El aprendizaje automático está llamado a abrir la puerta a numerosas oportunidades interesantes para las empresas, pero antes de llegar a la meta hay que superar muchos obstáculos. Muchas organizaciones todavía tienen dificultades con los sistemas heredados y tardan en invertir en tecnologías más avanzadas. Sin embargo, el problema más acuciante, que lleva tiempo afectando al sector tecnológico, es la escasez de talento cualificado para cubrir las necesidades de una industria dinámica y exigente.
Territorio por explorar
Por diseño, el aprendizaje automático es experimental y a menudo impredecible: hace falta explorar mucho antes de que las organizaciones puedan siquiera empezar a comprender los datos y determinar qué algoritmos de aprendizaje automático funcionarán mejor. Aunque es comprensible que la naturaleza impredecible del aprendizaje automático resulte intimidante, muchas organizaciones aún no han entendido del todo qué se necesita para implementarlo y gestionarlo de forma eficaz.
Acceso a los datos
El acceso a los datos es fundamental para cualquier tipo de aprendizaje automático, pero prácticamente todas las empresas tienen políticas que limitan el acceso a determinada información y a ciertos datos. Deben entender que, en última instancia, el aprendizaje automático se nutre de todo tipo de datos. Por lo tanto, para que los algoritmos sean eficaces, es esencial proporcionar un acceso constante y continuo a esos datos, sin dejar de cumplir los requisitos de seguridad y otras normas de gobernanza de datos. Aunque las organizaciones tengan políticas que permitan acceder fácilmente a datos en tiempo real, deben plantearse cómo integrar los numerosos conjuntos de datos para garantizar un flujo constante. Los modelos de aprendizaje automático no deben entrenarse con un conjunto de datos fijo utilizado una sola vez, ya que su eficacia disminuirá; deben entrenarse continuamente con datos cambiantes para que puedan evolucionar al ritmo de los cambios en el comportamiento de los datos y los sistemas.
Tecnología obsoleta
Otro obstáculo para la adopción del aprendizaje automático es la tecnología obsoleta. Muchas organizaciones siguen dependiendo de tecnologías heredadas y sistemas de datos locales, lo que dificulta enormemente procesar y gestionar eficazmente el creciente volumen y la variedad de los datos generados. Como consecuencia, los profesionales de TI dedican demasiado tiempo a programar manualmente para poner orden en el caos de los datos y crear canalizaciones de datos, y no el suficiente a tareas de mayor valor.
Dejar atrás lo antiguo y adoptar lo nuevo
Ante la cuestión tecnológica, las empresas se enfrentan a dos opciones: mantenerse por delante de la competencia o arriesgarse a quedar obsoletas. Las organizaciones no solo deben mejorar la experiencia de usuario y garantizar un uso eficaz de sus recursos, sino también poder anticipar y predecir las acciones y expectativas de sus usuarios para ofrecer recomendaciones precisas o información práctica. Para resolver los problemas técnicos, las empresas deberían invertir no solo en tecnologías emergentes en la nube, sino también en soluciones que ofrezcan cierto grado de automatización inteligente y requieran una programación mínima, aliviando así la carga de los profesionales de TI.
La inversión no debe centrarse únicamente en la tecnología, sino también en la formación y el desarrollo de las competencias de los empleados. Las organizaciones deben asegurarse de que sus empleados, tanto en TI como en las distintas áreas de negocio, estén bien preparados para aprovechar plenamente estas nuevas tecnologías y reciban formación periódica para actualizar y ampliar sus competencias.
Cerrar la brecha de competencias
Otro problema importante al que las organizaciones llevan mucho tiempo enfrentándose es la falta de talento cualificado. A medida que se generaliza la adopción del aprendizaje automático y las tecnologías en la nube, aumenta la demanda de profesionales cualificados que sepan utilizar eficazmente estas herramientas. Crece el número de científicos de datos y especialistas en aprendizaje automático, pero lo cierto es que lleva tiempo desarrollar estas competencias especializadas. Como resultado, la oferta actual no logra seguir el ritmo de la demanda.
La responsabilidad de resolver la escasez de talento no debería recaer únicamente en las empresas; las universidades también tienen un papel que desempeñar. Es alentador ver que cada día las universidades ofrecen más cursos de aprendizaje automático y ciencia de datos, y que algunas incorporan estas nuevas disciplinas a los planes de estudios básicos de determinadas titulaciones. Pero no debería acabar ahí: mientras que el ámbito académico proporciona formación teórica a los estudiantes, las empresas pueden aportar conocimientos y experiencia basados en problemas empresariales reales. Las empresas deberían colaborar con las universidades para ayudar a los estudiantes a adquirir experiencia práctica en el trabajo. Una forma de hacerlo es establecer la experiencia laboral como requisito del curso. Las universidades progresistas exigen que los estudiantes de estos cursos pasen un semestre trabajando en una empresa de un sector pertinente. Esto no solo brinda a los estudiantes la oportunidad de trabajar con diversas empresas, sino que también acorta considerablemente el proceso de selección para las empresas cuando llega el momento de contratar a la siguiente promoción de empleados a tiempo completo.
Además, las empresas también deben ampliar la búsqueda más allá de los titulados universitarios para cubrir puestos de aprendizaje automático y ciencia de datos. En un sector donde escasea el talento cualificado, formar a empleados actuales que tengan otras competencias pertinentes ayudará a cerrar la brecha de competencias. Es asombroso ver cuántos recursos y materiales valiosos y de bajo coste existen para que las personas se formen por su cuenta, aprendan a programar y se pongan al día con las nuevas tecnologías.
Una tendencia interesante que empezamos a observar es que profesionales como analistas sénior de negocio e ingenieros de software están ampliando sus conocimientos de ciencia de datos y aprendizaje automático. Por ejemplo, muchos ingenieros de software tendrán cierta familiaridad con el aprendizaje automático, ya que, en esencia, es software. Aunque los analistas de negocio de TI quizá no tengan experiencia en programación de software, sus conocimientos del sector, su experiencia en el manejo de datos y análisis, y un conjunto emergente de intuitivas herramientas tecnológicas de autoservicio les permiten aprovechar el aprendizaje automático. Ampliar la búsqueda más allá de los científicos de datos e invertir en personas con otras competencias útiles no solo ayudará a aliviar la escasez de talento, sino que también permitirá que un abanico más amplio de usuarios se implique en el aprendizaje automático y aporte valor a la empresa.
Cómo sacar el máximo partido al aprendizaje automático
Con el tiempo, el aprendizaje automático y la IA estarán presentes en todos los aspectos de las aplicaciones y los sistemas, no solo en el análisis predictivo. Pero aún queda camino por recorrer para que eso se haga realidad. Las empresas deben comprometerse a abandonar los sistemas heredados e invertir en tecnología y recursos que les permitan mantenerse a la vanguardia. Sin embargo, todo será en vano si las empresas no se aseguran de que sus empleados estén preparados para sacar el máximo partido a estas tecnologías. La colaboración con universidades y centros de formación profesional es esencial no solo para incorporar talento nuevo, sino también para garantizar que los empleados amplíen constantemente sus competencias y conocimientos.
Todos estos avances apuntan a un futuro prometedor, en el que la adopción generalizada del aprendizaje automático permitirá resolver algunos de los desafíos empresariales más acuciantes del mañana.
