A medida que la inteligencia artificial (IA) y el aprendizaje automático (ML) comienzan a pasar del mundo académico al mundo empresarial, se ha prestado mucha atención a cómo podrían ayudar a la inteligencia empresarial (BI). Existe un gran potencial en los sistemas que utilizan la investigación del lenguaje natural para ayudar a la administración a investigar más rápidamente la información corporativa, realizar análisis y también establecer planes de negocios. Una columna anterior que hablaba de inteligencia empresarial (BI) "autosostenible" mencionó brevemente dos áreas de enfoque en las que ML ayudará a BI. Aunque la interfaz del consumidor, la experiencia del usuario (UX), cosas, su visibilidad es simplemente la punta de este iceberg. La información que se proporciona a la UX es mucho más significativa.
Si bien eso es muy importante, poder confiar en que los datos que se muestran es aún más crucial. La inteligencia artificial y el aprendizaje automático pueden ayudar a abordar ese desafío.
Comienza con datos
Si bien los mainframes todavía existen, la tarde en que su mainframe controlaba todos los datos e información ya pasó. Aunque la década de 1990 vio esfuerzos en los almacenes de información, los datos son un producto líquido que existe en demasiados lugares como para hacer del almacén la "versión única de la realidad" que se esperaba. El lago de información de Now es solo el almacén de datos funcionales de esteroides en línea. Ayuda, pero ya no será un único repositorio que posea los intentos anteriores en lo mismo.
Los datos existen en numerosos sistemas y también el desarrollo de IoT y sistemas de computación en la nube significa que los datos siguen extendiéndose más lejos del núcleo de la computación local. Trabajar para monitorear toda la información y determinar qué datos es un problema cada vez más complejo.
En consecuencia, la empresa tiene tres problemas importantes con la explosión moderna de datos:
- ¿Dónde están tus datos?
- ¿Qué información es lo suficientemente significativa como para ser monitoreada como consejo?
- ¿Qué personas deben tener qué acceso a cada una de esas partes del asesoramiento?
Sin solucionar los problemas, la empresa está en riesgo debido a una mala toma de decisiones basada en datos inexactos y por regulaciones de cumplimiento de datos cada vez más estrictas.
No empieces desde cero
Dado ese desafío, se necesita una solución. Afortunadamente, no es necesario empezar de cero. Más bien, encontrará técnicas en otros campos de aplicaciones que se pueden aprovechar y adaptar al problema. Las teorías de ML y otras aplicaciones podrían tomarse prestadas de diferentes campos de TI para ayudar tanto al cumplimiento como a la toma de decisiones comerciales.
El aprendizaje automático está avanzando actualmente en la seguridad de redes y aplicaciones. Los sistemas de aprendizaje profundo capacitados están investigando transacciones para buscar anomalías e identificar ataques y otros riesgos de seguridad. Al mismo tiempo, los sistemas de gestión de activos se han visto impulsados por la explosión de los dispositivos móviles y el auge de las aplicaciones SaaS para comprender mejor qué activos de propiedad física e intelectual están conectados a la infraestructura y las redes corporativas.
Esos métodos pueden usarse para consultar nodos de red en busca de recursos de datos con el fin de ayudar a construir un mejor modelo de metadatos corporativos. Las transacciones en la red podrían ser interrogadas para obtener nueva información y para un uso apropiado.
Autoservicio de asistencia para la gestión de datos
De importancia crucial, el sistema ML podría ayudar a mejorar el acceso a la información junto con la gestión del cumplimiento. Es inadecuado en BI descubrir excepciones e identificar riesgos. Cuando la analítica realmente se explica por sí misma, es necesario un acceso más rápido a la información.
En el modelo actual, los principios de cumplimiento y las decisiones de los analistas establecen el acceso de un trabajador a bases de datos y campos especiales. Eso restringe significativamente el autoservicio por el simple hecho de que no podemos imaginar todas las demandas de antemano.
Dado que la PNL proporciona un método simple para que el personal cuestione la información comercial, conozca los procesos comerciales y también para descubrir nuevas conexiones entre los datos comerciales, con frecuencia surgen pensamientos basados en la intuición y el conocimiento. Un supervisor hará una pregunta sobre las relaciones o los datos que no ha contemplado anteriormente, pedirá datos que aún no están disponibles o tratará de extenderse más allá de los límites de la información establecidos.
En el procedimiento estándar, eso significa que la investigación se detiene repentinamente, los correos electrónicos deben enviarse a TI, las conversaciones deben realizarse y luego los sistemas deben ajustarse para permitir nuevas pautas de accesibilidad.
Un programa de AA puede acelerar considerablemente ese proceso, con todas las reglas y la experiencia para encontrar rápidamente nuevos datos, ver si los datos actuales se ajustan a las reglas de cumplimiento y otorgar acceso inmediato, o marcar la solicitud de inspección inmediata por parte de un oficial de cumplimiento.
Esta barrera es mucho más compleja de lo que está ocurriendo ahora con modificaciones de la UX, pero la lucha es igual de importante. No es importante la facilidad con la que un gerente puede hacer una pregunta si no hay una manera rápida de comprender dónde reside la información para responder al problema y también de elegir si el interrogador tiene la autoridad para estar al tanto de la respuesta.
El aprendizaje automático brinda la posibilidad de administrar mucho mejor los datos empresariales en el mundo distribuido. Si bien la empresa busca formas de hacer preguntas mucho mejores, debería buscar cómo ubicar y manejar la información que proporciona respuestas.