SQream Platform
GPU Powered Data & Analytics Acceleration
Enterprise (Private Deployment) SQL on GPU for Large & Complex Queries
Public Cloud (GCP, AWS) GPU Powered Data Lakehouse
No Code Data Solution for Small & Medium Business
By SQream
(Esta es la primera parte de una serie de dos partes que describe cómo los resultados de IA podrían ser obstaculizados por las congestiones de las bases de datos de hoy en día).
Un informe reciente del The McKinsey Institute ha demostrado por qué se requiere planificación, paciencia y determinación para darse cuenta y manifestar realmente el valor de la IA y el Aprendizaje Automático en las organizaciones. Los autores del informe han entrevistado a ejecutivos de aproximadamente 800 compañías de las industrias de tecnología, medios y telecomunicaciones, mapeando la trayectoria de IA de estas organizaciones en el curso de los últimos años.
Cuando analizaron los resultados, notaron que solo el 10% de estas compañías, que fueron categorizadas como “líderes”, habían ganado valor significativo de sus inversiones en IA. Este valor no era estrictamente declarativo o perceptivo, sino tangible y cuantificable: cuando se compararon las compañías que impactan en los ingresos operativos que eran “líderes” (el 10% principal) registradas durante su trayectoria de IA, versus las compañías “rezagadas” (que eran el 60% inferior de los encuestados) los investigadores hallaron que los líderes sobrepasaban a los rezagados en un factor de 3.4X.
Luego profundizaron en los resultados y analizaron las trayectorias específicas por las que pasaron las compañías de cada ‘bando’ cuando integraban la IA en sus negocios. Los investigadores concluyeron que, para que una organización use realmente la IA, las organizaciones deben considerar la IA como un proceso a largo plazo. Esto requiere que comprendan primeramente qué es lo que puede aportar potencialmente la IA a la organización, pero también interiorizar la idea de que esta trayectoria probablemente incluirá una gran cantidad de fallas, frustraciones e inconvenientes. Sin embargo, estas no deben representar los resultados sino más bien los desafíos en el camino hacia la cima.
Las más importantes ideas que recolectaron de los análisis los investigadores de las compañías “líderes” fue que estas organizaciones habían invertido el tiempo necesario para llevar a cabo el largo proceso de entrenamiento de las herramientas de IA y ML usando los datos necesarios (que significa esencialmente la mayor cantidad de información posible, especialmente si se trata de algoritmos complejos y casos de uso), y luego trabajaron paso por paso, concentrándose en solo uno o dos aspectos de sus negocios, e intentando abordar múltiples casos de negocio al mismo tiempo.
Sin evitar esfuerzos, prefiriendo la paciencia y la precisión a la velocidad y los resultados vanidosos, enfocándose en dominios específicos y prestándoles toda su atención en lugar de realizar múltiples tareas, estas organizaciones no solo crearon procesos basados en IA que podían manejar casos de uso más sofisticados en esos dominios, sino que también crearon procesos basados en IA que fueron experimentados en esos dominios específicos, porque tenían acceso a los datos relevantes y tuvieron el tiempo necesario para enseñarse a sí mismos hasta llegar a ser expertos.
Las empresas de telecomunicaciones recogen los beneficios de la IA, pero ¿por cuánto tiempo? Siendo nosotros una organización que trabaja con proveedores de servicios de telecomunicaciones, estábamos interesados en conocer cómo les había ido en esta investigación. Los resultados fueron interesantes: las mayores ganancias en ingresos operativos de las “líderes” en el bando de las telecomunicaciones – es decir, más del 3% – fueron del uso de IA en atención al cliente (67% de los encuestados en ese grupo), ventas B2B (50%), y pronósticos o planificación de demanda (50%). No deja de ser interesante que la prevención de abandono y el impacto de venta cruzada/venta ascendente por estas compañías añadió del 1 al 3%, constituyendo no obstante, una mejora.
Siendo una persona integrada en el mundo de las analíticas y las bases de datos, intenté asociar estos resultados a lo que veo hoy en día: el cuello de botella de las analíticas del proveedor de servicios de telecomunicaciones. Este fenómeno se está incrementando en gravedad, y es el resultado de la cantidad creciente de datos que las compañías de telecomunicaciones crean y almacenan de sus usuarios, redes, dispositivos, etc., y los limitados recursos que tienen con los cuales escalar y analizar rápidamente esa información.
Los sistemas legados o aún los más modernos, que fueron construidos para manejar bases de datos más reducidas, menos complicadas, y actualizadas menos frecuentemente, carecen de las tareas que deben realizar las necesidades de los negocios actuales.
Entonces ¿qué significa esto para las compañías de telecomunicaciones? ¿Hay una manera de entrenar en IA para obtener beneficios a largo plazo, en lugar de los de corto plazo?. Consulte la parte 2 de este blog, donde examinaremos estas cuestiones, y otras.