Inteligencia artificial y gestión de decisiones

AI (Artificial Intelligence: Inteligencia artificial) y los sistemas de gestión de decisiones, pueden ayudar a las empresas a tomar decisiones válidas, proporcionando información actualizada y relevante, realizando funciones analíticas.

Las empresas basan sus decisiones en los datos disponibles de los sistemas de información de gestión, ya que reflejan la información que proviene de las operaciones de su empresa. La combinación de AI y sistemas de gestión de decisiones, puede llevar la toma de decisiones a diferentes niveles. Las capacidades de AI ayudan a estos sistemas de gestión de decisiones, a traducir datos de clientes en modelos predictivos de tendencias clave. Esto ha ayudado a los departamentos de marketing y consumo, a personalizar sus esfuerzos de acuerdo con la demografía clave.

AI y Gestión de Decisiones: Beneficios

• Decisiones más rápidas
• Reconociendo los riesgos
• Procesos de automatización

Desde sus inicios, AI ha jugado un papel revolucionario en la automatización de actividades basadas y no basadas en el conocimiento. Hoy en día, una gran cantidad de datos se utilizan para generar varios modelos sobre una base semanal o incluso sobre una base diaria, que ayudan a una organización en la toma de decisiones en cantidades fraccionarias de tiempo. Esto ha ayudado a obtener grandes ingresos para las empresas. Pero, los seres humanos tienen su capacidad para hacer el trabajo, no pueden ser estresados ​​más allá de esos límites. Aquí es donde AI ha desempeñado un papel fundamental en la ampliación de estos límites, aumentando los beneficios. Por ejemplo, algunas compañías médicas están integrando sus sistemas de gestión de decisiones con AI para proporcionar recomendaciones en el tratamiento de pacientes específicos.

Estos sistemas ayudan a superar información compleja y dinámica para generar hipótesis. En el sector financiero, los sistemas de gestión de decisiones con IA también actúan como un detector de fraude. AI puede desempeñar un papel determinante en los sistemas de gestión de decisiones automatizando los requerimientos de los mercados financieros, empujando los límites actuales y llevando la competencia al siguiente nivel.

AI puede hacer que su sistema de gestión de decisiones sea fiable y eficiente, y por lo tanto, le ayudará a hacer productos innovadores y obtener buenos beneficios.

Los expertos se centran ahora en desarrollar tecnología comercial de IA para sistemas de gestión de decisiones en tres sectores particulares: 

• El comercio electrónico
• El comercio de los mercados financieros
• Los seguros

La inteligencia artificial se ha vuelto omnipresente desde la perspectiva tanto de los consumidores como de las organizaciones. Las empresas han aumentado su dependencia de AI para la recopilación de datos, el desarrollo de métodos informáticos para la percepción automatizada, el aprendizaje, la comprensión y el razonamiento con los datos recogidos. Las organizaciones ahora deben centrarse en priorizar el cultivo de la innovación tecnológica y tomar esfuerzos para mantenerse por delante de los competidores en el mercado. Es un hecho conocido ahora que esas empresas, que implementan inteligencia artificial y pueden utilizarla eficazmente, eventualmente serán más valoradas.

Fuente: Naveen Joshi. Especialista en Big Data. Powered de IoT.

POR QUÉ LAS EMPRESAS DEBEN CONSIDERAR MACHINE LEARNING

Si aún no está seguro de Machine Learning (aprendizaje automático) y de sus beneficios, considere estos escenarios.

El 2016, se informó que el patrimonio neto de Google era de $ 336 mil millones, y esto se debe en gran parte a los algoritmos de aprendizaje avanzado que la empresa emplea. Google fue la primera empresa en darse cuenta de la importancia de incorporar Machine Learning en los procesos de negocio. Y la potencia tecnológica no se detiene en ningún punto, sigue modificando sus algoritmos para adaptarse mejor a las necesidades de sus usuarios de forma continua.

¿Y cómo se logra la difícil tarea de observar el patrón de navegación de miles (o millones) de sus usuarios?

La respuesta es simple. Mediante el análisis de los datos, que se ha acumulado mediante la introducción de Machine Learning a su modelo operativo de negocio.

Este es sólo un ejemplo de cómo los procesos de Machine Learning en la grabación y procesamiento de datos pueden ayudar a las empresas a crecer.

