Cuando las empresas deciden incursionar en análisis de datos, machine learning e inteligencia artificial (IA), deben determinar si contratar a un experto externo para hacer todo el montaje, capacitar al personal interno para que puedan implementarlo o buscar una opción intermedia.
Alan Jacobson, el director de análisis y datos de Alteryx, una empresa que vende software de análisis de datos a varias de las empresas Fortune 500, tiene una fuerte opinión al respecto: «Todos pueden convertirse en científicos de datos». Jacobson informó a Fortune que con frecuencia escucha a los ejecutivos de las grandes empresas quejarse por no poder encontrar personas con experiencia en análisis de datos, machine learning e inteligencia artificial. Sin embargo para él, esos ejecutivos están ignorando el gran recurso que ya tienen en sus propias organizaciones.
«La mayor parte de la ciencia de datos aplicada en el mundo empresarial está al alcance de la mayoría de los trabajadores», dijo Jacobson, agregando que «Es mucho más fácil enseñarle a un contador algo de ciencia de datos que enseñarle contabilidad a un científico de datos». Este es un contundente mensaje para los empresarios. Con un poco de inversión en tiempo y dinero, las empresas pueden enseñar a sus empleados habilidades de ciencia de datos para que puedan implementar modelos de IA y machine learning.
Te puede interesar: Inteligencia artificial y blockchain, transformando los servicios financieros.
Por lo tanto, Jacobson cree firmemente en que el valor comercial de la ciencia de datos y el aprendizaje automático está en poner las herramientas directamente en manos de los expertos que usarán los datos. En un estudio que Harvard Business Review realizó con Alteryx, descubrieron que el 63% de las empresas confían en equipos de análisis de datos y TI centralizados para ofrecer análisis de datos avanzados y, sin embargo, casi ninguno de ellos informó estar satisfecho con esa solución.
Esto lo que demuestra es que no se pueden hacer preguntas correctas si no se comprenden realmente los datos. O que las personas necesitan saber qué están viendo para poder hacer mejores preguntas. Por lo tanto, el personal experto, que conoce la empresa desde adentro, es el más indicado para reconocer si los datos están aportando valor o no. Un externo trabajando solo en el tema, no podría reconocer con tanta facilidad si las preguntas son las correctas y si las respuestas están generando valor a los datos.
Jacobson también comenta que muchas empresas temen introducir esta poderosa tecnología en sus filas de empleados porque están demasiado concentradas en los riesgos de que algo salga mal. Sin embargo, desde su experiencia, considera que sólo un puñado de casos de uso empresarial realmente necesitan un modelo lo suficientemente sólido como para tomar decisiones de misión crítica totalmente automatizadas. En estos casos, si sería recomendable contratar a expertos en ciencia de datos, machine learning e inteligencia artificial, eso si, en estrecha consulta con los expertos internos.
Te puede interesar: ¿Por qué especializarse en Machine Learning?
Enseñar a los expertos internos a construir sus propios modelos de aprendizaje automático es también, argumenta Jacobson, una de las mejores formas de evitar las trampas y los problemas éticos en torno a la implementación de IA. Por ejemplo, un problema con muchos modelos de machine learning es que pueden encontrar correlaciones falsas en los datos. Los expertos internos tienen más probabilidades de olfatear esas inferencias sin sentido, que los científicos de datos sin un conocimiento profundo de esa área comercial en particular.
En conclusión, y teniendo en cuenta la opinión de Jacobson, lo más recomendable es que los empresarios le pierdan el miedo a capacitar a su personal interno en análisis de datos para que puedan construir modelos de machine learning e inteligencia artificial específicamente para sus negocios. En caso de necesitarse una IA muy avanzada, se recomendaría trabajar en conjunto con expertos externos, pero nunca desligando toda la responsabilidad al asesor externo, sin tener en cuenta el conocimiento interno.
Imagen: Lukas from Pexels.
