La estrategia de inteligencia artificial de su empresa está fallando. Aquí hay 3 razones por las que


La mayoría de las empresas están luchando por desarrollar estrategias de inteligencia artificial que funcionen, según una nueva encuesta realizada por el proveedor de servicios en la nube Rackspace Technology. La encuesta, que incluye 1.870 organizaciones en una variedad de industrias, incluidas la fabricación, las finanzas, el comercio minorista, el gobierno y la atención médica, muestra que solo el 20% de las empresas tienen iniciativas maduras de aprendizaje automático / IA. El resto todavía está tratando de averiguar cómo hacerlo funcionar.

No hay duda de las promesas de aprendizaje automático en casi todos los sectores. Costos más bajos, precisión mejorada, mejor experiencia del cliente y nuevas características son algunos de los beneficios de aplicar modelos de aprendizaje automático a aplicaciones del mundo real. Pero el aprendizaje automático no es una varita mágica. Y como muchas organizaciones y empresas están aprendiendo, antes de que pueda aplicar el poder del aprendizaje automático a su negocio y operaciones, debe superar varias barreras.

Tres desafíos clave que enfrentan las empresas al integrar tecnologías de IA en sus operaciones son las áreas de habilidades, datos y estrategia, y Encuesta de Rackspace pinta una imagen clara de por qué fallan la mayoría de las estrategias de aprendizaje automático.

El aprendizaje automático se trata de datos

datos sesgados

Los modelos de aprendizaje automático se basan en datos y recursos informáticos. Gracias a una variedad de plataformas de computación en la nube, el acceso al hardware necesario para entrenar y ejecutar modelos de IA se ha vuelto mucho más accesible y asequible.

Pero los datos siguen siendo un obstáculo importante en las diferentes etapas de planificación y adopción de una estrategia de inteligencia artificial. El 34% de los encuestados en la encuesta de Rackspace afirmó que la mala calidad de los datos era la razón principal del fracaso de la investigación y el desarrollo del aprendizaje automático, y otro 31% dijo que carecían de datos listos para la producción.

[Leer:[Read:¿Cómo se construye un dispositivo que admita mascotas? Preguntamos a expertos y dueños de animales]

Esto destaca uno de los principales obstáculos al aplicar técnicas de aprendizaje automático a problemas del mundo real. Si bien la comunidad de investigación de IA tiene acceso a muchos conjuntos de datos públicos para capacitar y probar sus últimas tecnologías de aprendizaje automático cuando se trata de aplicar esas tecnologías a aplicaciones reales, obtener acceso a datos de calidad no es fácil. Esto es especialmente cierto en los sectores industrial, sanitario y gubernamental, donde los datos a menudo son escasos o están sujetos a regulaciones estrictas.

Los problemas de datos vuelven a surgir cuando las iniciativas de aprendizaje automático pasan de la fase de investigación a la de producción. La calidad de los datos sigue siendo la principal barrera cuando se trata de utilizar el aprendizaje automático para extraer información valiosa. Los problemas de ingeniería de datos también plantean un problema importante, como el almacenamiento de datos en silos, la falta de talento para conectar fuentes de datos dispares y la falta de rapidez para procesar los datos de manera significativa.

información sobre aprendizaje automático