Aquí hay otras tres maneras en las que Machine Learning puede ayudar a varios sectores empresariales:

1. Elimina las restricciones físicas.

Si hemos logrado algo al automatizar y digitalizar los procesos de negocio, es que hemos eliminado las limitaciones físicas que restringen el crecimiento. Antes de la era tecnológica, ¿Cuál era el mayor problema que enfrentaban las empresas? Operar dentro de un espacio limitado, accesible sólo para un número limitado de personas. Para un diseñador, era necesario limpiar completamente el inventario anterior antes de utilizar el espacio de la estantería para los nuevos diseños. Al considerar Machine Learning y moverse en el mundo del comercio electrónico, usted no tiene que preocuparse de quedarse sin estantes.

2. Proporciona una comprensión más profunda de sus consumidores.

Con la introducción de procesos automatizados, las empresas se han centrado mas en el consumidor. Para poder sobrevivir a la competencia de satisfacer las necesidades de sus clientes, usted como propietario de un negocio tiene que entender las necesidades de sus consumidores.

Si usted no entrega lo que los consumidores están buscando, hay una alta probabilidad de perder clientes potenciales frente a la competencia. Machine Learning juega un papel importante en la solución del misterio de las preferencias de los consumidores. Toda la información requerida se oculta detrás de los datos acumulados por el negocio. Usted sólo tiene que exprimir los códigos, y descubrirá lo que sus clientes están buscando activamente.

3. Procesos automatizados, aumentando la eficiencia.

Imagine estar en una fila larga de un supermercado. Alguien está parado delante de usted y la máquina del cajero se rompe repentinamente. Es una pesadilla, ¿verdad? Usted podría estar pasando esos preciosos minutos viendo su serie favorita en Netflix.

Ahora imagine que la máquina no está rota, pero de hecho nunca fue inventada. El cajero tiene que introducir manualmente cada compra y compararla con el stock existente. La incorporación de procesos automatizados para registrar el stock de inventario y los datos de pedidos no es un lujo, es una necesidad en el mundo de hoy. Machine Learning ha aumentado la eficiencia de las empresas y ha minimizado el margen de error.

Fuente: Ronald van Loon. Director Adversitement. Top10 Big Data, Data Science, IoT, BI Influencer.

En el Internet de las cosas no hay reglas

En el salvaje oeste no había leyes, pero había un "código de vaquero" y tenía un conjunto de reglas de conducta. Algo así como:

• Cuidado con los suyos.
• Siempre llena el vaso de whisky hasta el borde.
• Practica la gratitud.
• Ayudar a alguien en la necesidad, incluso si es un extraño o un enemigo.

Cuando se trata del Internet de las cosas (Internet of things), no hay ninguna ley. No hay directrices. No hay un lenguaje estándar. No hay código.

La seguridad, la privacidad y el Internet de las cosas (IoT) son tres entidades separadas. Con una adopción masiva de la IoT, hay un potencial de estos tres mundos colisionando.

El objetivo de IoT es mejorar la calidad de vida y proporcionar beneficios a las empresas. Sin embargo, el IoT es una tecnología emergente que se está expandiendo rápidamente, con grandes lagunas de seguridad. Está plagado de vulnerabilidades, malware y el potencial de interrumpir la infraestructura.

Para 2020, habrá 8 mil millones de dispositivos en IoT. Incluyendo automóviles, rastreadores de actividad, entre otros. El impacto comercial es enorme. El Internet nos ha dado la oportunidad de conectar estas cosas de manera que nunca pensamos posible. Además, las interacciones entre los dispositivos están creando nuevos tipos de oportunidades tales como transporte y ciudades inteligentes, y salud y casas inteligentes.

Muchos de nosotros no somos conscientes de cómo la IoT va a cambiar la forma en que vivimos el trabajo y el juego. El objetivo de IoT es mejorar la calidad de vida y proporcionar beneficios a las empresas.

Cada día, el IoT recoge pasivamente petabytes de datos. Con eso, hay mucho que puede ir mal, y hay muchos desafíos de seguridad. Los datos pueden caer en manos equivocadas, afectando nuestra privacidad. Todos necesitamos ser más conscientes de la necesidad de seguridad en el IoT.

Algunas maneras de abordar la gran brecha en la seguridad de IoT incluyen:

• Garantizar la confidencialidad proporcionando flujos de comunicación cifrados.
• Garantizar la integridad al proporcionar almacenamiento de datos cifrados y utilizar controles de integridad.
• Proporcionar métodos de autenticación para que los dispositivos se comuniquen con entidades conocidas y de confianza.
• Proporcione actualizaciones de seguridad en forma de parches y correcciones de errores.

