¿Cuál es la diferencia entre la ciencia de datos, la inteligencia artificial y el aprendizaje automático?

Para comprender mejor la ciencia de datos (y cómo puede aprovecharla) es igual de importante conocer otros términos relacionados con el campo, como inteligencia artificial (IA) y aprendizaje automático. Frecuentemente, encontrará que estos términos se usan indistintamente, pero hay matices.

Este es un breve resumen:

• IA significa hacer que una computadora imite de alguna manera el comportamiento humano.
• La ciencia de los datos es un subconjunto de la IA que se refiere más a las áreas superpuestas de las estadísticas, los métodos científicos y el análisis de datos, que se utilizan todas para extraer significado y conocimientos de los datos.
• El Aprendizaje automático es otro subconjunto de la IA y consiste en las técnicas que permiten que las computadoras descubran cosas a partir de los datos y realicen aplicaciones de IA.

Y, por si acaso, incluimos otra definición:

• Aprendizaje profundo, que es un subconjunto del aprendizaje automático que permite que las computadoras resuelvan problemas más complejos.

Cómo la ciencia de datos está transformando los negocios

Las organizaciones están utilizando la ciencia de datos para convertir los datos en una ventaja competitiva al perfeccionar los productos y servicios. Algunos casos de uso de la ciencia de datos y el aprendizaje automático incluyen:

• Determinar la fuga de clientes analizando los datos que se recopilan de los centros de llamadas, para que el departamento de Marketing pueda tomar medidas a fin de retenerlos.
• Mejorar la eficiencia al analizar los patrones de tráfico, las condiciones climáticas y otros factores para que las empresas de logística puedan mejorar los tiempos de entrega y reducir los costos.
• Mejorar los diagnósticos de los pacientes mediante el análisis de los exámenes médicos y los síntomas informados para que los médicos puedan diagnosticar antes las enfermedades y tratarlas de manera más eficaz.
• Optimizar la cadena de suministro al predecir cuándo se producirán fallos en los equipos.
• Detectar los fraudes en los servicios financieros mediante el reconocimiento de los comportamientos sospechosos y las acciones anómalas.
• Mejorar las ventas al crear recomendaciones para los clientes basadas en las compras anteriores.

Muchas empresas han hecho de la ciencia de datos una prioridad y están realizando grandes inversiones en ella. En la última encuesta de Gartner a más de 3,000 CIO, los encuestados clasificaron la analítica y la inteligencia empresarial como las tecnologías de diferenciación más importantes para sus organizaciones. Los directores de informática encuestados ven estas tecnologías como las más estratégicas para sus empresas y están realizando las inversiones correspondientes.

Cómo se lleva a cabo la ciencia de datos

El proceso de analizar y utilizar los datos es iterativo más que lineal, pero este es el flujo normal del ciclo de vida de la ciencia de datos para un proyecto de modelado de datos:

• Planificación: Definir un proyecto y sus posibles resultados.
• Construir un modelo de datos: Los científicos de datos frecuentemente usan una variedad de bibliotecas de código abierto o herramientas en la base de datos para construir modelos de aprendizaje automático. A menudo, los usuarios necesitan API para que los ayuden con la ingestión de datos, la visualización y creación de perfiles de datos o la ingeniería de funciones. Necesitan las herramientas adecuadas, así como acceso a los datos correctos y otros recursos como la capacidad de proceso.
• Evaluar un modelo: Los científicos de datos deben lograr un alto porcentaje de exactitud en sus modelos antes de poder implementarlos con confianza. La evaluación del modelo habitualmente genera un conjunto completo de métricas de evaluación y visualizaciones para medir el rendimiento del modelo frente a los datos nuevos y también para clasificarlos a lo largo del tiempo a fin de permitir un comportamiento óptimo en la producción. La evaluación del modelo va más allá del rendimiento en bruto para tener en cuenta el comportamiento de referencia esperado.
• Explicar los modelos: Poder explicar la mecánica interna de los resultados de los modelos de aprendizaje automático en términos humanos no ha sido posible siempre, pero es cada vez más importante. Los científicos de datos desean recibir explicaciones automatizadas de la ponderación relativa y la importancia de los factores que intervienen en la generación de una predicción, junto con detalles explicativos específicos del modelo sobre las predicciones del modelo.
• Implementar un modelo: Tomar un modelo de aprendizaje automático entrenado e implementarlo en los sistemas correctos es frecuentemente un proceso difícil y laborioso. Esto se puede simplificar operacionalizando los modelos como API escalables y seguras, o usando modelos de aprendizaje automático dentro de la base de datos.
• Monitorear los modelos: Desafortunadamente, la implementación del modelo no es el paso final. Los modelos siempre deben monitorearse después de la implementación para garantizar que funcionen correctamente. Con el paso del tiempo, los datos con los que se entrenó el modelo pueden quedar obsoletos para las predicciones futuras. En la detección de fraudes, por ejemplo, los delincuentes siempre encuentran nuevas formas de piratear las cuentas.

