Con capacidades inteligencia artificial Dado que la IA evoluciona a una velocidad tan increíble, uno de los desafíos más apremiantes que enfrentan los ingenieros y los equipos de datos es cómo lidiar con la gran cantidad de fuentes de datos heterogéneas y no estructuradas.
A diferencia de los datos estructurados, que pueden encajar perfectamente en tablas y… Bases de datosdesorganizado Datos Consta de una amplia gama de formatos, incluidos vídeo, texto e imágenes. Todos estos formatos tienen sus propias complejidades y la variación entre estas fuentes de datos puede agregar otros niveles de complejidad.
Teniendo esto en cuenta, ¿pueden los equipos encontrar una manera de mejorar su recopilación y análisis de datos para maximizar el impacto de la IA en su negocio? Si observamos la tendencia de la actividad, los sistemas basados en agentes y la comunicación entre agentes parecen ser la idea de oro que llevará el movimiento de la IA al siguiente nivel.
Socio senior y líder global de IA y datos en Kearney.
Desafíos históricos de los datos no estructurados
Históricamente, los datos no estructurados, como el audio y el vídeo, redes sociales Las interacciones han sido un gran desafío para las empresas que intentan interpretarlas y transformarlas en formatos adecuadamente estructurados para el análisis y la IA. AplicacionesPara muchas organizaciones, la enorme complejidad y el costo de procesar estos datos no estructurados significa que hasta hace poco han permanecido en gran medida infrautilizados.
Como resultado, aunque los datos no estructurados constituyen la mayoría de los datos disponibles y tienen un importante potencial no aprovechado, las organizaciones han recurrido a los datos estructurados, como los archivos de Excel y la optimización de motores de búsqueda (Optimización de motores de búsqueda) Etiquetas.
Sin embargo, en los últimos años, la tecnología ha evolucionado en su uso. inteligencia artificialLa tecnología, junto con la IA generativa, ha cambiado la forma en que se pueden interpretar y extraer los datos no estructurados.
Por ejemplo, las principales empresas de la nube, incluidas microsoft y GoogleMicrosoft ha ampliado sus servicios en la nube para respaldar la creación de “lagos de datos” a partir de datos no estructurados. microsoftAzure AI ahora utiliza una combinación de análisis de texto, OCR, reconocimiento de voz y visión artificial para interpretar un conjunto de datos no estructurados que puede incluir texto o imágenes. Gracias a este avance, las empresas ahora pueden acceder a este recurso de datos más rico y finalmente desbloquear su valor.
¿Cuáles son los problemas actuales con los datos no estructurados?
Las organizaciones ahora pueden acceder a una gran cantidad de información valiosa que antes era inaccesible.
Pero esto no está exento de desafíos. Por ejemplo, navegar por los diferentes niveles de calidad, alcance y detalle del contenido en estos datos no estructurados puede ser un obstáculo importante. Con datos no estructurados, tiende a haber mucho más ruido irrelevante. Si hay demasiado de esto, puede resultar difícil incluso para la IA determinar con precisión las respuestas mientras examina la información.
Además, la falta de organización a la hora de crear datos no estructurados puede afectar su utilidad. Si bien estos conjuntos de datos más grandes generalmente brindan niveles más altos de coherencia, aún puede ser difícil adaptarlos para su uso por parte de la IA y, por lo tanto, que las organizaciones los aprovechen de manera más efectiva.
La capacidad de aprovechar eficazmente los datos no estructurados normalmente requiere integrarlos en el marco de datos existente de una organización. Una comprensión integral de las propiedades, conexiones y usos potenciales de los datos es esencial para lograr esta integración. El gran desafío para muchos de estos proyectos no estructurados es simplemente definir un objetivo claro, de modo que estos modelos puedan entrenarse con precisión.
Muchas organizaciones todavía tienen dificultades para aprovechar los activos de datos existentes para generar valor comercial.
Entonces, aunque el problema anterior de desbloquear y obtener datos se ha resuelto en gran medida, la capacidad de formular hipótesis sobre su valor y sus posibles aplicaciones sigue siendo un obstáculo importante.
¿Qué se espera en la próxima fase del movimiento GenAI?
En el futuro, deberíamos esperar una menor intervención humana en la adquisición e interpretación de datos. En cambio, es probable que veamos un aumento en los sistemas basados en agentes, combinados con comunicaciones entre agentes, lo que reducirá la necesidad de intervención humana en el manejo de datos. El auge de la IA generativa ha allanado el camino para agentes especializados, entre ellos:
- “Agentes de ingeniería” para la generación de código
- “Agentes generadores de datos” para generar datos sintéticos para pruebas.
- “Agentes de prueba de código” para validar y probar el código
- “Agentes de autenticación” para generar Documentación Para diversos aspectos como código, casos de uso y procesos.
No hay duda de que un sistema en el que agentes especializados de IA interactúen entre sí podría acelerar el proceso de desarrollo y hacerlo más preciso y consistente.
Las organizaciones ahora pueden dedicar mayores recursos a aprovechar los datos en lugar de prepararlos. Es muy probable que en un futuro próximo veamos que los proveedores de servicios ofrezcan agentes de IA como un producto. Estos proveedores de servicios pueden tomar los requisitos de una empresa y luego producir un código completamente probado y que cumpla con las especificaciones de los agentes de IA.
Al subcontratar estas tareas técnicas, las empresas reducirán significativamente el tiempo necesario para completar este tipo de tareas, además de reducir la necesidad de grandes equipos de desarrollo internos. Parece que ahora es el momento de que las empresas piensen en los roles específicos que la IA generativa puede desempeñar para maximizar el valor de sus programas de datos y, en última instancia, obtener resultados mucho mayores de sus inversiones en estas áreas en reciente expansión.
Se sabe desde hace algún tiempo que la IA generativa tiene el potencial de revolucionar la forma en que operan las organizaciones. Sin embargo, implementarlo de manera efectiva en las organizaciones aún requerirá lidiar con sus debilidades antes de alcanzar su máximo potencial.
Las organizaciones aún no han adoptado plenamente la recopilación e integración de datos mediante la IA. Las organizaciones que se adaptan a este proceso pueden maximizar el valor de su inversión y mejorar sus circunstancias.
Hemos presentado el mejor chatbot de IA para empresas.
Este artículo se produjo como parte del canal Expert Insights de TechRadarPro, donde destacamos las mejores y más brillantes mentes de la industria tecnológica actual. Las opiniones expresadas aquí son las del autor y no reflejan necesariamente los puntos de vista de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí: https://www.techradar.com/news/submit-your-story-to-techradar-pro