Artículo de Adelina Sarmiento, CMO de Keepler Data Tech.

La aceleración de la digitalización entra en una siguiente fase que lleva a las organizaciones a centrarse en dos objetivos principales: mejorar los márgenes y reducir costes.

En este sentido, la nube tiene mucho que decir. Una vez los datos han migrado a la nube, lo que en el pasado ha supuesto el foco de atención y las inversiones principales, se hace necesario explotarlos y obtener su valor más allá del reporting. Así pues, el siguiente reto de los proveedores cloud será fidelizar a los que han apostado por ella, creando entornos que permitan a las grandes empresas encontrar en su ecosistema todo lo que necesitan y evitando que salgan de su plataforma para buscar funcionalidades.

En este sentido, es ya un hecho que cada proveedor de cloud está apostando por ofrecer plataformas completas e inmersivas que abarquen todo el ciclo de vida de los datos y que engloben a todos los perfiles involucrados en el trabajo diario con ellos, desde desarrolladores, arquitectos cloud, data engineers, data scientists y data analysts.

A esto se sumará la apuesta por integrar la Inteligencia Artificial de manera transparente en los diferentes servicios de la nube, llevando un poco más lejos las funcionalidades que aporta y haciendo más sencilla su adopción por parte de empresas y usuarios, que hasta ahora no veían cabida en sus procesos o cargas de trabajo.

La simplificación o democratización al acceso de este tipo de herramientas, es una tendencia que podemos ver en las propias mejoras de las plataformas cloud, cada vez más accesibles a los diferentes perfiles de la organización con muy diferente grado de conocimiento técnico, y en el avance de las plataformas low-code, que permiten desarrollar aplicaciones sin apenas conocimiento de lenguajes de programación.

Sin embargo, el alto grado de especialización de quienes desarrollan con seguridad y con los diseños de arquitecturas adecuados, va a continuar siendo necesario para poder gestionar y evolucionar plataformas robustas, sostenibles y escalables y, para ello, va a ser indispensable la integración de equipos especialistas con equipos internos menos cualificados.

La seguridad será una piedra angular en los proyectos de datos a abordar. Los proveedores de nube no sólo deben ya implementar sus mecanismos de protección y seguridad, si no que deben asegurarse de ser compatibles con los requisitos y soluciones de seguridad implementadas en las diferentes empresas. Este es un punto clave en la expansión de la nube en las organizaciones y es un punto de foco para cualquier proveedor de nube que quiera que las empresas (sobre todo las grandes empresas) migren sus sistemas y sus cargas de trabajo a un entorno 100% cloud.

Cuatro retos a corto plazo

No hay duda de que en el último año se ha visto un auge en el desarrollo de soluciones basadas en big data e inteligencia artificial para la impulsar aspectos como la mejora de la eficiencia operativa y de recursos, la optimización del time-to-market y la diferenciación de productos.

En este sentido, el enfoque de Producto de Datos está permitiendo una aproximación muy exitosa, ayudando a poner foco en aquello que aporta valor y muy orientadas a resolver un reto concreto de negocio a través de los datos. Esto está provocando un alto impacto en el negocio de forma rápida y demostrable, en ámbitos como la mejora de la experiencia del cliente, la productividad de los empleados, la creación de nuevos productos y el desarrollo de la competitividad.

Teniendo en cuenta los escenarios anteriormente planteados, desde Keepler Data Tech apostamos por 4 retos prioritarios que a corto plazo deben estar en la mente de los responsables de datos en las organizaciones:

1. Aportar una mayor perspectiva data-centric en los proyectos IA, mediante la cuál la prioridad no sea acumular datos, sino trabajar en la mejora de la calidad de los mismos y eliminar datos inconsistentes. La calidad del etiquetado de los datos, estrategias en data augmentation, el versionado de los datos o los feature stores acelerarán este proceso.
2. Priorizar la privacidad y seguridad de los proyectos IA desde su definición, debiendo tener presente estos aspectos y también se requerirán prácticas que determinen modelos más robustos y confiables, aplicando técnicas como adversarial training para prevenir respuestas ante posibles datos corruptos o escenarios poco frecuentes.
3. Impulsar la automatización de procesos cognitivos, incorporando servicios disponibles en distintas plataformas cloud (voz, imagen, texto o decisión) o haciendo uso de modelos pre entrenados “multimodales” en el estado del arte.
4. Incrementar capacidades big data de los procesos cada vez más exigentes, teniendo en cuenta el auge de quantum computing para la realización de simulaciones a gran escala o desafíos en procesos de optimización entre otros.