a veces se basan en decisiones humanas que no siempre son justas. Por ello, la eliminación de cualquier injusticia en las decisiones automáticas que toman los sistemas de IA se volverá más importante en un futuro próximo, si se va a aceptar la IA como una tecnología éticamente responsable.
2. El Aprendizaje Profundo (Deep Learning) y los grafos de conocimiento están empezando a remplazar el aprendizaje automático tradicional.
Los grafos de conocimiento son sistemas representativos que nos ayudan a explicar cómo se comportan y toman decisiones los sistemas de IA, alejándonos la “caja negra” y brindando a las empresas las herramientas y la comprensión necesaria para el negocio, así como una respuesta a las nuevas presiones normativas.
3. Analítica Integrada.
En 2019, se verá un mayor uso de algoritmos integrados e inteligencia en los procesos de negocios existentes. Cuando se combinan con la automatización de procesos robóticos (RPA) con la analítica y la IA, se produce un gran impacto en la efectividad de las operaciones diarias del negocio, consiguiendo una mayor simplicidad, automatización, velocidad y servicio, todo esto logrado a un menor costo y mayor eficiencia.
4. Edge Analytics.
Mientras la analítica se realice en la Nube, en entornos locales de alto rendimiento o una combinación híbrida de ambos, vemos una mayor demanda de los usuarios por conseguir un rendimiento mejorado en el extremo o campo, impulsado por casos de uso que requieren latencias más cortas. En 2019, veremos sistemas analíticos ejecutándose en los propios dispositivos IoT, especialmente en los segmentos de manufacturing y utilities.
5. Arquitecturas enfocadas a la gestión de eventos.
En 2019 se producirá un auge de estas arquitecturas de IA, donde los procesos end-to-end permitenrecopilar datos, procesarlos, evaluar y hacer predicciones, tomar decisiones y activar procesos serán la nueva normalidad.
6. Acortar la brecha en las capacidades.
La falta de capacidades es un problema importante cuando se implementan proyectos de analítica avanzada. Las empresas incrementarán sus inversiones en herramientas que ayuden a sus analistas de negocios y científicos de datos a utilizar técnicas analíticas avanzadas, a pesar de no ser expertos técnicos.
Todo ello gracias a herramientas que utilizan interfaces gráficas que permiten implementar procesos analíticos abstrayendo a los usuarios de negocio de la necesidad de tener altos conocimientos de programación, aumentando así su productividad.
7. Analítica conversacional.
Las empresas aumentarán la inversión en herramientas que ayuden a sus analistas de negocio a utilizar técnicas analíticas avanzadas sin ser expertos técnicos, gracias a la inteligencia cognitiva.
Por ejemplo, comenzaremos a ver los departamentos de Business Intelligence (BI) utilizando chatbots para interactuar con sus herramientas. Esto significará interactuar y recibir respuestas de los sistemas de BI, a través de la conversación, en lugar de los formatos de informe predeterminados.
8. Servicios extremo a extremo.
Proporcionar analítica avanzada para los clientes significa tener en cuenta una amplia gama de factores, algunos potencialmente contradictorios, como políticas de gestión de datos, escalabilidad, heterogeneidad del entorno, entre otros. Para que esto sea posible y garantizar el valor para el negocio, se requieren proveedores de servicios de analítica de datos que puedan ofrecer soluciones de extremo a extremo.
9. Economía compartida.
La co-creación es otro camino para superar con éxito las brechas en las habilidades, ya que la aplicación de experiencia de dominio relevante es un diferenciador clave en el desempeño de un científico de los datos.
Cualquiera puede crear un motor de recomendaciones, la pregunta es quién puede hacer el mejor sistema para un caso de uso específico, como, por ejemplo: ¿un retailer?
Gracias a la economía compartida, encontrar las habilidades y experiencia necesarias para resolver un problema específico será más fácil utilizando la co-creación.
