Análisis

Analítica aumentada: información más sólida

single-image

Blog

La analítica es el futuro. También es el presente, pero eso ya lo sabes. Su empresa ha estado recopilando datos (y probablemente los haya estado recopilando durante años) y probablemente tenga uno o dos sistemas que pueden ayudarlo a aprender de esos datos y tomar decisiones más inteligentes. Pero justo cuando se está familiarizando con su programa de análisis, se entera de la analítica aumentada y ahora teme que si quiere seguir siendo competitivo en un mundo en evolución, también tendrá que hacerlo.

¡La buena noticia es que la analítica aumentada hace su vida mucho más fácil! La analítica aumentada (según Gartner, quién lo sabría) utiliza tecnologías como el aprendizaje automático [ML] e IA para ayudar a preparar datos, generar conocimientos y explicar conocimientos, y para mejorar la forma en que las personas examinan y analizan los datos en las plataformas de análisis y BI. “Hagas lo que hagas, y como sea que lo hagas, la analítica aumentada proporciona una inteligencia más profunda a partir de datos con menos trabajo pesado. En este artículo vamos a explicar cómo la analítica aumentada mejora la experiencia del usuario y los resultados de su analítica, independientemente de su capacidad técnica.

¡La inteligencia artificial combinada con la analítica mejora cada aplicación!

Simplifique el análisis con IA

Ciencia de datos e inteligencia artificial: mejora de cada paso del proceso de BI

Este es el proceso tradicional de BI: comienza con un problema que desea que los datos y la información resuelvan, y luego avanza a través de los pasos para, con suerte, llegar allí. La analítica aumentada mejorará cada paso de este venerable proceso. La ciencia de datos y la inteligencia artificial van juntas por una variedad de razones y pueden ayudar a los usuarios de todos los niveles a extraer inteligencia procesable de sus datos. Veamos cómo:

Círculo de análisis

La analítica aumentada desarrolla el ciclo anterior a través de la extensión BI de autoservicio y mejorar el acceso a la analítica para los usuarios que están menos involucrados en la ciencia de datos. Los elementos de inteligencia artificial integrados en cada paso permiten a los usuarios de todos los niveles descubrir la información procesable que necesitan para que su negocio siga avanzando. Plataformas como Sisense están liderando la tendencia de mejorar el acceso a los análisis basados ​​en inteligencia artificial e integrar la información de estos sistemas en los flujos de trabajo de los usuarios, así como en las aplicaciones y experiencias.

Desde la preparación de datos y la evaluación asociada de la calidad de los datos hasta la conexión con los conjuntos de datos y la implementación del análisis en sí, los elementos de inteligencia artificial útiles que se integran de manera invisible en la plataforma hacen que el análisis sea más fluido e intuitivo. Tradicionalmente, el análisis de datos ha trazado la línea divisoria entre los programadores y los usuarios comerciales, pero el análisis avanzado llena ese vacío.

Herramientas de comercio de IA

AutoML

La analítica aumentada se trata de automatizar y mejorar el ciclo de análisis tanto como sea posible. AutoML tiene como objetivo automatizar el desarrollo de modelos de aprendizaje automático. Todos los usuarios de Analytics pueden beneficiarse de este tipo de extensión. En particular, las tareas conocidas que todos los proyectos de ML tienen en común ahora se pueden estandarizar y automatizar. En términos generales, estas tareas incluyen:

  • Preparación de datos
  • Ingeniería de características
  • Generación de modelos
  • Evaluación del modelo

Como puede ver, esto se complica muy rápidamente. Cuando pone estas herramientas en manos de analistas financieros (llamados quants) y actuarios, el problema de acceso se resuelve rápidamente y la audiencia se abre. Un texto típico de ciencia de datos que describe estos métodos tiene 1000 páginas con ecuaciones y algoritmos. Gran parte de las matemáticas se han automatizado hoy. El punto es que estos métodos están estandarizados para muchas áreas y ya existen servicios notables como Google Cloud AutoML. Los beneficios se pueden obtener en todas las áreas del quehacer humano.

Análisis impulsado por código por científicos de datos

Si bien hay plataformas de código bajo y sin código en AutoML que amplían enormemente el ámbito de los usuarios de IA, aquellos con más habilidades de codificación pueden esperar más beneficios de la IA. Por ejemplo, un usuario con un conocimiento básico de por qué la preparación de datos, el primero de los cuatro pasos principales en ML anteriores, es importante en el entrenamiento de un modelo ML asegurará una mayor precisión en los resultados de pronóstico generados por el modelo.