La Unión Europea ha empezado a investigar la posibilidad de requisitos de seguridad, ya que han reconocido que los dispositivos tienen poca o ninguna seguridad. La medida es una revisión de las leyes actuales de telecomunicaciones. La propuesta incluirá una práctica de etiquetado que identificará que el dispositivo está aprobado y seguro, esto podría proporcionar que los consumidores tomen decisiones educadas sobre la selección de dispositivos.

Es muy probable que los consumidores paguen más como compensación. La industria del IoT sigue evolucionando. Lograr el objetivo de la seguridad no será fácil sin desafíos. A medida que nos movemos en un mundo completamente nuevo, habrá dolores de crecimiento.

Fuente: Lisa Bock. Author: Ethical Hacking: Penetration testing.

¡Feliz día del padre!

Este domingo 18 de junio, celebramos el día del padre y no queremos dejar de saludarlos, deseándoles un feliz día junto a sus familiares.

Estrategias CIO: 5 consejos para implementar inteligencia de negocios

Como responsable de los sistemas de tecnologías de información de una empresa, a nivel de procesos y desde el punto de vista de la planificación, el CIO (Chief Information Officer) tiene nuevos retos y uno de los más importantes es conseguir que el uso correcto de la inteligencia de negocios sea más que construir un almacén de datos.

Martin Draper, Director de Tecnología del retail Liberty, dice que su gran prioridad para 2017 es la inteligencia de negocios. La empresa reúne información de diversas fuentes y Draper quiere crear una estrategia basada en datos que ayude a los ejecutivos de la empresa, a tomar decisiones más inteligentes de manera rápida y eficaz.

Draper se unió a este retail de renombre mundial en marzo del 2016, después de haber sido responsable 13 años en el área de IT (Information Technologies) en Harrods. A lo largo de su carrera, Draper ha estado ansioso por impulsar la transformación a través de la información. Pasó una década dirigiendo su propia consultora de inteligencia de negocios (Business Intelligence) antes de convertirse en un CIO minorista, ayudando a las organizaciones de todos los sectores a transformar los datos en información.

Basándose en su experiencia, Draper ofrece cinco consejos de mejores prácticas para ejecutar un BI de éxito imitativo:

1. Vea su iniciativa como un potente enfoque cultural.

Los analistas están dispuestos a hablar de la continua inversión en BI y analítica. Gartner dice que el 48% de las empresas invirtieron en Big data en 2016 y un 3% desde 2015. IDC (International Data Corporation), por su parte, espera que el gasto global en Big Data y análisis de negocios crezca de 130.100 millones de dólares en 2016 a más de 203.000 millones de dólares en 2020.

Sin embargo, Draper dice que la tecnología es sólo un elemento de un enfoque de BI fuerte. Él dice que el éxito en BI es mucho más que la suma de herramientas y procesos. Demasiados CIOs todavía no reconocen que el elemento cultural es esencial. "He hecho una vida buena de los tecnólogos que construyen plataformas de datos y luego el beneficio no ha regresado", dice, refiriéndose a su experiencia anterior como consultor de BI.

"Tienes que tener la tecnología adecuada y un mapa de la arquitectura de datos claro, pero también tienes que tener una organización que puede consumir información y desarrollar la visión. Si no ves tu proyecto de BI como un potente acercamiento cultural al negocio, no se moleste en comenzar".

2. Obtenga un respaldo de alto nivel para sus objetivos a largo plazo.

Draper dice que los CIOs deben reconocer que una iniciativa de análisis es mucho más que alcanzar metas a corto plazo. "La inteligencia de negocios es para siempre", dice. "Si usted va a hacerlo correctamente, tiene que entender todos los aspectos de su organización y planificar un plan de trabajo para la implementación en la medida de lo que pueda ver."

Los CIO, dice Draper, deberían ver su proyecto de BI como un programa, en lugar de una intervención. "En algunos casos puede tomar años crear un programa de BI", dice. La naturaleza prolongada (y a veces costosa) de una iniciativa analítica, requiere esencialmente el apoyo de alto nivel.

"Asegúrese de que la persona número uno de su organización sea el patrocinador clave para su programa de BI", dice Draper. "La idea de que vas a usar los datos para decir la verdad y tomar decisiones, significa que el apoyo del jefe ejecutivo es absolutamente clave".

