¿Está su información lista para la IA?

La falta de preparación de datos es un obstáculo importante para la adopción exitosa de la IA. Muchas organizaciones carecen de una estrategia clara para administrar sus datos, lo que resulta en información incompleta, inconsistente y de difícil acceso. Esta situación dificulta que los algoritmos de IA aprendan de manera efectiva y generen resultados precisos.

Retos comunes en la calidad de los datos

Se especifican cuatro problemas comunes de calidad de los datos que enfrentan las organizaciones:

1. Datos en silos: La información se encuentra aislada en diferentes departamentos. Los datos del equipo de marketing pueden residir en una ubicación distinta, con diferentes reglas de acceso, que los datos del equipo de ingeniería.
2. Datos desorganizados y sin procesar: La mayoría de las organizaciones generan grandes cantidades de datos a diario. Sin un plan y sistema de gestión de datos, la información antigua queda enterrada en carpetas de servidores viejos y la nueva no se cataloga ni organiza adecuadamente.
3. Datos incompletos, inexactos e inconsistentes: La información carece de integridad, precisión y coherencia.
4. Datos no estructurados: Una gran parte de los datos no tiene una estructura definida, lo que dificulta su organización. Estos datos cruciales residen en cientos de correos electrónicos enviados y recibidos, hojas de cálculo, presentaciones de PowerPoint, videos, imágenes, informes con gráficos, documentos de texto, páginas web, órdenes de compra, facturas de servicios y archivos PDF.

El problema de los documentos de texto se puede enfatizar. A menudo almacenados en múltiples ubicaciones, pueden contener información valiosa. Un punto de datos importante podría estar enterrado en un gráfico de la página 5 de un documento de 20 páginas o a lo largo de un informe de analistas de Wall Street de 100 páginas.

La existencia de datos aislados, desorganizados, con poca calidad y difíciles de estructurar, lo que representa un desafío y una oportunidad para las organizaciones.

Problemas generados por la falta de calidad en la data:

Podemos ejemplarizar  con situaciones que pueden surgir cuando los datos utilizados para entrenar modelos de IA son de baja calidad:

• Sesgos y discriminación: Si los datos de entrenamiento están sesgados, los modelos de IA también lo estarán. Esto puede conducir a la discriminación contra ciertos grupos de personas, por ejemplo, en la toma de decisiones crediticias o de empleo. Un ejemplo de esto ocurrió en 2019 cuando la compañía de tarjetas de crédito Barclaycard utilizó un algoritmo de IA para evaluar la solvencia de sus clientes. El algoritmo resultó ser discriminatorio contra las mujeres, ya que se basó en datos históricos que mostraban que las mujeres tenían más probabilidades de incumplir sus pagos que los hombres

• Errores y decisiones incorrectas: Si los datos de entrenamiento contienen errores, los modelos de IA los aprenderán y los replicarán en sus predicciones. Esto puede tener consecuencias graves, por ejemplo, en el diagnóstico médico o en la conducción autónoma. Un ejemplo de esto ocurrió en 2018 cuando un automóvil autónomo de Uber mató a un peatón en Arizona. El accidente fue causado por una serie de errores, incluido el hecho de que el software de IA del automóvil no pudo identificar al peatón como tal.

• Pérdida de confianza y reputación: Si los modelos de IA generan resultados incorrectos o dañinos, las organizaciones pueden perder la confianza de sus clientes y dañar su reputación. Un ejemplo de esto ocurrió en 2016 cuando Microsoft lanzó un chatbot llamado Tay en Twitter. Tay fue diseñado para aprender de las interacciones con los usuarios, pero rápidamente comenzó a publicar tweets ofensivos y racistas. Microsoft se vio obligado a cerrar Tay después de solo 16 horas.

• Sesgos en la justicia penal: En 2023, un estudio encontró que un algoritmo de IA utilizado por el sistema de justicia penal de Florida era sesgado contra los acusados negros. El algoritmo tenía más probabilidades de recomendar la fianza para los acusados blancos que para los negros, incluso cuando los acusados negros tenían antecedentes penales menos graves.

• Errores en el diagnóstico médico: En 2022, un sistema de IA utilizado para diagnosticar cáncer de piel fue criticado por su alta tasa de errores. El sistema tendía a pasar por alto algunos casos de cáncer y a diagnosticar erróneamente otros como cancerosos.

• Desinformación en las redes sociales: En 2021, se descubrió que los algoritmos de las redes sociales amplificaban la desinformación y el contenido extremista. Esto se debió en parte a que los algoritmos se basaban en datos de usuario que a menudo eran inexactos o engañosos.

Para abordar este desafío un enfoque sistemático es el apropiado para la gestión de datos en el contexto de la IA. Los pasos clave incluyen:

1. Definir objetivos de IA: Es fundamental comprender qué se espera lograr con la IA antes de comenzar a recopilar y procesar datos. Esto ayudará a determinar qué tipo de información es necesaria y cómo debe organizarse.
2. Evaluar el panorama de datos actual: Realice una auditoría completa de los datos existentes para identificar su calidad, volumen y estructura. Esto ayudará a identificar áreas que requieren mejoras y a establecer prioridades para la limpieza y organización de datos.
3. Implementar un plan de gestión de datos: Desarrolle un plan integral que defina las políticas, procedimientos y herramientas para administrar los datos de manera efectiva. Esto incluye aspectos como la gobernanza de datos, la seguridad de datos y la calidad de datos.
4. Limpiar y organizar datos: Elimine errores, inconsistencias y duplicaciones en los datos. Organice los datos de manera que sean fáciles de acceder y utilizar por los algoritmos de IA.
5. Establecer procesos continuos de gestión de datos: La gestión de datos es un proceso continuo, ya que se generan nuevos datos constantemente. Implemente procesos para monitorear la calidad de los datos, identificar nuevos conjuntos de datos relevantes y actualizar el plan de gestión de datos según sea necesario.
6. Comenzar con un caso de uso de IA a la vez: No intente implementar la IA en toda la organización a la vez. Comience con un caso de uso específico y concéntrese en preparar los datos necesarios para ese caso. A medida que gane experiencia, puede ampliar gradualmente su enfoque a otros casos de uso.

Preparar sus datos para la IA es un paso crucial para garantizar el éxito de sus iniciativas de IA. Al seguir las recomendaciones que incluimos arriba, las organizaciones pueden establecer una base sólida para aprovechar el poder transformador de la IA y lograr sus objetivos estratégicos.