Herramientas para la ciencia de datos

Crear, evaluar, implementar y monitorear modelos de aprendizaje automático puede ser un proceso complejo. Es por eso que la cantidad de herramientas de ciencia de datos ha aumentado. Los científicos de datos utilizan muchos tipos de herramientas, pero una de las más comunes son los cuadernos de código abierto, que son aplicaciones web para escribir y ejecutar código, visualizar datos y ver resultados, todo dentro de un mismo entorno.

Algunos de los cuadernos más populares son Jupyter, RStudio y Zepplin. Los cuadernos son muy útiles para realizar análisis, pero presentan ciertas limitaciones cuando los científicos de datos tienen que trabajar en equipo. Para resolver este problema, se crearon las plataformas de ciencia de datos.

Para determinar qué herramienta de ciencia de datos es adecuada para usted, es importante formular las siguientes preguntas: ¿Qué tipo de lenguajes utilizan sus científicos de datos? ¿Qué tipo de métodos de trabajo prefieren? ¿Qué tipo de fuentes de datos usan?

Por ejemplo, algunos usuarios prefieren tener un servicio independiente de la fuente de datos que utilice bibliotecas de código abierto. Otros prefieren la velocidad de los algoritmos de aprendizaje automático en la base de datos.

¿Quién supervisa el proceso de ciencia de datos?

En la mayoría de las organizaciones, los proyectos de ciencia de datos suelen estar supervisados por tres tipos de administradores:

• Directores comerciales: Estos directores trabajan con el equipo de ciencia de datos para definir el problema y desarrollar una estrategia para el análisis. Pueden ser los jefes de una línea de negocios como Marketing, Finanzas o Ventas y contar con un equipo de ciencia de datos directamente subordinado. Trabajan codo a codo con los directores de Ciencia de Datos y Tecnología Informática para garantizar que se concreten los proyectos.
• Directores de Tecnología Informática: Los directores sénior de Tecnología Informática son responsables de la infraestructura y de la arquitectura que asistirá las operaciones de ciencia de datos. Supervisan continuamente las operaciones y el uso de los recursos para garantizar que los equipos de ciencia de datos operen en forma eficiente y segura. También pueden ser responsables de la creación y actualización de los entornos de TI para los equipos de ciencia de datos.
• Directores de ciencia de datos: Estos gerentes supervisan el equipo de ciencia de datos y su trabajo diario. Son creadores de equipos que pueden equilibrar el desarrollo del equipo con la planificación y el monitoreo del proyecto.

Pero el participante más importante en este proceso es el científico de datos.

¿Qué es un científico de datos?

Como especialidad, la ciencia de datos aún es nueva. Surgió de los campos del análisis estadístico y de la minería de datos. La revista Data Science Journal debutó en 2002, publicada por Consejo Internacional para la Ciencia: Comité de Información para Ciencia y Tecnología. En el año 2008, ya había surgido el título de científico de datos y el campo despegó rápidamente. Desde entonces, ha habido una escasez de científicos de datos, a pesar de que cada vez más escuelas y universidades han comenzado a ofrecer títulos en ciencia de datos.

