Gartner acaba de presentar sus tendencias para el mercado de análisis de datos (D&A) las cuales, y según la consultora, están suponiendo un gran desafío tanto desde el punto de vista de organización de la compañía como desde el de recursos humanos. Para Gartner, las compañías de todo el mundo están viendo cómo las presiones, en cuanto a la gestión y uso de los datos, crecen, algo que está exigiendo una transformación en la forma en lo que las empresas abordan sus procesos.
En este sentido, Gareth Herschel, vicepresidente de análisis de Gartner, “los datos y análisis están pasando del dominio de unos pocos a la ubiquidad. Al mismo tiempo, los líderes de datos y analítica se enfrentan a la presión de no hacer más con menos, sino de hacer mucho más con mucho más, lo que resulta aún más desafiante porque las expectativas están aumentando”.
Éstas son las principales tendencias señaladas por Gartner:
- Productos de datos altamente consumibles
Para aprovechar los productos de datos altamente consumibles, los directivos de D&A deben centrarse en casos de uso críticos para el negocio, correlacionando y escalando productos para aliviar los desafíos en la entrega de datos. Es fundamental priorizar la entrega de productos de datos mínimos viables reutilizables y componibles, lo que permite a los equipos mejorarlos con el tiempo. Además, se debe llegar a un consenso entre los equipos productores y consumidores sobre los indicadores clave de rendimiento, lo que es esencial para medir el éxito de los productos de datos.
- Soluciones de gestión de metadatos
La gestión efectiva de metadatos comienza con los metadatos técnicos, ampliándose luego para incluir metadatos comerciales que proporcionen un contexto enriquecido. Al integrar diversos tipos de metadatos, las organizaciones pueden habilitar catálogos de datos, linajes de datos y casos de uso impulsados por IA. La selección de herramientas que faciliten el descubrimiento y análisis automatizado de metadatos es esencial para garantizar una gestión eficaz.
- Tejido de datos multimodal
La construcción de una práctica robusta de gestión de metadatos implica capturar y analizar metadatos a lo largo de toda la canalización de datos. Los conocimientos y automatizaciones provenientes del tejido de datos apoyan las demandas de orquestación, mejoran la excelencia operativa a través de DataOps y habilitan productos de datos.
- Datos sintéticos
La identificación de áreas donde faltan datos, son incompletos o resultan costosos de obtener es crucial para avanzar en las iniciativas de inteligencia artificial. Los datos sintéticos, ya sea como variaciones de datos originales o como sustitutos de datos sensibles, garantizan la privacidad de los datos mientras facilitan el desarrollo de la IA.
- Análisis agente
La automatización de resultados empresariales cerrados mediante agentes de IA para el análisis de datos es transformadora. Se recomienda implementar casos de uso que conecten conocimientos con interfaces de lenguaje natural y evaluar las hojas de ruta de los proveedores para la integración con aplicaciones en el lugar de trabajo digital. Establecer una gobernanza adecuada minimiza errores y “alucinaciones”, y evaluar la preparación de los datos mediante principios de datos listos para IA es esencial para el éxito.
- Agentes de IA
Los agentes de IA son valiosos para necesidades de automatización flexibles, ad hoc o complejas y adaptativas. Más allá de depender exclusivamente de los grandes modelos de lenguaje (LLM, por sus siglas en inglés), se necesitan otras formas de análisis e IA. Los líderes de D&A deben permitir que los agentes de IA accedan y compartan datos de manera fluida entre aplicaciones.
- Modelos de lenguaje pequeños
Se recomienda considerar los modelos de lenguaje pequeños sobre los grandes para obtener salidas de IA más precisas y contextualmente adecuadas dentro de dominios específicos. Es importante proporcionar datos para la recuperación de generación aumentada o el ajuste fino de modelos personalizados de dominio, especialmente para el uso local que maneja datos sensibles y reduce los recursos computacionales y los costos.
- IA compuesta
El uso de múltiples técnicas de IA potencia el impacto y la fiabilidad de la inteligencia artificial. Los equipos de D&A deben diversificar sus enfoques más allá de la IA generativa o los LLM, incorporando ciencia de datos, aprendizaje automático, gráficos de conocimiento y optimización para soluciones de IA más completas.
- Plataformas de inteligencia de decisiones
El paso de una visión centrada en los datos a una visión centrada en las decisiones es crucial. Se recomienda priorizar decisiones empresariales urgentes para su modelado, alinear las prácticas de inteligencia de decisiones (DI) y evaluar las plataformas de DI. Redescubrir técnicas de ciencia de datos y abordar aspectos éticos, legales y de cumplimiento de la automatización de decisiones son pasos esenciales para el éxito.
