jan18_16_688576276
Carmen Martinez Torron
/Hayon Thapaliya/Getty Images
Aviso: Traducido con el uso de inteligencia artificial; puede contener errores. Participe en esta encuesta para hacernos llegar sus comentarios y obtenga información en las preguntas frecuentes.
Read in English

Ya viene la IA. Eso es lo que escuchamos a lo largo de 2017 y es probable que sigamos escuchando a lo largo de este año. Para las empresas establecidas que no son Google o Facebook, una pregunta natural es: ¿Qué tenemos que nos permitirá sobrevivir a esta transición?

Según nuestra experiencia, cuando los líderes empresariales preguntan esto con respecto a la IA, la respuesta que reciben es «datos». Esta opinión la confirma la prensa empresarial. Hay cientos de artículos que afirman que» los datos son el nuevo petróleo» — con lo que quieren decir que es un combustible que impulsará la economía de la IA.

Si ese es el caso, entonces su empresa puede considerarse afortunada. Usted recopiló todos estos datos y, luego, resultó que estaba sentado en una reserva de petróleo cuando apareció la IA. Pero cuando tenga ese tipo de suerte, probablemente sea una buena idea preguntar «¿De verdad tenemos tanta suerte?»

La analogía de «los datos son petróleo» tiene algo de verdad. Al igual que los motores de combustión interna con aceite, la IA necesita datos para funcionar. La IA recoge los datos sin procesar y los convierte en algo útil para la toma de decisiones. ¿Quiere saber el tiempo mañana? Usemos datos del tiempo pasado. ¿Quiere saber las ventas de yogur de la semana que viene? Usemos datos de ventas de yogur anteriores. Las IA son máquinas de predicción impulsadas por datos.

Centro de conocimientos

Pero, ¿la IA necesita su ¿datos? Hoy en día hay una tendencia a ver todos los datos como potencialmente valiosos para la IA, pero ese no es realmente el caso. Sí, los datos, como el petróleo, se utilizan día a día para hacer funcionar la máquina de predicciones. Pero los datos en los que se encuentra ahora probablemente no sean esos datos. En cambio, los datos que tiene ahora, que su empresa ha acumulado a lo largo del tiempo, son el tipo de datos utilizados para construir la máquina de predicción, no operarla.

Los datos que tiene ahora son datos de entrenamiento. Utilice esos datos como entrada para entrenar un algoritmo. Y utiliza ese algoritmo para generar predicciones que informen las acciones.

Así que sí, eso significa que sus datos son valiosos. Pero eso no significa que su negocio pueda sobrevivir a la tormenta. Una vez que sus datos se utilizan para entrenar una máquina de predicción, se devalúan. Ya no es útil para ese tipo de predicciones. Y hay un número limitado de predicciones para las que sus datos serán útiles. Para continuar con la analogía del petróleo, los datos se pueden quemar. Se pierde un poco después del uso. Los científicos lo saben. Pasan años recopilando datos, pero una vez que han producido los resultados de la investigación, quedan sin usar en un cajón de archivos o en un disco de respaldo. Su negocio puede estar asentado en un pozo petrolífero, pero es finito. No le garantiza más en la economía de la IA que quizás un valor de liquidación más favorable.

Incluso en la medida en que sus datos puedan ser valiosos, su capacidad para capturar ese valor puede ser limitada. ¿Cuántas otras fuentes de datos comparables existen? Si es uno de los muchos vendedores de yogur, su base de datos con los últimos 10 años de ventas de yogur y datos relacionados (precio, temperatura, ventas de productos relacionados como helados) tendrá menos valor de mercado que si es el único propietario de ese tipo de datos. En otras palabras, al igual que con el petróleo, cuanto mayor sea el número de otros proveedores de su tipo de datos, menos valor podrá capturar de sus datos de formación. El valor de sus datos de entrenamiento se ve influido aún más por el valor generado al mejorar la precisión de la predicción. Los datos de sus entrenamientos son más valiosos si una precisión de predicción mejorada puede aumentar las ventas de yogur en 100 millones de dólares en lugar de solo 10 millones de dólares.

Además, el valor continuo de los datos normalmente proviene de las acciones que realiza en su negocio diario, los nuevos datos que acumula cada día. Los nuevos datos le permiten operar su máquina de predicción después de que se entrene. También le permite mejorar su máquina de predicciones mediante aprendizaje. Si bien 10 años de datos sobre ventas de yogur anteriores son valiosos para formar un modelo de IA que prediga las ventas futuras de yogur, las predicciones reales que se utilizan para gestionar la cadena de suministro requieren datos operativos de forma continua. Y este es el punto importante para las empresas tradicionales de hoy en día.

Una startup de IA que adquiere un tesoro de datos sobre ventas anteriores de yogur puede entrenar un modelo de IA para predecir las ventas futuras. En realidad, no puede utilizar su modelo para tomar decisiones a menos que la startup obtenga datos operativos continuos de los que aprender. A diferencia de las startups, las grandes empresas generan datos operativos todos los días. Eso es un activo. Cuantas más operaciones, más datos. Además, el propietario de la operación puede hacer uso de la predicción. Puede utilizar la predicción para mejorar su funcionamiento futuro.

Este artículo también aparece en:

En la economía de la IA, el valor de sus datos acumulados se limita a un beneficio único de la formación de su modelo de IA. Y el valor de los datos de formación está, como el petróleo o cualquier otro insumo, influenciado por la oferta general; son menos valiosos cuando más personas los tienen. Por el contrario, el valor de sus datos operativos continuos no se limita a una ventaja única, sino que proporciona una ventaja perpetua para operar y mejorar aún más su máquina de predicciones. Así que, a pesar de todo lo que se habla de que los datos son el nuevo petróleo, sus datos históricos acumulados no son la cosa. Sin embargo, puede ser lo que le lleva a la cosa. Su valor para sus perspectivas de negocio futuras es bajo. Pero si puede encontrar formas de generar un nuevo flujo de datos continuo que ofrezca una ventaja de rendimiento en términos de poder predictivo de la IA, eso le dará un apalancamiento sostenible cuando llegue la IA.