Las tareas de un científico de datos pueden incluir el desarrollo de estrategias para analizar datos; la preparación de datos para su análisis; explorar, analizar y visualizar datos; construir modelos con datos mediante lenguajes de programación como Python y R; e implementar modelos en aplicaciones.

El científico de datos no trabaja solo. De hecho, la ciencia de datos más efectiva se ejecuta en equipos. Además de un científico de datos, este equipo puede incluir un analista empresarial que define el problema, un ingeniero de datos que prepara los datos y su método de acceso, un arquitecto de tecnología informática que supervisa los procesos subyacentes y la infraestructura, y un desarrollador de aplicaciones que implementa los modelos o las salidas del análisis en aplicaciones y productos.

Desafíos de la implementación de la ciencia de datos

A pesar de la promesa de la ciencia de datos y las grandes inversiones en equipos de ciencia de datos, muchas empresas no materializan todo el valor de sus datos. En su carrera por contratar talento y crear programas de ciencia de datos, algunas empresas han experimentado flujos de trabajo ineficientes para los equipo, donde diferentes personas utilizan diferentes herramientas y procesos que no funcionan bien en conjunto. Sin una administración centralizada más disciplinada, es probable que los ejecutivos no obtengan un retorno completo de sus inversiones.

Este ambiente caótico presenta muchos desafíos.

Los científicos de datos no pueden trabajar de forma eficiente. Debido a que el acceso a los datos lo debe otorgar un administrador de Tecnología Informática, los científicos de datos a menudo tienen una larga espera por los datos y los recursos que necesitan para analizarlos. Una vez que tengan acceso, el equipo de ciencia de datos podría analizar los datos a través de diferentes herramientas posiblemente incompatibles. Por ejemplo, un científico podría desarrollar un modelo utilizando el lenguaje R, pero la aplicación en la que se usará está escrita en un lenguaje distinto. Es por eso que la implementación de los modelos en las aplicaciones útiles puede demorar semanas o incluso meses.

Los desarrolladores de aplicaciones no pueden acceder a un aprendizaje automático utilizable. A veces, los modelos de aprendizaje automático que reciben los desarrolladores no están listos para implementarse en las aplicaciones. Además, como los puntos de acceso pueden ser inflexibles, los modelos no se pueden implementar en todos los casos y la responsabilidad de la escalabilidad queda en manos del desarrollador de la aplicación.

Los administradores de Tecnología Informática dedican demasiado tiempo al soporte. Debido a la proliferación de herramientas de código abierto, el departamento de Tecnología Informática frecuentemente tiene que mantener una lista cada vez mayor de herramientas. Un científico de datos en marketing, por ejemplo, podría usar herramientas distintas a las que usa un científico de datos en finanzas. Los equipos también pueden tener distintos flujos de trabajo, lo que significa que el personal de Tecnología Informática debe reconstruir y actualizar los entornos continuamente.

Los directores empresariales se encuentran muy alejados de la ciencia de datos. Los flujos de trabajo de la ciencia de datos no siempre están integrados en los procesos y en los sistemas de toma de decisiones empresariales, lo que dificulta que los gerentes comerciales colaboren de manera inteligente con los científicos de datos. Si no cuentan con una integración mejor, a los directores empresariales les resulta muy difícil comprender por qué toma tanto tiempo pasar del prototipo a la producción, y es menos probable que apoyen la inversión en proyectos que perciben como demasiado lentos.

La plataforma de ciencia de datos ofrece nuevas capacidades

Muchas compañías se percataron de que si no cuentan con una plataforma integrada, el trabajo de la ciencia de datos es ineficiente, inseguro y difícil de escalar. Esto condujo al desarrollo de plataformas de ciencia de datos. Estas plataformas son centros de software, alrededor de los cuales se lleva a cabo todo el trabajo de ciencia de datos. Una buena plataforma alivia muchos de los desafíos de la implementación de la ciencia de datos y ayuda a las empresas a convertir sus datos en información de forma más rápida y eficiente.

