IA generativa y ML tradicional: una receta para el éxito analítico

En la última entrega del podcast Augmented Ops, hablamos con la Dra. Lisa Graham, consejera delegada de Seeq Corporation, que desarrolla herramientas de software para el análisis de procesos industriales. En el episodio, titulado"Gen AI, Democratization, and the Future of Industrial Analytics", la Dra. Graham recurre a su amplia experiencia y comparte sus puntos de vista sobre el futuro de los datos y la analítica. Comenzó su carrera como ingeniera de procesos y usuaria final de Seeq y otras herramientas de BI antes de incorporarse a la empresa y ascender al puesto de consejera delegada, y nos ofrece una visión matizada del papel de los datos en la mejora de los procesos, la importancia que sigue teniendo el aprendizaje automático tradicional y el valor que la IA generativa promete aportar al ámbito de la analítica.

Sus reflexiones revelan los retos a los que se enfrentan las empresas industriales, en particular la necesidad de convertir las ingentes cantidades de datos en bruto que recopilan a diario en información procesable que permita a los ingenieros mejorar continuamente sus procesos.

El Dr. Graham subrayó la importancia de los datos para impulsar las operaciones de primera línea, haciendo hincapié en su papel clave para impulsar la eficiencia operativa y la mejora de los procesos. "Es importante que reconozcamos que los datos y el análisis son una parte fundamental de las operaciones", afirma, "es decir, desde las operaciones hasta los procesos, los equipos y la supervisión. Eso es lo que permite la inteligencia clave para impulsar lo que todo el mundo está hablando". Como ella explica, es crucial extraer de los datos perspectivas procesables para poder mejorar eficazmente la calidad del producto, reducir el consumo de energía y garantizar la rentabilidad.

A pesar de la abundancia de datos en las industrias, la Dra. Graham señaló un reto común: convertir esta riqueza de datos en bruto en perspectivas útiles y procesables. Identificó un escenario al que se refirió como "DRIP" - un escollo común de muchas empresas que se refiere a ser Datos-Ricos, pero Información-Pobre. Esta situación, en la que las empresas poseen una gran cantidad de datos pero carecen de la capacidad para utilizarlos eficazmente, es un obstáculo importante para el avance operativo.

La Dra. Graham comparte varios ejemplos de cómo los fabricantes han transformado sus operaciones aprovechando sus datos. En un caso, describe una empresa con miles de activos, pero que sólo tenía visibilidad de unos cientos de ellos. Esto significaba que podían optimizar ese puñado relativamente pequeño de activos, pero no disponían de los conocimientos necesarios para optimizar el resto. Al aprovechar una potente herramienta como Seeq para agregar sus fuentes de datos y realizar análisis, pudieron pasar a una supervisión basada en excepciones en todos sus activos, lo que les permitió tener una mayor perspectiva y realizar importantes optimizaciones en sus procesos.

Una de las herramientas más importantes para convertir las enormes cantidades de datos que se están recopilando en perspectivas valiosas ha sido el aprendizaje automático (AM). El Dr. Graham señala que "el aprendizaje automático tradicional [sigue] demostrando un valor empresarial asombroso, incluso en series temporales y análisis".

En lo que respecta al tan cacareado tema de la IA generativa, postula que la llegada de la IA generativa no consiste en sustituir al ML tradicional, sino en complementarlo. La IA generativa tiene el potencial de permitir herramientas analíticas significativamente más intuitivas y fáciles de usar que pueden democratizar aún más el acceso a los datos a través de diversos roles organizativos. Al tomar entradas de lenguaje natural y generar las consultas SQL y visualizaciones necesarias, por ejemplo, esta tecnología emergente promete abrir el campo de la analítica avanzada a personas que no son ingenieros o científicos de datos formados. Esto representa un enorme paso adelante en la democratización de lo que antes era una habilidad altamente especializada en manos de unos pocos.

El Dr. Graham prevé un futuro en el que la analítica avanzada se convierta en una parte integral del conjunto de herramientas de cada trabajador, independientemente de su formación técnica. A medida que las industrias sigan generando una montaña de datos cada vez mayor, el papel de la analítica en el impulso de la excelencia operativa se hará más pronunciado, y las empresas que prosperen serán las que sean capaces de aprovecharlo con mayor eficacia. Ella cree que "en los próximos años, especialmente en los próximos 24 meses, el papel de la analítica va a seguir siendo aún más crítico para la misión. Así que mientras pensamos en el aprendizaje automático o en la IA generativa o en todo lo demás que pueda estar por venir, todo vuelve al papel de la analítica a medida que las decisiones basadas en datos siguen impulsando las ganancias en productividad y sostenibilidad."

Aunque se muestra optimista respecto a esta tecnología, la Dra. Graham también destaca que las capacidades de la IA generativa tienen una serie de limitaciones importantes que deben tenerse en cuenta antes de que las empresas la implanten en sus procesos. "Las organizaciones deben reconocer sus limitaciones y riesgos asociados, incluidos los retos que plantean los datos, la falta de transparencia y las preocupaciones sobre la privacidad de los datos", explica. No son preocupaciones insignificantes, especialmente en una era en la que los datos no sólo abundan, sino que también pueden ser sensibles y estar sujetos a estrictas normas reguladoras.

La Dra. Graham subraya además que "los resultados de la IA generativa necesitan ser validados", explicando que los resultados de la IA generativa sólo son tan buenos como los datos y modelos subyacentes en los que se basan. Y aunque cree que reducirá significativamente la barrera de entrada en lo que se refiere a la analítica, subraya que "a pesar del discurso popular, la IA generativa requiere supervisión humana para funcionar con eficacia; no sustituye la necesidad de expertos en la materia, sino que complementa su experiencia."

"Gen AI no es magia", afirma, y argumenta que el valor real de la tecnología procede de su integración en una caja de herramientas más amplia para resolver problemas operativos. A medida que estas herramientas sigan abriéndose camino en cada vez más productos, los fabricantes tendrán que considerar cuidadosamente cómo integran esta tecnología en sus procesos.