Las plataformas de Analytics (dashboards) son clave para prepararnos para un proyecto de IA y para su posterior ejecución. ¿Por qué?
Como hablamos en otros artículos, el dato es la clave para los proyectos de IA ya que son su materia prima.
Está claro que no podemos impulsar un objetivo de negocio para resolver con IA, entrenar un modelo y luego ponerlo en producción si no contamos con los datos necesarios y que cumplan con requisitos tales como:
- Calidad y consistencia
- Completitud
- Validez
- Precisión
- Que sean representativos y equitativos
- Normalizados
Para ello, retomamos nuestro mensaje de Analytics First - Data Discovery:
A la hora de plantearnos empezar con un proyecto de IA, es fundamental contar previamente con la metodología y soluciones de Data Analytics (dashboards, por ej) con las que trabajamos en los proyectos para toma de decisiones (descriptivas) y predictivas.
¿Por qué? Porque en varias etapas vamos a necesitarlas para trabajar con los datos y así garantizar el éxito del proyecto:
- En la etapa inicial, en la que definimos el objetivo de negocio a cumplir/resolver o aspecto a mejorar con IA: tenemos que tener en claro si vamos a contar con los datos para ello. En tiempo y forma. Y no menor, saber trabajar con los datos (tanto áreas de Negocio y IT)
- En las etapas de recolección de datos y exploración: si ya contamos con un modelo de datos analítico tendremos pasos ganados respecto a metodología de recopilación y carga (ETL) y/o gobierno de datos respecto a identificación de fuentes y data owners, calidad, esquemas de extracción, etc.
Y para todo lo que esté pendiente por hacer, como puede ser el caso de datos que aún no están en el BI porque son exclusivos para el proyecto IA, las plataformas de analytics serán herramientas muy útiles para la recopilación, exploración, evaluación de calidad, perfilado, detección de patrones, insights, etc. Estas herramientas suman al proyecto de IA con sus capacidades de visualización y de actualización de datos “ real time”. Y también suman con sus capacidades predictivas y ML, que muchas traen adhoc y que se pueden usar integradas con el modelo de datos analítico para impulsar proyectos predictivos sin adquirir / desarrollar otros componentes por fuera de ML.
- En el entrenamiento del modelo y pruebas: son de ayuda en tareas como la evaluación del modelo, calculando las métricas definidas para ellos y comparando predicciones resultantes del modelo con datos reales.
- En la puesta en producción y monitoreo: acompañando también en el análisis de resultados y aportando insights para su mejora continua y/o información necesaria para la adaptación a nuevos datos y cambios de contexto/reglas.
El seniority del equipo de datos y analytics + las soluciones con las que se trabajan en los proyectos de Data Analytics son fundamentales para trabajar con los equipos de IA y apalancar dichas iniciativas.