Con una plataforma centralizada de aprendizaje automático, los científicos de datos pueden trabajar en un entorno de colaboración con sus herramientas de código abierto favoritas, y donde todo su trabajo es sincronizado mediante un sistema de control de versiones.

Las ventajas de una plataforma de ciencia de datos

Una plataforma de ciencia de datos disminuye las redundancias y fomenta la innovación al permitir que los equipos compartan código, resultados e informes. Elimina los cuellos de botella en el flujo de trabajo al simplificar la administración e incorporar prácticas recomendadas.

En general, las mejores plataformas de ciencia de datos tienen como objetivo:

• Permitir que los científicos de datos sean más productivos al ayudarlos a acelerar y entregar los modelos en forma más rápida y con menos errores.
• Facilitar que los científicos de datos trabajen con grandes volúmenes y variedades de datos.
• Brindar una inteligencia artificial confiable, de categoría empresarial, que esté libre de sesgos, sea auditable y reproducible.

Las plataformas de ciencia de datos están diseñadas para que colaboren diversos usuarios, como científicos de datos expertos, ciudadanos científicos de datos, ingenieros de datos e ingenieros o especialistas en aprendizaje automático. Por ejemplo, una plataforma de ciencia de datos podría permitir que los científicos de datos implementen los modelos en forma de API, lo que facilita su integración en diferentes aplicaciones. Los científicos de datos pueden acceder a herramientas, datos e infraestructura sin tener que esperar por la Tecnología Informática.

La demanda de plataformas de ciencia de datos ha explotado en el mercado. De hecho, se espera que el mercado de las plataformas crezca a una tasa anual compuesta de más del 39 % en los próximos años y se proyecta que alcance los $385 mil millones de dólares para el 2025.

Lo que un científico de datos necesita en una plataforma

Si está listo para explorar las capacidades de las plataformas de ciencia de datos, debe tener en cuenta ciertas capacidades clave:

• Elija una interfaz de usuario basada en proyectos que fomente la colaboración. La plataforma debe facultar a las personas para que trabajen en conjunto en un modelo, desde la concepción hasta el desarrollo final. Debe otorgar a cada miembro del equipo acceso de autoservicio a los datos y a los recursos.
• Priorice la integración y la flexibilidad. Asegúrese de que la plataforma sea compatible con las últimas herramientas de código abierto; proveedores comunes de control de versiones como GitHub, GitLab y Bitbucket; y una estrecha integración con otros recursos.
• Incluya funcionalidades de categoría empresarial. Asegúrese de que la plataforma pueda escalar con su negocio a medida que crece su equipo. La plataforma debe contar con un alto grado de disponibilidad, tener controles de acceso robustos y admitir una gran cantidad de usuarios concurrentes.
• Permita que la ciencia de datos se convierta en autoservicio. Busque una plataforma que reduzca la carga del departamento de Tecnología Informática e Ingeniería y permita que los científicos de datos creen de manera instantánea entornos, realicen un seguimiento de todo su trabajo e implementen fácilmente modelos en la producción.
• Garantice una implementación más sencilla de los modelos. La implementación y puesta en funcionamiento del modelo es uno de los pasos más importantes del ciclo de vida del aprendizaje automático, pero frecuentemente se ignora. Asegúrese de que el servicio que elija facilite la puesta en marcha de los modelos, ya sea proporcionando API o asegurando que los usuarios creen modelos de una manera que permita una integración fácil.

Cuándo una plataforma de ciencia de datos es el paso correcto

Su organización podría estar lista para una plataforma de ciencia de datos, si ha notado que:

• La productividad y la colaboración muestran signos de tensión.
• Los modelos de aprendizaje automático no se pueden auditar ni reproducir.
• Los modelos nunca llegan a la producción.

Una plataforma de ciencia de datos puede ofrecer un valor real para su empresa. La plataforma de ciencia de datos de Oracle incluye una amplia gama de servicios que brindan una experiencia integral de extremo a extremo, diseñada para acelerar la implementación de los modelos y mejorar los resultados de la ciencia de datos.