¿Por qué tantos proyectos de inteligencia artificial fallan antes de que incluso entregaran valor? Porque sin un equipo de United, sin datos confiables y sin una visión comercial clara, la tecnología por sí sola no es suficiente. La clave es la agilidad … apuesto a un enfoque iterativo, controlado por datos y reforzado por una fabricación de datos lógicos, cambia la situación.
Según Rand Corporation, el 80% de los proyectos de inteligencia artificial (IA) fallan. Una encuesta de Deloitte revela que casi el 70% de los proyectos de IA generativos (Genai) se detienen en la etapa de validación del concepto, por falta de poder industrializarse. Finalmente, según un estudio de Wharton, más del 50% de los ejecutivos creen que no están listos para la IA. En otras palabras, la implementación de IA en el mundo real y a gran escala sigue siendo un gran desafío. ¿Pero esta percepción está justificada?
«Estar listo» es a menudo una noción subjetiva. Además, en la vida cotidiana, a menudo tendemos, ciertamente por prudencia, comenzando por observar y, a veces, esperar demasiado antes de comenzar. Creemos que lo sabremos instintivamente cuándo llegue el momento, pero en realidad, a menudo somos seguidores y nos demoramos a veces difíciles de poner al día. Con la Revolución AI, la misma precaución debe estar en orden, con buena preparación, planificación y evaluación de las relaciones de riesgo-beneficio. Sin embargo, la prudencia excesiva tendría un efecto paralizante en un mundo donde los avances tecnológicos progresan tan rápido que las cartas se vuelven rebanadas de una semana a la siguiente. Por lo tanto, es fundamental aceptar comenzar sin haber podido evaluar todo, integrándose en un enfoque de progresión razonado mientras observa constantemente los desarrollos y está listo para cuestionar sus opciones en cualquier momento. Por lo tanto, la clave es aceptar el aspecto iterativo de la innovación: la IA es un proceso, no una decisión puntual.
Los pilares de un proyecto de IA exitoso
La implementación de un proyecto de IA no puede ser improvisado. Muchas compañías ya han intentado experimentar sin obtener sus frutas. Sin embargo, tampoco responde completamente a los estándares habituales, seguir las pocas etapas a continuación hace posible maximizar sus posibilidades de éxito.
1 – Elija un proyecto inequívoco sobre los costos y su valor agregado: Si un equipo decide lanzar su primer proyecto de IA, debe prepararse para cambiar sus procesos operativos y sus formas de pensar. Sobre todo, debe evaluar sobre todo los costos y ventajas de la IA porque la adopción de dicha tecnología implica cambios en el proceso y el estado mental. La IA puede proporcionar ganancias de productividad, mayor proximidad a los clientes, expandir el conocimiento, los productos de mejor calidad, los procesos optimizados, etc. Por lo tanto, es esencial comprender completamente este valor agregado que la IA puede aportar y el tiempo que llevará lograrlo. La naturaleza iterativa de este tipo de iniciativa requiere una integración completa en los procesos comerciales para garantizar su éxito y mejora continua. Es importante tener en cuenta que a menudo los proyectos de IA fallan porque nos centramos más en el uso de las tecnologías más recientes y avanzadas que en la resolución de los problemas reales de los usuarios finales.
2 – Asegúrese del apoyo del equipo de gestión: La membresía del equipo de gestión de proyectos es crucial, en particular para iniciativas relacionadas con la IA. Su apoyo permite eliminar los obstáculos, asignar recursos y avanzar en el proyecto de manera efectiva. También es esencial aclarar los objetivos de la misión y el alcance del proyecto, y ajustar estos elementos si es necesario. Además, el equipo de gestión juega un papel clave en la comunicación y la gestión del cambio dentro de la empresa, sea cual sea el campo afectado por la transformación. Su compromiso marca una gran diferencia en el éxito de los proyectos y su avance dentro de los plazos programados. Sin embargo, las expectativas frente a la IA a menudo son muy altas, y los tomadores de decisiones tienden a malinterpretar, o comunicarse mal en los problemas que la IA realmente debe resolver.
3 – constituye un equipo multidisciplinario y colaborativo: El éxito de un proyecto de IA se basa en el espíritu de cohesión y colaboración del equipo compuesto por múltiples perfiles: gerentes, investigadores de IA, expertos de negocios, profesionales de TI y especialistas de cambio. La diversidad de puntos de vista y habilidades es esencial y la colaboración entre estos múltiples perfiles nos permitirá avanzar rápidamente mientras aseguramos que todos permanezcan alineados en los objetivos.
4 – Use abstracción gracias a una capa de gestión de datos semántico para ganar agilidad: Uno de los mayores desafíos en la IA no es solo en la creación de modelos sino también en la traducción de actividades y procesos comerciales en componentes comprensibles. Así, recurre a un «Data Fabric» Lógico permite establecer una capa semántica unificada por encima de las fuentes de datos, que traduce automáticamente todos los datos en el lenguaje de la empresa. Por lo tanto, es posible proporcionar a los investigadores de IA y a los usuarios comerciales modelos de datos comerciales coherentes, incluso si el entorno de la empresa está evolucionando. La capa de abstracción le permite administrar y proporcionar datos a pedido. Esta capa aísla los cambios en los sistemas subyacentes de procesos comerciales, lo que proporciona agilidad al tiempo que garantiza la consistencia y la estabilidad necesaria para la investigación de IA. El uso de un tela de datos La lógica como capa de abstracción permite mantener el acceso a los datos en tiempo real y a la demanda en el lenguaje de la empresa, a pesar de la naturaleza dinámica de las fuentes de datos. De hecho, muchos proyectos de IA fallan por falta de los datos necesarios para causar efectivamente un modelo de IA eficiente.
