Si la ciencia no usara datos, dejaría de ser ciencia: su método es ordenar información con el fin de entender un fenómeno. Para tener una visión estratégica empresarial del rol de la ciencia de datos y la inteligencia artificial (IA), Christopher R. Stephens, profesor titular y director de Ciencia de Datos en el Centro de Ciencias de la Complejidad de la UNAM, considera clave la cantidad y el tipo de datos que se usan para estudiar un sistema, así como en dónde vive la información.
Esta será la temática que abordará Stephens en la conferencia “Ciencia de datos e IA: ¿Hype o cambio de paradigma?” durante el IT Masters Forum que se realizará del 7 al 10 de marzo próximo, en la Riviera Maya.
Stephens advierte que durante su charla será “abogado del diablo” para hablar de ciencia de datos y la relevancia que este concepto puede tener en una empresa. “Actualmente se habla mucho de inteligencia artificial y del concepto ciencia de datos. De hecho, Harvard Business Review consideró que el científico de datos será el trabajo más sexy del siglo XXI. En Google se reportan 68.8 millones de búsquedas del término ciencia de datos, 120 millones de hits en IA, 338 millones en Machine Learning y 112 millones de búsquedas con el concepto Business Intelligence. ¿Significa esto que es un paradigma de cambio o que es simplemente ruido en la red?”, se cuestiona el entrevistado.
Lo que sí tiene claro Stephens es que estamos “ante una revolución de los datos. Generamos tanta información que casi nos ahoga. Hoy la IA está en todas partes: en ciberseguridad, en drones, en procesos electorales, coches auto-dirigidos, casas inteligentes, algoritmos aplicados al comercio, entre otros”. Sin embargo, el científico se pregunta de qué sirve tener tanta información si no se puede convertir en valor.
El conferencista también es socio fundador de Adaptive Technologies Inc. y director en Presage Research, compañías dedicadas a la aplicación de inteligencia artificial en negocios e industria, con énfasis en salud.
Considera que la IA no es una receta mágica, porque no basta con hacer click para resolver los problemas. Tampoco se trata de contratar un científico de datos y listo, el tema es más complejo. Stephens explica que “es necesario saber definir qué parámetros buscar, incluir factores clave para tener la información adecuada y hacer equipos de trabajo donde sí haya una persona que sea eficiente en el aprendizaje de máquinas, pero también que haya un ingeniero en IT y un experto que conozca el negocio, la empresa y sus objetivos. Solo entonces habrá un equipo que pueda trabajar en ciencia de datos con una visión realista de lo requerido para convertir datos en valor”.
Cuando Big Data no es suficiente
Stephens afirma que hoy la clave está en Deep Data, con Big Data no es suficiente. El académico habla de un modelo que suma multiples factores para conocer en profundidad un segmento de la información, de esta forma reconocer con mayor detalle, por ejemplo, un target específico al que apuntar un anuncio publicitario. “Es mejor conocer mucho de poca gente, pero que ese grupo sea más representativo para la toma de decisiones”.
Está en la naturaleza de un científico buscar dar respuesta a inquietudes, pero también que su interlocutor se cuestione lo que hasta ese momento considera una verdad. Desde esa perspectiva, la conferencia en IT Masters Forum de Stephens —quien también tiene tres patentes en analítica predictiva y metodologías agent-based— podría generar polémica.
