IA generativa y aprendizaje automático tradicional: la clave del éxito en el análisis de datos

En el último episodio del podcast «Augmented Ops», hemos hablado con la Dra. Lisa Graham, directora ejecutiva de Seeq Corporation, empresa dedicada al desarrollo de herramientas de software para el análisis de procesos industriales. En el episodio, titulado«IA generativa, democratización y el futuro del análisis industrial», la Dra. Graham se basa en su amplia experiencia para compartir sus opiniones sobre el futuro de los datos y el análisis. Tras comenzar su carrera como ingeniera de procesos y usuaria final de Seeq y otras herramientas de BI antes de incorporarse a la empresa y ascender al cargo de directora ejecutiva, ofrece una visión matizada sobre el papel de los datos en la mejora de los procesos, la importancia que sigue teniendo el aprendizaje automático tradicional y el valor que la IA generativa promete aportar al ámbito del análisis.

Sus análisis ponen de manifiesto los retos a los que se enfrentan las empresas industriales, en particular la necesidad de convertir los enormes volúmenes de datos brutos que recopilan a diario en información útil que permita a los ingenieros mejorar continuamente sus procesos.

La Dra. Graham subrayó la importancia de los datos a la hora de impulsar las operaciones de primera línea, haciendo hincapié en su papel fundamental para impulsar la eficiencia operativa y la mejora de los procesos. «Es importante que reconozcamos que los datos y el análisis son una parte fundamental de las operaciones», afirma, «me refiero, sin lugar a dudas, desde las operaciones hasta los procesos, los equipos y la supervisión. Eso es lo que proporciona la información clave para impulsar aquello de lo que todo el mundo habla». Tal y como explica, es fundamental extraer información útil de los datos para poder mejorar de forma efectiva la calidad de los productos, reducir el consumo energético y garantizar la rentabilidad.

A pesar de la abundancia de datos en los distintos sectores, la Dra. Graham señaló un reto común: convertir esa gran cantidad de datos brutos en conocimientos útiles y aplicables. Identificó una situación a la que denominó «DRIP», un error habitual en muchas empresas que se refiere a tener una gran cantidad de datos, pero poca información. Esta situación, en la que las empresas disponen de una gran cantidad de datos pero carecen de la capacidad para utilizarlos de forma eficaz, supone un importante obstáculo para el avance operativo.

La Dra. Graham comparte varios ejemplos de cómo los fabricantes han transformado sus operaciones aprovechando sus datos. En uno de ellos, describe una empresa que contaba con miles de activos, pero solo tenía visibilidad sobre unos pocos cientos. Esto significaba que podían optimizar ese número relativamente reducido de activos, pero carecían de la información necesaria para optimizar el resto. Al aprovechar una potente herramienta como Seeq para agregar sus fuentes de datos y realizar análisis, pudieron pasar a una supervisión basada en excepciones en todos sus activos, lo que les permitió obtener una mayor comprensión y realizar optimizaciones significativas en sus procesos.

Una de las herramientas más importantes para convertir la ingente cantidad de datos que se recopilan en información valiosa ha sido el aprendizaje automático (ML). El Dr. Graham señala que «el aprendizaje automático tradicional sigue demostrando un valor empresarial extraordinario, incluso en el ámbito de las series temporales y el análisis de datos».

En lo que respecta al tan comentado tema de la IA generativa, ella sostiene que la llegada de esta tecnología no tiene por objeto sustituir al aprendizaje automático tradicional, sino complementarlo. La IA generativa tiene el potencial de habilitar herramientas de análisis significativamente más intuitivas y fáciles de usar que pueden democratizar aún más el acceso a los datos entre las distintas funciones de la organización. Al tomar entradas en lenguaje natural y generar las consultas SQL y visualizaciones necesarias, por ejemplo, esta tecnología emergente promete abrir el campo del análisis avanzado a personas que no son ingenieros ni científicos de datos cualificados. Esto representa un gran avance en la democratización de lo que antes era una habilidad altamente especializada en manos de unos pocos.

La Dra. Graham prevé un futuro en el que el análisis avanzado se convierta en una parte integral de las herramientas de todo trabajador, independientemente de su formación técnica. A medida que los sectores siguen generando una montaña de datos cada vez mayor, el papel del análisis a la hora de impulsar la excelencia operativa cobra mayor relevancia, y las empresas que prosperen serán aquellas que sean capaces de aprovecharlo de la forma más eficaz. Ella cree que «en los próximos años, especialmente en los próximos 24 meses, el papel de la analítica seguirá siendo cada vez más fundamental. Así que, cuando pensamos en el aprendizaje automático, la IA generativa o cualquier otra novedad que pueda surgir, todo nos lleva de vuelta al papel de la analítica, ya que las decisiones basadas en datos siguen impulsando el aumento de la productividad y la sostenibilidad».

Aunque se muestra optimista respecto a esta tecnología, la Dra. Graham también destaca que las capacidades de la IA generativa presentan una serie de limitaciones importantes que deben tenerse en cuenta antes de que las empresas la incorporen a sus procesos. «Las organizaciones deben reconocer sus limitaciones y los riesgos asociados, entre los que se incluyen los retos relacionados con los datos, la falta de transparencia y las preocupaciones en materia de privacidad de los datos», explica. No se trata de preocupaciones insignificantes, especialmente en una época en la que los datos no solo son abundantes, sino que también pueden ser sensibles y estar sujetos a estrictas normas reguladoras.

La Dra. Graham subraya además que «los resultados de la IA generativa deben validarse», y explica que la calidad de los resultados de la IA generativa depende directamente de la calidad de los datos y los modelos en los que se basa. Y aunque cree que reducirá significativamente las barreras de entrada en lo que respecta al análisis de datos, subraya que «a pesar de lo que se suele decir, la IA generativa requiere supervisión humana para funcionar de manera eficaz; no sustituye la necesidad de contar con expertos en la materia, sino que complementa sus conocimientos».

«La IA general no es magia», afirma, y sostiene que el verdadero valor de la tecnología reside en integrarla en un conjunto más amplio de herramientas destinadas a resolver problemas operativos. A medida que estas herramientas se vayan incorporando a cada vez más productos, los fabricantes tendrán que estudiar detenidamente cómo integrar esta tecnología en sus procesos.