Las organizaciones han luchado durante mucho tiempo con el “problema eterno de los datos”, es decir, cómo recopilar, almacenar y gestionar la enorme cantidad de datos que generan sus empresas. Este problema se volverá más complejo a medida que las organizaciones adopten nuevas tecnologías que consumen muchos recursos, como la IA, y generen aún más datos. Para 2025, IDC espera que los datos mundiales alcancen 175 zettabytes, más del doble de nuestro umbral actual.

En medio de todo este ruido, la IA se destaca como una opción viable para automatizar la identificación de patrones y tendencias. Sin embargo, a pesar del revuelo que rodea a las aplicaciones innovadoras de inteligencia artificial como ChatGPT y Bard, las empresas deben actuar con cautela. Los datos no son inherentemente descifrables, ni siquiera mediante los algoritmos de inteligencia artificial más avanzados, y los contratiempos pueden provocar un desastre. Por ejemplo, imagine un banco que utiliza IA para unir y fusionar nombres sin reglas deterministas delineadas y auditadas; un error en este caso podría tener graves ramificaciones para la reputación y el estado de cumplimiento del banco.

Cuando las organizaciones implementan IA a escala empresarial, asumen riesgos a nivel empresarial. Como tal, antes de tomar medidas drásticas, los líderes deben realizar la debida diligencia en sus sistemas para garantizar que sus algoritmos avanzados funcionen con la información más actualizada y de alta calidad. ¿El secreto para hacerlo? Una estrategia integral de síntesis y gestión de datos, que se puede realizar a través de gestión de datos maestros (MDM). 

La avalancha de datos es un problema que afecta a toda la empresa

Vivimos en una era digital en la que las empresas modernas generan más datos que nunca. Varias interacciones comunes, incluidas las transacciones de los clientes y la actividad en las redes sociales, crean reservas de datos en expansión. Además, las empresas medianas y grandes deben agregar datos generados en múltiples ubicaciones. Incluso las organizaciones pequeñas deben prestar atención a la expansión de datos creada por su fuerza laboral remota o híbrida. 

Pero no basta con generar estos datos: los sistemas también deben entender  él.

Sin embargo, muchas empresas no utilizan sus datos de forma eficaz porque sus herramientas, habilidades o recursos son limitados. Los líderes pueden identificar datos administrados inadecuadamente mediante la realización de una auditoría que se centre en los siguientes problemas comunes:

• Prácticas de almacenamiento insostenibles: A medida que la generación de datos crece exponencialmente, los líderes de datos y TI tendrán dificultades para almacenarlos y procesarlos.
• Demasiadas fuentes y herramientas: Muchas organizaciones abordan la confusión de datos mediante la adopción de nuevas tecnologías. Sin embargo, muchas de estas herramientas generan más datos en lugar de analizarlos y almacenarlos, lo que genera más caos y silos de información.
• Baja confianza: Cuando los datos no están validados, es difícil confiar en su integridad.

Desafortunadamente, los líderes sin una adecuada datos de gestión la estrategia se está perdiendo. Los macrodatos proporcionan información crítica. Por ejemplo, los datos de cara al consumidor pueden comunicar información sobre el comportamiento del cliente, mientras que los datos de logística pueden ayudar a mejorar la eficiencia operativa y desarrollar nuevos productos y servicios.

La IA no puede resolver el desorden de datos

Muchos expertos anuncian la IA generativa (GenAI) como el puente hacia una nueva era del trabajo. Sin duda, GenAI cambiará la forma en que los empleados interactúan con sus sistemas y realizan tareas. Según un estudio de la Oficina Nacional de Investigación Económica (NBER), las integraciones GenAI contribuyen a una Aumento de la productividad del 14% entre los agentes de atención al cliente, y los empleados poco calificados reciben las ganancias de productividad más significativas. Otros profesionales de la economía de la información han visto aumentos similares en la productividad gracias a GenAI.

Sin embargo, la calidad de los datos limita gravemente el potencial de GenAI. La IA no puede interpretar, categorizar ni comprender adecuadamente las reservas de datos si la organización anfitriona no tiene una estrategia de gestión. ¿Por qué? Porque las principales herramientas de IA, incluida GenAI, subsisten a partir de datos para contextualizar su entorno; Sin la información adecuada de la que sacar provecho, estas tecnologías avanzadas son inútiles. De hecho, según el caso de uso, las herramientas de inteligencia artificial que se basan en datos desorganizados pueden incluso ser perjudiciales para los resultados comerciales.

Para ilustrar, volvamos a nuestro ejemplo anterior sobre un banco que utiliza GenAI para sintetizar los registros de sus clientes. Este banco mediano tiene un millón de clientes y depende de un sistema de gestión de datos manual. Un líder de TI encarga una nueva integración GenAI para consolidar datos duplicados de clientes mientras busca optimizar el plan de nube de su organización.

Durante este proceso, la integración de GenAI identifica a varios clientes llamados Robert Smith y sugiere una manera de combinar todos los Robert Smith sin una dirección activa registrada. Debido a que el banco implementa esta integración rápidamente y sin la capacitación adecuada, estas fusiones erróneas son aprobadas por moderadores humanos. Ahora, GenAI ha absorbido orientación engañosa sobre cuándo y por qué fusionar la información del cliente, lo que significa que este error se cometerá a perpetuidad, al menos, hasta que un moderador del sistema lo marque y lo solucione. 

Este ejemplo simplificado demuestra el problema que enfrentarán los líderes si usan GenAI para reducir la desorganización de los datos: la IA no puede crear contexto. Los sistemas de IA requieren supervisión humana y directrices sólidas sobre las que operar. Sin datos en su lugar y formato correctos, los sistemas de IA generarán resultados inexactos, lo que creará dolores de cabeza para los moderadores humanos y obstaculizará el progreso.

MDM es una solución a largo plazo para un problema a largo plazo

Los sistemas MDM son el socio perfecto para GenAI porque estos sistemas restauran la integridad de los datos y brindan a la IA el conocimiento previo que necesita para generar resultados correctos. En nuestro ejemplo bancario, MDM podría haber limpiado, analizado y ordenado los datos del banco antes de la integración de GenAI. Con una visión integral de los datos de los clientes, GenAI podría centrarse en crear resultados más útiles, como proporcionar información sobre el comportamiento de los clientes o identificar candidatos para tarifas y ofertas especiales.

Es comprensible que los líderes de todas las industrias estén entusiasmados con las posibilidades de GenAI. Sin embargo, convertirse en una organización basada en datos no es un proceso único y no existen vías rápidas hacia una organización y gobernanza de datos adecuadas. Quizás la única forma acelerada de adoptar GenAI de manera efectiva sea revisar las soluciones de MDM y adoptar una herramienta con una inmensa propuesta de valor en términos de tiempo. De lo contrario, los líderes probablemente tomarán un atajo que les costará mucho a ellos y a su organización.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://www.dataversity.net/why-master-data-management-mdm-and-ai-go-hand-in-hand/