La analítica de datos evoluciona rápidamente impulsada por los continuos avances en tecnología, ingeniería y por los marcos normativos. El papel central que han cobrado los datos en la economía, la explosión de la inteligencia artificial y la apuesta por la nube pública han consolidado aún más el sector. 

En este contexto, SDG Group ha presentado por quinto año consecutivo su informe sobre las tendencias del sector centrándose en la innovación y el desarrollo en el ámbito de los datos y la analítica avanzada. «Como profesionales que viven en primera persona las transformaciones del llamado Data y Analytics, desde SDG Group analizamos aquellas tendencias que más han despertado nuestra curiosidad y que creemos se posicionarán a lo largo del año. Nuestro anhelo es que el informe genere una conversación enriquecedora entre los perfiles más diversos. Ojalá se convierta en una fuente de inspiración para que ingenieros, matemáticos, físicos, lingüistas y también filósofos sigamos innovando en este sector», Miguel Romero, Partner & Head of Technology & Innovation de SDG Group.

A continuación, SDG Group da a conocer las tendencias de Data y Analytics para el 2023:

1. Business-Composed Data & Analytics. En los últimos años, se experimenta una transición del Data y Analytics tradicional centrado en TI a otro enfocado en el dominio o en el negocio. Data Mesh y Data Products son solo algunas de las disciplinas que están empujando el cambio masivo hacia este nuevo paradigma de Data y Analytics. Estas tendencias innovadoras continuarán acelerando la toma de decisiones basadas en datos y reducirán las barreras a la hora de obtener resultados tangibles o incluso «dividendos de datos».

2. Foundation Models for AI. Los Modelos Fundacionales reducen los requerimientos de etiquetado de datos durante el entrenamiento de algoritmos de IA, lo que redunda en una nueva forma de aprendizaje por transferencia. BERT y la familia GPT-3 son ejemplo de ello y ya están demostrando su enorme potencial para acelerar el TTTI (Total Time to Insights) y para reducir los costes y los esfuerzos generales asociados a la construcción de un producto o iniciativa de IA.

3. Prompt Engineering. Es una disciplina muy reciente cuyo objetivo es diseñar la instrucción óptima para conseguir un objetivo coherente al interactuar con una IA generativa. La disciplina de Prompt Engineering desempeñará un papel aún más importante en el diseño de los servicios de IA y la creación de un espacio de comunicación entre los seres humanos y las apps de datos. Esta técnica y metodología de aprendizaje se convertirá en un estándar de interacción con diferentes categorías de Sistemas de Inteligencia Artificial. Prompt Engineering ya está creando nuevos perfiles profesionales: expertos de TI centrados en el diseño de conversaciones efectivas entre usuarios y las aplicaciones tecnológicas.

4. Pattern Design in Data Science. «Actualmente nos encontramos ante la necesidad de un cambio de paradigma en el modo de desarrollar sistemas de Machine Learning e IA. Desde una aproximación centrada en Ingeniería de Software, apostamos por una Ciencia de Datos basadas en Pattern Design que resuelva problemas concretos y habituales de la analítica avanzada, que pueda servir de acelerador para la consecución de valor y que habilite su escalabilidad. La ventaja que ofrece es la de contribuir a mejorar tanto el Time To Market de los sistemas de ML e IA como a reducir el coste total de propiedad (TCO), generando así soluciones más eficientes, mantenibles y escalables».

5. Data Constructs. Un Data Construct es la conceptualización de las diferentes formas de organizar y estructurar los datos, implementado sobre los principios de estandarización y automatización. Los Data Constructs pueden autogenerar estructuras de datos según los nuevos requerimientos, mejorando así el retorno de la estrategia de datos. El aumento de la eficiencia, la mejora de la precisión, la reducción de la mano de obra y los recursos de ingeniería de datos son solo algunas de sus ventajas. 

6. Data Inerrancy. Las empresas deben aspirar a la infalibilidad de sus plataformas de datos. Para ello, las dos disciplinas Data Observability y Modern Data Quality -que permiten detectar patrones y anomalías, así como velar por la exactitud, integridad y consistencia de los datos- deben estar integradas para obtener la deseada Data Inerrancy. A través de la combinación de las técnicas mencionadas aumentamos la capacidad de vigilar los cambios y de abarcar escenarios en los que se detecten, comprendan y resuelvan los problemas de los datos y sus causas subyacentes con el objetivo último de llegar a un escenario de «error cero» en los datos.

7. Data OS Live. Hay tres grandes evoluciones relevantes en las plataformas de datos modernas. La primera evolución es la creación de sistemas operativos para datos capaces de albergar cualquier tipo de procesos de Datos y Análisis y cualquier tipo de requisitos de almacenamiento de datos. La segunda está relacionada con el concepto data freedom que engloba la capacidad de estar abierto y preparado para ambientes multicloud, además de permitir el libre movimiento de Data Constructs entre ecosistemas de nubes. La tercera evolución tiene que ver con la capacidad de procesamiento continuo y de datos en modo «always-on» y «true real-time«. Para hacer realidad estos tres escenarios, es fundamental seguir una estrategia que implique una minuciosa elección de los componentes sin sacrificar el Total Time to Insights.

8. Admissible AI. Los avances en IA impulsan la actualización y la creación de normativas (es el caso de Ley de IA Europea). Según las directrices, los sistemas de IA tendrán que ser legales (cumpliendo todas las leyes y normativas aplicables), éticos (garantizando la adhesión a principios y valores éticos) y sólidos tanto desde una perspectiva técnica como social. Debido a que los sistemas de IA forman parte integral de muchas arquitecturas de datos y análisis, proponemos una extensión de los marcos de gobernanza de los datos existentes. Esta ampliación abarcará los sistemas de IA y la necesidad de una IA admisible, con especial atención a la transparencia, la observabilidad y la explicabilidad.

9. Analytics Re-Evolution. «Identificamos tres movimientos reseñables en el mundo de la analítica avanzada. En primer lugar, el de Augmented Analytics, una importante tendencia de mercado que fusiona la analítica descriptiva con las capacidades predictivas y prescriptivas de la misma. En segundo lugar, Headless BI, la arquitectura analítica que desvincula el backend de datos de la capa de presentación, lo que permite a cualquier tecnología de BI y analítica consumir métricas empresariales a través, por ejemplo, de API abiertas. Por último, el aumento en el consumo de datos empresariales y la adopción generalizada de la analítica habilitada por un conjunto de tecnologías y disciplinas que se están extendiendo rápidamente en el mercado como las micro apps».

Fuente:NotasdePrensa.es