Si bien un sistema habilitado para IA es a veces el producto objetivo que una empresa desea desarrollar, La IA en sí misma también puede beneficiar a los usuarios altamente técnicos como herramienta de desarrollo. Los miembros del equipo con habilidades de datos como SQL, Python, R y otros métodos de creación de prototipos pueden trabajar directamente para mejorar las plataformas de modelado analítico como Sisense. Los usuarios más técnicos pueden escribir código para preparar datos para análisis avanzados, construir modelos de datos más complejos, crear vistas materializadas, realizar análisis de opiniones y mucho más. La imaginación es el único límite. En otras palabras, los profesionales de datos pueden combinar sus habilidades de codificación con capacidades de IA para crear modelos más complejos y precisos. Mientras que la IA es la herramienta en desarrollo, La IA en sí misma también puede beneficiar a los usuarios altamente técnicos como herramienta de desarrollo. Los miembros del equipo con habilidades de datos como SQL, Python, R y otros métodos de creación de prototipos pueden trabajar directamente para mejorar las plataformas de modelado analítico como Sisense. Los usuarios más técnicos pueden escribir código para preparar datos para análisis avanzados, construir modelos de datos más complejos, crear vistas materializadas, realizar análisis de opiniones y mucho más. La imaginación es el único límite. En otras palabras, los profesionales de datos pueden combinar sus habilidades de codificación con capacidades de IA para crear modelos más complejos y precisos.

Un usuario de ML con entrenamiento en estadísticas y algún conocimiento básico de cómo funcionan las redes neuronales de aprendizaje profundo puede comenzar con columnas de ingresos y anualidades y generar funciones adicionales como la media, la desviación estándar y la curtosis para mejorar los datos de entrenamiento del modelo y, por lo tanto, la precisión de la predicción para mejorar. Los beneficios potenciales son ilimitados. Estos métodos están estandarizados de tal manera que ha surgido un nuevo paradigma de desarrollo de IA que tiene como objetivo aumentar la eficiencia de desarrollo de DevOps: AIOps.

AIOps

AIOps trata sobre la aplicación de métodos DevOps para superar desafíos en el campo de la IA, una rama de software especial que implica un método de desarrollo especial. En particular, las prácticas de DevOps esperan lograr eficiencias operativas para el desarrollo de servicios que ahora deben implementarse en el desarrollo de IA.

Mientras tanto, el desarrollo continuo y el lanzamiento de aplicaciones como servicios de acuerdo con el paradigma DevOps se ha generalizado y se utiliza casi universalmente, además de la rápida difusión de la computación en la nube. Las mismas soluciones de DevOps para los desafíos que surgen del alcance y la complejidad cada vez mayores de la creación y el mantenimiento de servicios de software de manera eficiente ahora muestran una efectividad similar en el avance de AIOps, lo que brinda beneficios tanto a los ingenieros como a los usuarios finales.

La mejora de la satisfacción del cliente es uno de los muchos beneficios esperados de AIOps. Por ejemplo, un sistema inteligente de servicio al cliente puede tomar medidas independientes para resolver los problemas del cliente:

Idealmente, una aplicación o servicio basado en inteligencia artificial puede aprender en el trabajo, interactuar con los clientes y recomendar ajustes de configuración para mejorar su propio rendimiento. Los centros de llamadas ya informan que los chatbots de IA reciben calificaciones de clientes más altas que los agentes humanos.

El uso de un sistema de inteligencia de este tipo va de la mano con la ingeniería: el ciclo de desarrollo de AIOps también incluirá herramientas de desarrollo basadas en IA que se comunican con las herramientas que los crean! Por lo tanto, la productividad técnica mejorada es un beneficio simultáneo que se puede esperar con AIOps. Los ingenieros y los usuarios finales se liberan cada vez más de tareas tediosas y repetitivas y, por lo tanto, tienen más tiempo para mejorar la inteligencia de todo el sistema.

Analítica aumentada: mayor desarrollo del papel de los expertos en datos

A medida que los roles de los científicos de datos y los usuarios comerciales cambian y evolucionan con un análisis mejorado, surgen nuevas preguntas. Con menos barreras técnicas, ¿deberían todos los usuarios comerciales desempeñar un papel en la inteligencia de datos y la toma de decisiones?

Tradicionalmente, se definía con precisión qué miembros del equipo realizaban qué tareas en función de las habilidades: la codificación de algoritmos ML fue una vez la experiencia de los miembros del equipo de datos. Pero ahora que cualquiera puede conectar una herramienta de descubrimiento de datos (especialmente una que usa el concepto de torneo modelo), en teoría, casi cualquier persona puede evaluar un modelo de datos.

¿Por qué los miembros de la empresa en todos los turnos no deberían participar en la creación y el despliegue de nuevos modelos de datos para satisfacer sus necesidades analíticas? Las cuestiones de confianza y credibilidad influirán en la decisión de quién puede construir y entregar qué, independientemente de cómo la tecnología pueda potenciarnos en el futuro.

El futuro de la analítica y la inteligencia artificial está incorporando información procesable en flujos de trabajo, productos y experiencias.

Descubra análisis procesables

Inbar Shaham es Senior Product Manager en Sisense. Tiene 11 años de experiencia en gestión de productos y ha trabajado para Clarizen, Takadu e ICQ, entre otros.

Palabras clave: analítica aumentada de inteligencia artificial

También te gustará