Las personas, y Python, en el centro de la inteligencia artificial

Mientras que el 94% de los ejecutivos esperan aumentar sus inversiones en datos en 2023, solo el 24% de las organizaciones se caracterizan como data driven, según una encuesta de NewVantage Partners. La pregunta es, ¿a dónde va toda esa inversión si no es para cambiar la forma en que operan las empresas? ¿Qué impide que estos directivos impongan esta visión de un futuro basado en datos?

El problema siempre son las personas. De estos mismos ejecutivos, el 79% cita los problemas culturales como el mayor impedimento para adoptar este futuro. Resulta fácil decir “basado en datos”, pero cuesta mucho aterrizar el concepto a la realidad porque las personas se dedican a un negocio, y no a los datos. La clave, entonces, es garantizar que los datos habiliten y aumenten el número de personas, en lugar de reemplazarlas.

Hace más de una década, la analista de Gartner Svetlana Sicular postuló dos verdades fundamentales sobre los datos que con demasiada frecuencia olvidamos. “Las organizaciones ya tienen personas que conocen sus propios datos mejor que los científicos de datos” y “aprender Hadoop es más fácil que aprender el negocio de la empresa”. Una forma de impulsar el uso inteligente de los datos es bajando el listón de la alfabetización en programación. La herramienta más valiosa es la comprensión de un empleado del negocio de la compañía, porque de esta manera los más expertos pueden hacer preguntas más inteligentes a partir de los datos.

Con ese fin, el enfoque de cada empresa debe ser hacer que las herramientas de datos sean más accesibles para un mayor segmento de trabajadores. Se deben alentar los esfuerzos para hacer de Microsoft Excel un componente clave del análisis de datos, incluidos los intentos recientes de usarlo para iniciativas de transformación. Hay muchas más personas competentes con Excel que, por ejemplo, los modelos TensorFlow o Hugging Face.

Lo mismo sucede con Python. Aunque R y otros lenguajes más especializados siguen siendo valiosos, Python es el mayor impulsor de productividad de la inteligencia artificial (IA) para un creciente ejército de aspirantes a ingenieros de datos. Siguiendo la proyección de Nick Elprin de que la ciencia de datos se convertiría en una capacidad de toda la empresa con implicaciones de gran alcance, entonces el “lenguaje con más posibilidades de dominar es el que es más accesible para la población más amplia dentro de la empresa”.

A saber, Python. Y SQL, por supuesto. Es revelador que un reciente análisis de IEEE Spectrum sobre la popularidad del lenguaje de programación cercioró que Python y SQL son los más demandados en este momento. Python está en la cima con una ventaja que sigue ampliándose. Para los empleadores que buscan contratar, SQL encabeza la lista (con Python en segundo lugar). Los dos juntos son una combinación sólida dado que ambos aprovechan las habilidades que muchos empleados ya tienen en lugar de obligar a las personas (y sus empleadores) a aprender nuevas formas de lidiar con los datos.

La IA generativa es otra forma en que veremos más empleados capacitados para trabajar con datos. He intentado usar herramientas GenAI como ChatGPT para automatizar parte del trabajo que mi equipo hace al responder preguntas en nuestros foros públicos, pero el resultado aún no es lo suficientemente bueno, lo que requiere más trabajo para corregir las respuestas de ChatGPT que simplemente escribir una mejor respuesta para empezar. El punto, sin embargo, no es la tecnología. Es la gente que lo usa. Aquí es donde la mayoría de las empresas continúan haciendo las cosas mal.

Poder para el pueblo

Como señala el informe de NewVantage, cada año "una gran mayoría de los encuestados informan que los principales desafíos para convertirse en una organización basada en datos son humanos (cultura, personas, procesos u organización) en lugar de tecnológicos", pero cada año la encuesta descubre poco progreso hacia la superación de estos problemas humanos. "Gran parte del enfoque de los ejecutivos de datos está en cuestiones no humanas" como "modernización de datos, productos de datos, IA y ML, calidad de datos y varias arquitecturas de datos".

En otras palabras, parece que nos damos cuenta de que tenemos un problema con la gente, pero seguimos tratando de solucionarlo con tecnología. He mencionado algunas tecnologías que permiten a los desarrolladores y otros trabajar con datos utilizando herramientas familiares en lugar de imponer nuevas tecnologías que los obligan a cambiar la forma en que trabajan y piensan para ajustarse a las restricciones de la herramienta, lo cual es una estrategia perdedora.

El activo principal de una empresa son las personas que interpretan los datos, no los datos en sí. Estas personas ya trabajan para ti; La clave es descubrir cómo aprovechar las herramientas de datos que ya conocen o que pueden aprender fácilmente.