El volumen de datos que están generando los dispositivos del Internet de las Cosas se multiplica a gran velocidad. Sistemas conectados de inteligencia artificial (IA) y de aprendizaje automático (machine learning) extraen la información generada y analizan su contenido. Ante la avalancha de datos que recogen, cabe preguntarse qué es prioritario para el análisis que realizan: ¿la cantidad o la calidad del dato?
El análisis correcto de los datos puede aumentar la competitividad
Los datos recolectados por cualquier sistema de sensores pueden incluir señales distorsionadas y llevar a un análisis erróneo de la información, o ver un efecto que no es real. Las consecuencias de dichas distorsiones pueden llevar a decisiones equivocadas. Por eso, hoy en día los expertos en datos son muy requeridos, por su habilidad para formular los algoritmos adecuados y por su visión para juzgar tanto la información que la IA utiliza para el análisis, así como los resultados obtenidos.
Machine learning: ¿Cómo aprenden las máquinas?
Las máquinas pueden aprender por sí solas: para ello, será necesario entrenarlas con un conjunto de datos. Estos datos deben ser de muy alta calidad para no perjudicar el resultado de los algoritmos que analizan la información. El aprendizaje es óptimo cuando las máquinas lo hacen por sí mismas, ya que la intervención humana puede sesgar el proceso. Será necesario que los expertos documenten detalladamente el conjunto de datos utilizados y el sistema de entrenamiento, para localizar fallos si posteriormente surgieran problemas.
¿Más datos = Mejores resultados?
Aunque los análisis de IA se vuelven relevantes para muchos sectores económicos, no hay que olvidar que su trascendencia dependerá en gran medida de la calidad de los datos y de la pericia y buen criterio de los especialistas. Como decíamos, la IA por sí misma no es capaz de solventar la falta de un buen conjunto de datos. Y serán los especialistas quienes determinen cómo examinar los datos y qué tipo de análisis realizar.
Dado que en los últimos años tanto el precio del almacenamiento de datos como el de la capacidad de procesamiento han bajado considerablemente, resulta sencillo acumular más información. Puede ser entonces complejo reconocer cuando se alcanza el límite para alimentar los sistemas de IA y aprendizaje automático. Sin embargo, llega un punto donde no podrán sacar más partido de los datos. Será el momento de revisar los costes de almacenamiento y procesamiento, y evaluar si tiene sentido o no continuar expandiendo dichas capacidades.
El análisis de datos es un motor que impulsa hoy la tecnología. Es imprescindible dedicar tiempo para establecer los datos que se destinarán al aprendizaje automático, y priorizar su calidad antes que su cantidad. Las mejoras que se puedan lograr resultarán en un salto cualitativo en los sistemas de IA.