3. Utilizar la capacidad del especialista para desarrollar éxitos rápidos para el negocio.

Aunque Draper cree que BI debe ser visto como un "programa para siempre", también reconoce que los éxitos rápidos pueden ayudar a demostrar los beneficios de sus ideas a los que dudan, en particular en los primeros días de una iniciativa. Estas ganancias tempranas pueden ayudar a dictar la dirección futura.

"La belleza de la capacidad y la tecnología de hoy en día es que las personas con experiencia, ya sea interna o externamente, pueden ayudar a su empresa a ofrecer algunos beneficios de BI con bastante rapidez", dice Draper.

"Siempre debe pensar en términos de objetivos a largo plazo, pero también puede obtener éxito a corto plazo rápidamente, si crea un equilibrio eficaz entre la tecnología, la capacidad de IT, el talento comercial y la arquitectura de datos." Debemos reconocer que el mundo es un conjunto de procesos de negocios y nuestro trabajo en tecnología, es automatizar tantos procesos como podamos y dejar los elementos creativos a los expertos.

4. Recuperar la demanda organizacional de forma continua.

Draper dice que los CIOs deben definir lo que es el éxito en términos de BI. Para algunas personas, el éxito se trata de informes empresariales. Para otros, podría implicar autoservicio, capacidades analíticas avanzadas, o una sola versión de la verdad.

"La realidad es que, dependiendo de la audiencia, puede ser todos esos elementos o sólo uno", dice Draper. "Darse cuenta de que el BI es un facilitador para una mejor toma de decisiones y definir lo que necesita para ofrecer esa visión, es absolutamente crítico".

Las expectativas de los ejecutivos en torno al poder potencial de la analítica siguen siendo altas. Draper dice que los requisitos del negocio pueden flexionar y cambiar, por lo que los CIO deben asegurarse de que sus programas de BI coincidan con la capacidad técnica y la conciencia comercial. "Tendrá que volver a conectarse al negocio continuamente, y para siempre".

"BI no se trata sólo de crear un almacén de datos de SQL Server, sino de crear beneficios en un punto definible de la línea, de lo contrario, es sólo otra plataforma y su negocio no verá el valor de su inversión".

5. Objetivo de una comprensión matizada de la información que proporciona.

Draper advierte a los ejecutivos que no se centren únicamente en la representación visual de los datos. El verdadero entendimiento, dice, proviene de un nivel más detallado de comprensión.

"A menos que su organización pueda mirar el tablero, y entender cómo convertir el indicador rojo en naranja y verde, entonces las ganancias serán pequeñas", dice. "El nuevo enfoque en Big Data y en tiempo real es potencialmente brillante, pero si su organización no puede reaccionar ante la visión, entonces la información es inútil".

Draper dice que a principios de su carrera los jefes de finanzas le enseñaron que la conversación en torno a los datos debería centrarse siempre en los objetivos. "BI es entender lo que ustedes y sus colegas van a hacer diferente mañana debido a la visión que tienen hoy", dice.

"Es muy fácil de producir números y opiniones, es muy difícil de ejecutar".

Fuente: Mark Samuels. Periodista de negocios especializado en temas de liderazgo de IT. www.zdnet.com

Big Data Analytics como un servicio

Las organizaciones IT (Information Technology Organizations) han generado, recopilado y almacenado grandes cantidades de datos; y ahora se les viene pidiendo que proporcionen una infraestructura para analizar estos datos. Pero esta tarea es una propuesta de uso intensivo de recursos y está siendo resuelta por la tecnología de la nube en forma de Big Data-as-a-Service (BDaaS).

La nube es un recurso fantástico para Big Data debido a su escalabilidad, y también porque es extremadamente económico. A medida que los conjuntos de datos crecen, algunas organizaciones están moviendo sus conjuntos de datos hacia y desde la nube; y esto se conoce como (BDaaS).

¿Qué es Big Data-as-a-Service?

Actualmente, BDaaS es un término algo nebuloso que a menudo se utiliza para describir la externalización de varias funciones de Big Data a la nube. Estas funciones pueden ir desde el suministro de datos hasta el suministro de herramientas analíticas para interrogar los datos, realizar el análisis real y presentar informes.

¿Qué tipos de BDaaS están disponibles?

