1. La responsabilidad detrás de los algoritmos y la ética de la Inteligencia Artificial. En este
2019 se señala como muy importante poder demostrar la imparcialidad de las decisiones
automáticas tomadas por los sistemas de IA (Inteligencia Artificial). Así mismo, la GDPR y otras
regulaciones de datos elevarán la importancia de la responsabilidad del algoritmo, la capacidad de
comprender por qué ha tomado ciertas decisiones, especialmente en sectores altamente regulados
como la banca o la salud. Los algoritmos, por supuesto, aprenden de los datos, y estos a veces se
basan en decisiones humanas que no siempre son justas. Por ello, la eliminación de cualquier
injusticia en las decisiones automáticas que toman los sistemas de IA se volverá más importante en
un futuro próximo, si se va a aceptar la IA como una tecnología éticamente responsable.
2. El Aprendizaje profundo (Deep Learning) y los grafos de conocimiento están empezando a
remplazar el aprendizaje automático tradicional. Los grafos de conocimiento son sistemas
representativos que nos ayudan a explicar cómo se comportan y toman decisiones los sistemas de
IA, alejándonos la “caja negra” y brindando a las empresas las herramientas y la comprensión
necesaria para el negocio, así como una respuesta a las nuevas presiones normativas.
3. Analítica integrada. En el 2019, se verá un mayor uso de algoritmos integrados e inteligencia en
los procesos de negocios existentes. Cuando se combinan con la automatización de procesos
robóticos (RPA) con la analítica y la IA, se produce un gran impacto en la efectividad de las
operaciones diarias del negocio, consiguiendo una mayor simplicidad, automatización, velocidad y
servicio, todo esto logrado a un menor coste y mayor eficiencia.
4. Edge Analytics. Mientras la analítica se realice en la nube, en entornos locales de alto rendimiento
o una combinación híbrida de ambos, vemos una mayor demanda de los usuarios por conseguir un
rendimiento mejorado en el extremo o campo, impulsado por casos de uso que requieren latencias
más cortas. En 2019, veremos sistemas analíticos ejecutándose en los propios dispositivos IoT, especialmente en los segmentos de manufacturing y utilities.
5. Arquitecturas enfocadas a la gestión de eventos. En 2019 se producirá un auge de estas
arquitecturas de IA, donde los procesos end-to-end recopilar datos, procesarlos, evaluar y hacer
predicciones, tomar decisiones y activar procesos serán la nueva normalidad.
6. Acortar la brecha en las capacidades. La falta de capacidades es un problema importante cuando
se implementan proyectos de analítica avanzada. Las empresas incrementarán sus inversiones en
herramientas que ayuden a sus analistas de negocios y científicos de datos, a utilizar técnicas
analíticas avanzadas, a pesar de no ser expertos técnicos. Todo ello gracias a herramientas que
utilizan interfaces gráficas que permiten implementar procesos analíticos abstrayendo a los usuarios
de negocio de la necesidad de tener altos conocimientos de programación, aumentando así su
productividad.
7. Analítica conversacional. Las empresas aumentarán la inversión en herramientas que ayuden a
sus analistas de negocio a utilizar técnicas analíticas avanzadas sin ser expertos técnicos, gracias a
la inteligencia cognitiva. Por ejemplo, comenzaremos a ver los departamentos de Business
Intelligence (BI) utilizando chatbots para interactuar con sus herramientas. Esto significará
interactuar y recibir respuestas de los sistemas de BI, a través de la conversación, en lugar de los
formatos de informe predeterminados.
8. Servicios extremo a extremo. Proporcionar analítica avanzada para los clientes significa tener en
cuenta una amplia gama de factores, algunos potencialmente contradictorios, como políticas de
gestión de datos, escalabilidad, heterogeneidad del entorno, entre otros. Para que esto sea posible y
garantizar el valor para el negocio, se requieren proveedores de servicios de analítica de datos que
puedan ofrecer soluciones de extremo a extremo.
9. Economía compartida. La co-creación es otro camino para superar con éxito las brechas en las
habilidades, ya que la aplicación de experiencia de dominio relevante es un diferenciador clave en el
desempeño de un científico de los datos. Cualquiera puede crear un motor de recomendaciones, la
pregunta es quién puede hacer el mejor sistema para un caso de uso específico, como por ejemplo
¿un retailer? Gracias a la economía compartida, encontrar las habilidades y experiencia necesarias
para resolver un problema específico será más fácil utilizando la co-creación.
Volver