Los procesos comerciales juegan un papel decisivo en la calidad de los datos
La calidad de los datos es inducida directamente por la calidad de los procesos comerciales que los administran: si estos procesos son incoherentes o pasan por alto por soluciones improvisadas, los datos llevarán las trazas. Los problemas de calidad de datos correctos hacia abajo, ya sea en las tuberías de datos, la extracción, el procesamiento y la carga (ETL) u otras tareas de procesamiento, a menudo son costosos y el tiempo. Es mucho más efectivo actuar aguas arriba en lugar de tratar de corregir los datos A Posteriori. Aquí es donde el uso de tela de datos La lógica adquiere su significado completo: ofrece una visibilidad de tiempo real en la calidad de los datos, lo que permite a las empresas identificar y adaptar rápidamente los procesos.
Además, también permite una mejor gobernanza de los metadatos y una mejora en sus procesos de enriquecimiento, lo que está más allá de los datos igualmente fundamentales en proyectos de inteligencia artificial. Allá tela de datos Lógico permite a los usuarios trabajar con datos de una manera más natural para ellos, utilizando su propio idioma y sus propios flujos comerciales. Por lo tanto, pueden tomar decisiones informadas sobre los ajustes a tomar. Esto mejora considerablemente la calidad de los datos y metadatos que suministran modelos AI, de los cuales los resultados más precisos resultan directamente.
En resumen, el tela de datos La lógica no se contenta con proporcionar datos; Proporciona información directamente utilizable sobre procesos operativos, lo que permite una mejora y alineación continuas a las operaciones comerciales. Esta capacidad representa un factor de estructuración en el éxito de los proyectos de IA.
La agilidad es la clave
Además, el tiempo casi siempre se cuenta, que utilizamos recursos internos o externos. La capacidad de adaptarse rápidamente reduce los costos y los plazos para crear valor. Los datos y sus metadatos están en el corazón de los proyectos de IA. La gestión efectiva para identificarlos, validarlos e integrar rápidamente nuevas fuentes, independientemente de su ubicación o modo de almacenamiento, es esencial para permitir a los científicos de datos integrarlos en los modelos que desarrollan. Abstracción de datos a través de un tela de datos La lógica promueve la experimentación rápida y efectiva. Además, la estructuración de los datos con productos reutilizables establecidos por contratos de interfaz hace que sea posible respaldar varios proyectos y maximizar las inversiones.
Cuando es necesario integrar fuentes de datos externas, un tela de datos La lógica permite la evaluación rápida de las diferentes opciones posibles. Esto también permite cruzar la información externa de manera efectiva con datos internos y transformarla rápidamente en productos de datos Inmediatamente explotable. Además, es posible prototear nuevos conceptos y probarlos en modelos antes de implementarlos en producción. Esta flexibilidad en la gestión de datos promueve experimentos e iteraciones más rápidos.
Tantos productos de datos se puede crear a voluntad a través del tela de datos Lógica sin tener que responder o mover los datos físicamente. Además, estos productos de datos No solo están reservados para proyectos de IA, sino que también se pueden utilizar para otros proyectos, análisis e integración de datos. Por lo tanto, esto permite obtener eficiencia en todos los proyectos que requieren datos.
Un proyecto IA tiene la intención de evolucionar con el tiempo. La IA se convierte en casi un nuevo «colaborador» que le permite descubrir nuevas carreteras aún no exploradas y traer ideas innovadoras, lo que ayuda a reducir los ciclos de desarrollo. AI se convierte en una verdadera palanca de crecimiento.
¿Estás listo para la IA? Probablemente no sea completamente, pero sea cual sea la respuesta, lo principal es comenzar, prepararse para los desafíos, dar la bienvenida a la innovación y centrarse en crear valor. Adoptar un tela de datos La lógica traerá la agilidad, la consistencia y la resistencia necesarias para tratar los requisitos de un proyecto de IA. El éxito en la IA no se basa en tener todas las respuestas desde el principio, sino en la construcción de una base sólida y la capacidad de adaptarse en el camino.
____________________________
Par Vincent Fages-GouyouDirector de Gestión de Productos SR EMEA CHEZ Denodo
Leer también:
Productos de datos y datos de autoservicio: Catalizadores de valor e innovación …
Denodo lanza a Agora, el servicio en la nube que quiere reinventar la gestión de datos
Democratizar el uso de datos: 4 claves para mantener el control
Data Mesh le permite relanzar iniciativas en torno a los datos
Por qué el sector del consejo está listo para transformarse con AI …
Tendencias 2025: Los cuatro cambios principales en la IA en los negocios …
[
