Cuando planifique su estrategia de big data para el próximo año, tenga en cuenta estos siete objetivos.

1. Gestione mejor los datos

Los macrodatos continúan ingresando a las redes corporativas a un ritmo vertiginoso, y la cantidad de datos deficientes que las empresas obtienen o utilizan le cuesta a la economía estadounidense un estimado de $ 3,1 billones anuales. Es necesario realizar más esfuerzos para filtrar los datos a medida que ingresan y para limpiar y preparar adecuadamente los datos antes de agregarlos a los repositorios de datos corporativos.

En IBM Research Switzerland, la inteligencia artificial (IA) y el aprendizaje automático ayudaron a los investigadores a examinar montones de artículos científicos y revistas en la búsqueda de información relevante relacionada con el diseño de un fármaco molecular . Los investigadores reconocieron que gran parte de la información mundial que estaría revisando la IA no tendría relevancia para el problema que estaban tratando de abordar. La empresa tomó la decisión de eliminar por adelantado la importación de datos de fuentes no relevantes. Esto ahorró horas de tiempo de inteligencia artificial, brindó a los investigadores un conjunto de datos altamente relevante y eliminó el desperdicio de almacenamiento de datos.

Una vez que los datos pasan los criterios de entrada, también deben limpiarse y prepararse adecuadamente antes de cargarlos en un repositorio de datos. Esto significa verificar si hay datos incompletos, duplicados e inexactos, y también normalizar los datos para que se puedan combinar con otros datos de origen para el análisis.

2. Acelerar y supervisar el proceso

A estas alturas, la mayoría de las organizaciones están bien encaminadas con un enfoque de desarrollo iterativo de estilo DevOps para big data y análisis . Ahora es el momento de formalizar el proceso para que los usuarios y la TI / ciencia de datos sepan cuándo un modelo de análisis de big data está lo suficientemente maduro como para ser colocado y mantenido en producción.

El punto de referencia para la preparación corporativa es que los resultados del análisis de big data deben alcanzar un umbral de precisión del 95% y deben ofrecer este nivel de rendimiento de manera constante. Dado que las condiciones comerciales y externas cambian con el tiempo, es posible que una aplicación de big data en producción comience a caer por debajo del 95% de precisión.

La TI y la ciencia de datos deben establecer una política de mantenimiento que vuelva a medir la precisión de las aplicaciones cada año para garantizar que las aplicaciones sigan brindando resultados precisos.

3. Formalice una arquitectura híbrida para big data y análisis

La TI, la ciencia de datos y los usuarios finales han presupuestado y desarrollado de forma independiente aplicaciones de análisis y big data. Algunos de estos sistemas se ejecutan en las instalaciones, mientras que otros se ejecutan en plataformas en la nube pública y privada.

A medida que crece la necesidad de recopilar más datos de fuentes dispares, se debe formalizar una arquitectura de nube híbrida general que incluya plataformas en la nube y locales, y la seguridad y la gobernanza empresarial deben aplicarse de manera uniforme en todas partes. Pocas organizaciones han formalizado esta arquitectura híbrida para big data. 2021 es el año para hacerlo.

4. Construya puentes entre TI, ciencia de datos y usuarios

A medida que más proveedores simplifican las soluciones de IA, ha habido un crecimiento en la IA ciudadana, donde las unidades de negocios desarrollan sus propias aplicaciones de IA y big data. Más tarde, cuando los usuarios quieran entrenar estas aplicaciones e integrarlas con otros datos y plataformas de la empresa, necesitan que los departamentos de ciencia de datos y TI los ayuden.

Si los profesionales de TI y ciencia de datos colaboran activamente con los usuarios comerciales al principio de sus procesos de aplicación, muchas de estas dificultades de integración de seguimiento se pueden evitar. El desarrollo de relaciones productivas con las unidades de negocio en toda la empresa debe ser un objetivo importante de big data y análisis para TI.

5. Mejorar la seguridad, especialmente para IoT

Muchos dispositivos de Internet de las cosas (IoT) tienen sistemas operativos patentados y ajustes preestablecidos de seguridad que no cumplen con los estándares de seguridad y gobierno de la empresa.

Dado que los intentos de intrusión de seguridad ocurren a diario, revisar estos dispositivos, trabajar con los proveedores y garantizar que se puedan realizar configuraciones que se ajusten a los estándares corporativos de seguridad y gobierno, son aspectos primordiales.

6. Revisar el panel e informar los resultados.

Los paneles de control y los informes desplegables que producen sus análisis pueden funcionar sin problemas desde un punto de vista técnico, pero ¿siguen siendo relevantes? El departamento de TI debe visitar a los usuarios finales anualmente para revisar el uso de informes y determinar si los paneles e informes deben revisarse o incluso reemplazarse.

7. Mejorar las comunicaciones con la dirección.

Aunque la administración es muy consciente de la importancia del big data, la inteligencia artificial y el IoT, no está de más informarles periódicamente sobre proyectos y nuevos desarrollos. Esto mantiene a la gerencia al tanto y ayuda a asegurar un apoyo continuo.

Las comunicaciones regulares del proyecto a la gerencia en un lenguaje sencillo deben ser un objetivo en negrita en cada plan de TI en 2021.

 

Originalmente publicado en: https://www.techrepublic.com/article/7-big-data-goals-for-2021-ai-devops-hybrid-cloud-and-more/#ftag=RSS56d97e7

Compartir: