Frente a la escasez de científicos de datos, las organizaciones recurren a la automatización del aprendizaje automático y al análisis integrado
Los conocimientos basados en datos dependen totalmente de la capacidad de las empresas para recopilar y analizar datos para obtener información procesable sobre clientes, mercados, desarrollo de productos y operaciones.
Hasta hace poco, esto ha significado contratar científicos de datos que sepan cómo crear algoritmos de aprendizaje automático, construir modelos de computación predictiva, integrar datos de múltiples fuentes (incluidos datos no estructurados) y descubrir la información más relevante para la estrategia y los objetivos comerciales.
Pero los científicos de datos siguen teniendo una gran demanda, lo que significa que son difíciles de encontrar y obtener salarios que pueden afectar los presupuestos de TI. La escasez de científicos de datos capacitados ha dejado a muchas empresas en desventaja competitiva en la economía digital.
Aprendizaje automático automatizado
Para llenar el vacío, algunas organizaciones han optado por «democratizar» la ciencia de datos capacitando a empleados numerados en diferentes departamentos en áreas como visualización de datos, manipulación de datos, informes dinámicos y programación R (un lenguaje de programación de código abierto en ciencia de datos y estadísticas ).
Además, las empresas recurren cada vez más a tecnologías como la inteligencia artificial (IA), el aprendizaje automático (ML), la automatización y los programas de análisis preintegrados en aplicaciones para recopilar e interpretar datos de consumidores, dispositivos, aplicaciones, bases de datos y otras fuentes.
«Las API de aprendizaje automático facilitan a los desarrolladores la aplicación del aprendizaje automático a un conjunto de datos para agregar funciones predictivas a sus aplicaciones», escribe Khushbu Shah en el sitio web de datos y análisis KDnuggets. «Las API de aprendizaje automático proporcionan una capa de abstracción para que los desarrolladores integren el aprendizaje automático en aplicaciones del mundo real sin tener que preocuparse por escalar los algoritmos en su infraestructura y entrar en los detalles de los algoritmos de aprendizaje automático».
Google AutoML, AWS Sagemaker y BigML se encuentran entre las API de aprendizaje automático disponibles para las empresas que buscan aprovechar los datos. AutoML basado en la nube es un conjunto de herramientas de aprendizaje automático diseñado para ayudar a los desarrolladores sin una amplia experiencia en aprendizaje automático y habilidades a entrenar modelos de alta calidad que revelan datos de importancia para la empresa. Sagemaker proporciona a los usuarios la implementación de modelos ML y métricas en tiempo real con un solo clic durante el proceso de capacitación. BigML ofrece suscripciones mensuales a su plataforma ML que varían en precio desde gratis hasta $ 10,000, junto con implementaciones privadas y capacitación personalizada.
El aprendizaje automático automatizado libera la gran cantidad de tiempo que los científicos de datos dedican a la prueba de modelos, la preparación de datos y otras actividades importantes pero mundanas. Las herramientas de AutoML no están destinadas a «suplantar a los científicos de datos», escribe Priya Dialani en Analytics Insight. En cambio, permiten que los científicos de datos «descarguen su trabajo de rutina y simplifiquen su procedimiento para que ellos y sus equipos puedan concentrar su energía y consideración en diferentes partes del procedimiento que requieren un nivel más significativo de razonamiento y creatividad».
Otra forma en que el aprendizaje automático automatizado ofrece valor es la escalabilidad. Los seres humanos tienen límites en cuanto a su tiempo, energía y capacidad de carga de trabajo. Al implementar ML automatizado, las empresas pueden trascender estas limitaciones que frenan las iniciativas de ciencia de datos.
Beneficios de la analítica integrada
Algunas empresas satisfacen sus necesidades de análisis de datos mediante la implementación de software con funciones de análisis integradas previamente. En un estudio realizado por Nucleus Research, las empresas que utilizan análisis integrados en sus aplicaciones de host informaron de numerosos beneficios, incluido un tiempo de creación de software reducido hasta en un 85%, menores costos de desarrollo y mantenimiento continuos y una mayor productividad del usuario.
Además, el analista de Nucleus Research Daniel Elman dice, “debido a que la funcionalidad de análisis está integrada en la aplicación empresarial, el usuario siempre tiene un contexto situacional en torno a sus datos y conocimientos, lo que permite que los científicos que no son científicos de datos creen informes, obtengan conocimientos y comprendan el importancia de sus datos «.
Los mejores datos del mundo no servirán de nada a una organización si no puede extraerlos y analizarlos. El aprendizaje automático automatizado y los análisis preintegrados son herramientas emergentes que pueden permitir que las empresas con equipos de ciencia de datos pequeños (o incluso nulos) se basen en datos y sean inteligentes en función de los datos.