Existen tres tipos de competencia:

Core BDaaS: Emplea una plataforma mínima de Hadoop junto con YARN y HDFS y algunos otros servicios como Hive. Este servicio fue encontrado útil por varias compañías que lo utilizan como parte de una arquitectura más grande o para cargas de trabajo irregulares. Un ejemplo destacado de BDaaS básico es el Elastic Map Reduce (EMR) de Amazon Web Service. Se integra fácilmente con la tienda NoSQL, almacenamiento S3, DynamoDB y otros servicios. La naturaleza genérica del servicio EMR de Amazon permite a las empresas combinar otros servicios a su alrededor para construir cualquier cosa, desde infraestructuras de la empresa hasta tuberías de datos completas.

Rendimiento BDaaS: Como su nombre indica, este servicio se centra en ayudar a las organizaciones que ya están trabajando con Hadoop, en racionalizar su infraestructura y optimizar el rendimiento de Hadoop. Las organizaciones que están creciendo rápidamente se encuentran limitadas por la complejidad y, al mismo tiempo, se muestran reticentes a asumir la formidable tarea de construir su propia arquitectura de datos. Al subcontratar sus necesidades de infraestructura y plataforma a un proveedor externo, las organizaciones pueden centrarse en procesos específicos de dominio, lo que agrega valor y elimina muchos de los dolores de cabeza que están asociados con complejos despliegues de Big Data.

Función BDaaS: Las empresas que requieren características adicionales, que van más allá de las ofrecidas en el ecosistema común de Hadoop, encuentran respuestas en BDaas. Centrándose en la abstracción y la productividad, el enfoque BDaaS esta diseñado para poner a los usuarios en funcionamiento con grandes datos de forma más rápida y económica.

El término "Big Data-as-a -Service" puede ser bastante difícil de manejar, pero el concepto es sólido. A medida que más empresas están realizando el valor de la implementación de estrategias Big Data, más servicios están surgiendo para apoyarlos. El análisis de datos trae cambios positivos a cualquier organización que lo tome en serio. Con el crecimiento de la popularidad del software como un servicio, las empresas están cada vez más acostumbradas a trabajar en un entorno virtualizado a través de una interfaz web, y la integración del análisis de Big Data en este proceso es un paso natural siguiente. Ya podemos ver que BdaaS está haciendo que los proyectos de Big Data sean viables para muchas empresas que antes los consideraban fuera de su alcance, por lo que BDaaS se considera, con razón, la siguiente gran cosa en esta industria.

Fuente: Naveen Joshi. Experto en Big Data e IoT.

Big Data. Una introducción super fácil para todos

Big Data es un término que existe desde hace algún tiempo, pero todavía hay confusión acerca de lo que realmente significa. El concepto continua evolucionando y siendo reconsiderado, ya que sigue siendo la fuerza motriz detrás de muchas oleadas de transformación digital, incluyendo la inteligencia artificial, la ciencia de los datos y el Internet de las Cosas (IoT).

Todo comienza con la explosión exponencial en la cantidad de datos que hemos generado desde los albores de la era digital. Esto se debe en gran parte al surgimiento de computadoras, Internet y tecnologías capaces de capturar información del mundo físico real en el que vivimos y convertirlo a datos digitales.

En 2017, generamos datos cada vez que entramos en línea, cuando llevamos nuestros teléfonos inteligentes equipados con GPS, cuando nos comunicamos con nuestros amigos a través de las redes sociales, aplicaciones de chat y cuando compramos. Se podría decir que dejamos huellas digitales con todo lo que hacemos que implique una transacción digital, que es casi todo.

Además, la cantidad de datos generados también viene creciendo rápidamente. Los datos se generan y comparten cuando nuestros dispositivos "inteligentes" se comunican entre sí o con sus servidores domésticos. La maquinaria industrial de plantas y fábricas de todo el mundo está cada vez más equipada con sensores que recolectan y transmiten datos. Pronto, los automóviles de conducción automática se llevarán a las calles, transmitiendo en tiempo real, mapas en cuatro dimensiones de su entorno de regreso a casa de donde quiera que vayan.

¿Qué puede hacer Big Data?

Esta información cada vez mayor, entre fotografías, textos, voz y datos de video, es la fundación de Big Data que podemos ahora utilizar de las maneras que no eran posibles incluso hace algunos años y están ayudando a:

• Curar la enfermedad y prevenir el cáncer. La medicina basada en datos implica el análisis de un gran número de registros médicos e imágenes de patrones que pueden ayudar a detectar la enfermedad temprana y desarrollar nuevos medicamentos.

