Venium

A medida que las tecnologías de inteligencia artificial (IA) se vuelven más comunes en la empresa, ¿qué habilidades distinguen a los profesionales que se ocupan de esto? Te mostramos las 4 principales.
Podría decirse que la inteligencia artificial (IA) se ha convertido en un término familiar en las empresas modernas. A estas alturas, la mayoría de las empresas han adoptado algún tipo de iniciativa empresarial que incluye la IA en su transformación digital.

La inteligencia artificial es un término amplio, pero gran parte de la investigación y el desarrollo actuales se centran en el aprendizaje automático (ML), una subdisciplina mediante la cual las máquinas aprenden de los datos en lugar de ser programadas explícitamente.

Habilidades de IA necesarias
Con IA y ML dirigidos a un amplio espectro de usuarios empresariales, los profesionales de TI deben desarrollar nuevas habilidades para tener éxito en este espacio emergente. A continuación se muestran cuatro ejemplos.

1. Encuadre de los problemas empresariales
La comprensión del negocio y sus problemas más urgentes es una competencia trascendente para cualquier profesional de TI. Sin embargo, los proyectos impulsados ​​por IA requieren que las soluciones se enmarquen y racionalicen en el contexto de los datos que están disponibles directa o indirectamente para la empresa.

La pregunta esencial es si esos datos tienen el potencial de resolver el problema empresarial en cuestión. Si bien la respuesta no siempre es inmediatamente obvia, comienza con una hipótesis derivada de un análisis previo o quizás simplemente basada en la intuición. Por ejemplo, una empresa que experimenta una alta rotación de clientes podría plantear la hipótesis de que los cambios recientes en la actividad comercial podrían predecir la deserción futura.

2. Ingeniería de datos
La mayoría de las empresas tienen una gran cantidad de datos, pero aprovecharlos para proyectos de IA / ML puede ser un desafío. La preparación de datos para el análisis y el aprendizaje automático suele ser el objetivo principal porque la mayoría de las organizaciones no comprenden la inversión necesaria durante esta fase.

Cada vez más, las empresas se están dando cuenta de la importancia de crear sistemas y procesos que automatizan la adquisición, transformación y entrega de datos a las organizaciones involucradas en análisis y proyectos de IA / ML. Estas empresas entienden que los datos deben ser un activo de primera clase a la par con el código y que los principios básicos de la ingeniería de software deben aplicarse de manera similar.

Si bien todos los profesionales de TI deben tener habilidades básicas de transformación de datos, es probable que veamos el surgimiento de equipos de ingeniería de datos centralizados cuyo propósito principal es desarrollar e implementar canalizaciones de datos automatizadas que brinden datos de alta calidad a escala.

3. Herramientas y lenguajes para el aprendizaje automático
Las herramientas y la infraestructura para el aprendizaje automático han evolucionado radicalmente durante la última década, tanto en ofertas de código abierto como comerciales. El acceso a tecnologías de vanguardia que antes estaban reservadas solo para los investigadores y profesionales de élite se ha democratizado, con cadenas de herramientas y servicios totalmente integrados de los principales proveedores de la nube.

Se utilizan varios lenguajes de programación para el aprendizaje automático, pero Python es el más común. Gran parte de su éxito se debe a una comunidad activa y vibrante, así como a la disponibilidad de bibliotecas que implementan prácticamente todos los algoritmos populares.

La diferenciación de habilidades entre científicos de datos e ingenieros de software se ha difuminado en los últimos años debido a los avances y la accesibilidad en las herramientas. Un proyecto que alguna vez pudo haber requerido un científico de datos ahora puede ser realizado por profesionales de TI.

4. Evaluación del rendimiento del modelo
La tecnología para la selección y capacitación de modelos, particularmente con cadenas de herramientas integradas de proveedores de nube populares, está evolucionando hasta un punto en el que ciertas decisiones laboriosas que a menudo toman los científicos de datos ahora se toman automáticamente en el software. Un ejemplo claro es la selección de un modelo que ofrece el mejor rendimiento y al mismo tiempo generaliza bien.

Fuente: https://bigdatamagazine.es/la-toma-de-decisiones-en-marketing-5-veces-mas-rapida-con-el-big-data