• Disminuir el hambre. La agricultura se está revolucionando con datos que pueden utilizarse para maximizar los rendimientos de los cultivos, minimizar la cantidad de contaminantes liberados en el ecosistema y optimizar el uso de máquinas y equipos.

• Explorar planetas lejanos. La NASA analiza millones de puntos de datos y los usa para modelar cualquier eventualidad al aterrizar sus Rovers en la superficie de Marte y planear futuras misiones.

• Predecir y responder a los desastres naturales o causados ​​por el hombre. Los datos de los sensores pueden analizarse para predecir dónde pueden ocurrir los terremotos, y los patrones de comportamiento humano dan pistas que ayudan a las organizaciones humanitarias a aliviar a los sobrevivientes. La tecnología Big Data también se utiliza para vigilar y proteger el flujo de refugiados fuera de las zonas de guerra en todo el mundo.

• Prevención del crimen. Las fuerzas policiales están adoptando cada vez más, estrategias basadas en datos, en su propia inteligencia y conjuntos de datos públicos, con el fin de desplegar recursos de manera más eficaz y actuar como elemento de disuasión cuando se necesita.

• Hacer que nuestra vida cotidiana sea más fácil y más conveniente. Comprar en línea, planear un viaje o un lugar para quedarse de vacaciones, elegir el mejor momento para reservar vuelos y decidir qué película para ver a continuación son más fáciles gracias a Big Data.

¿Cómo funciona Big Data?

Big Data trabaja con el principio de cuanto más sepa sobre cualquier cosa o cualquier situación, más confiablemente podrá hacer predicciones sobre lo que sucederá en el futuro. Al comparar más puntos de datos, empezarán a surgir relaciones que anteriormente estaban ocultas, y estas relaciones esperamos que contengan ideas sobre cómo podemos iniciar el cambio.

Más comúnmente esto se hace a través de un proceso que implica construir modelos, basados ​​en los datos que podemos recopilar, y luego ejecutar simulaciones, ajustar el valor de los puntos de datos cada vez y monitorear cómo impacta nuestros resultados. Este proceso está automatizado: La avanzada tecnología analítica de hoy correrá millones de estas simulaciones, ajustando todas las variables posibles hasta que encuentre un patrón o una visión que ayude a resolver el problema en el que está trabajando.

"...el descubrimiento y la transformación de Big Data sean accesibles a cualquier organización y excluye la necesidad de gastar grandes sumas..."

Cada vez más, los datos nos llegan en una forma no estructurada, lo que significa que no se pueden poner fácilmente en tablas estructuradas con filas y columnas. Gran parte de estos datos están en forma de imágenes y videos, desde imágenes de satélite hasta fotografías subidas a Facebook o Twitter, así como correo electrónico y comunicaciones de mensajería instantánea y llamadas telefónicas grabadas. Para dar sentido a todo esto, los proyectos de Big Data usan a menudo análisis de vanguardia que incluyen inteligencia artificial y aprendizaje automático. Al enseñar a los ordenadores a identificar lo que estos datos representan, a través del reconocimiento de imágenes o el procesamiento del lenguaje natural, por ejemplo, pueden aprender a detectar los patrones mucho más rápido y confiablemente que los seres humanos.

Una tendencia fuerte en los últimos años ha sido un movimiento hacia la entrega de herramientas y tecnología Big Data a través de una plataforma "as-a-service". Las empresas y las organizaciones alquilan espacio para servidores, sistemas de software y potencia de procesamiento de proveedores de servicios cloud de terceros. Todo el trabajo se lleva a cabo en los sistemas del proveedor de servicios, y el cliente simplemente paga por lo que se utilizó. Este modelo está haciendo que el descubrimiento y la transformación de Big Data sean accesibles a cualquier organización y excluye la necesidad de gastar grandes sumas en hardware, software, instalaciones y personal técnico.

Las preocupaciones de Big Data

Hoy en día, Big Data nos da ideas y oportunidades sin precedentes, pero también plantea preocupaciones y preguntas que deben ser abordadas:

• Privacidad de datos. Los grandes datos que ahora generamos contienen mucha información sobre nuestras vidas personales, muchas de las cuales tenemos el derecho de mantenerlos privados. Cada vez más, se nos pide que hagamos un balance entre la cantidad de datos personales que divulgamos y la conveniencia que ofrecen las aplicaciones y los servicios de Big Data. ¿A quién permitimos tener acceso a estos datos?

• Seguridad de los datos. Incluso si decidimos que estamos contentos de que alguien tenga nuestros datos para un propósito en particular, ¿Podemos confiar en ellos para mantenerlos seguros? ¿Existe un marco legal que regule el uso de datos a esta escala?

• La discriminación de datos. Cuando todo se sabe, ¿Será aceptable discriminar a las personas basándose en los datos que tenemos en sus vidas? Ya usamos el puntaje de crédito para decidir quién puede pedir prestado dinero, y el seguro está fuertemente impulsado por los datos. Podemos esperar ser analizados y evaluados en mayor detalle, y hay que tener cuidado de que esto no se haga de una manera que contribuya a hacer la vida más difícil para aquellos que ya tienen menos recursos y acceso a la información.

Estos desafíos también forman parte de Big Data. Sin duda son una parte importante del debate sobre su  uso y también deben ser abordados por aquellos que quieren aprovecharlo en los negocios. De no hacerlo, puede conducir a un desastre financiero a través de multas enormes, para cualquier cosa que tenga que ver con los datos personales. Desde el despegue de Big Data en los negocios durante los últimos cinco años, hemos visto una y otra vez que ignorar estos problemas es a menudo una razón detrás del fracaso de las iniciativas empresariales Big Data.

La cantidad de datos disponibles para nosotros sólo va a aumentar, y la tecnología analítica será más capaz. Así que si Big Data es capaz de todo esto hoy, imagínense lo que será capaz mañana.

Fuente: Bernard Marr. Autor de negocios internacionales de mayor venta, orador principal y asesor estratégico para empresas y gobiernos. Twitter: @bernardmarr

Inteligencia Artificial: Líderes vs. Gerentes

Los cambios que la Inteligencia Artificial (IA) está trayendo a las empresas, son tan rápidos que las organizaciones vienen diferenciándose de su competencia en si saben o no de IA. La diferencia es que aquellos que practican IA son capaces de transformar su negocio y lograr rápidamente la gestión del cambio operacional en sus empresas. En última instancia, esto definirá a los líderes de los directivos de las empresas.

Los gerentes planificarán cómo aprovechar las tecnologías de aprendizaje automático y de IA en un año u otro, mientras que los líderes implementarán cambios en sus organizaciones en 3 a 6 meses. 

Los líderes utilizarán éxitos y fracasos para aprender qué funcionó y qué no, en un ambiente de innovación de ritmo rápido, que combina los procesos de negocio, la tecnología, la ciencia de datos y los recursos que aportan diversidad de experiencia y pensamiento a la mezcla. Un proceso simplificado para identificar soluciones será lo suficientemente flexible como para acomodarse a objetivos estratégicos y tácticos a corto, mediano y largo plazo. Un líder debe tener buenas habilidades empresariales y experiencia en diversos proyectos analíticos exitosos, para proporcionar orientación sobre el arte de lo posible y cuando un cambio de enfoque es necesario, sin gastar recursos corporativos innecesarios.

Los equipos de ciencias de datos son difíciles de manejar, ya que tienen un conocimiento especializado y en algún momento creen que sólo ellos tienen el conocimiento necesario para resolver un problema. Son parecidos a los sacerdotes de la Edad Media ante la imprenta. Pensaban que sólo ellos podían interpretar la Biblia. Esta visión estrecha debe ampliarse incluyendo tanto a los tecnólogos como a los dueños de los procesos de negocios e innovación que incluyan la IA y el aprendizaje automático. Los dueños de los procesos de negocios tienden a proteger su territorio y los tecnólogos siempre se ocupan de múltiples prioridades y no de los presupuestos suficientes. Todas estas áreas deben ser manejadas cuidadosamente por un líder que construya redes, tire de palancas y enseñe simultáneamente cómo aprender en un ambiente cooperativo. La mejor práctica es tener un proceso claramente definido para aceptar, administrar y reportar resultados y lecciones aprendidas en proyectos avanzados de análisis e IA.

Un consejo de precaución para cualquier empresa: Tenga en cuenta si tiene un líder o un gerente responsable para integrar IA en su organización.

Fuente: Alberto Roldan. Big Data Analytics Solutions Architect - Azure Cloud at Microsoft