Segons el World Economic Fòrum les 10 capacitats professionals més importants per a 2025 s'agrupen en quatre tipologies: Resolució de problemes (cinc capacitats), tecnologia (dues), self-management (dos) i treballar amb uns altres (una) tres entre les 10 capacitats essencials per a treballar en 2025, per tant, sembla que la resolució de problemes serà (és) essencial en els treballs i no únicament per a experts o tècnics com a Científics de dades o especialistes en intel·ligència artificial.
El procés de resolució de problema podem resumir-lo de forma molt senzilla a entendre el problema (obtenir informació), assegurar-se que es tenen totes les dades, analitzar-los i prendre una decisió o iniciar el procés de resolució. Aquest procés és anàleg a l'usat en els projectes de Big Data i IA en les empreses, on el procés habitual projectes de dades perquè convertir dades en valor podem dividir-ho en quatre fases: captació, enriquiment, processament i activació.
- La Captació de dades consisteix a registrar i emmagatzemar totes les dades possibles, de sensors, pàgines web, trucades telefòniques…, qualsevol de les fonts d'informació on l'empresa sigui present. Encara que aquesta sembla una fase eminentment tecnològica, des de màrqueting cal preguntar-se quines dades podrien captar-se i per a què servirien.
- L'Enriquiment, consisteix a creuar dades de diferents fonts permetent tenir una visió global. Són necessàries dades de qualitat i criteris per a poder unir dades. Aquesta fase torna a ser tecnològica i de procés, es necessita un correcte govern de la dada.
- La fase de Processament correspon a l'anàlisi o la creació d'un model. Per a aquesta fase es necessiten també recursos tecnològics i talent, en forma de científic de dades, per exemple.
- La fase d'Activació correspon a donar valor a les dades bé prenent una decisió o llançat un procés automàtic.
Podem entendre Big Data com la disciplina que conjumina tecnologies per a les fases de captació i enriquiment, són disciplines molt tècniques que solucionen els passos de recollida d'informació, emmagatzematge i primer processat d'aquesta. Aquí apareixen els rols com a Enginyer de dades o Arquitecte de dades entre altres, perfils relacionats amb la tecnologia.
Centrant-nos en fases de processament i activació, on busquem extreure coneixement i conclusions de les dades, trobem algunes aplicacions de la intel·ligència artificial. De manera simplificada la IA a través del machine learning ens permet fer 6 accions: predir un número (Quant vendré?), classificar un element en diverses categories (aquest mail anirà a spam o no? aquesta imatge és d'un tipus o un altre?), segmentar o clusterizar (Com identifico grups de clients, productes...?), identificar patrons (com es comporten els meus millors clients?), optimitzar (com amb si millors resultats amb el mateix pressupost? Com estalvio costos logístics...?). En aquestes fases apareixen els especialistes en IA i els científics de dades com a responsables de la creació de models per a explotar les dades. Els Data Scientist, una de les professions més demandades en l'actualitat, conjuminen capacitats tècniques per a la programació, estadístic-matemàtiques per a entendre els models estadístics a usar, de negoci per a entendre el cas d'ús a resoldre i comunicatives per a poder fer intel·ligible els processos usats i els resultats per als prenedors de decisions.
Sembla que la resolució de problemes serà (és) essencial en els treballs i no únicament per a experts o tècnics com a Científics de dades o especialistes en intel·ligència artificial
Identifiquem el Big Data i la intel·ligència artificial com a claus per a la competitivitat per tant les empreses han d'obtenir els recursos necessaris per a llançar iniciatives de Big Data i IA. No obstant això, els projectes de big data i de IA fracassen en un alt percentatge (65% a Espanya) i s'exposen com a raons: falta de les dades correctes i del talent necessari, no generar valor amb el projecte, no respondre a la pregunta de negoci correcta, aplicar un procés incorrecte o tenir en l'empresa una cultura poc inclinada a l'ús de big data. Revisant aquests factors, a més de temes de recursos tècnics (tecnologia i especialistes) es necessiten treballar sobre les altres capacitats (processos, preguntes i cultura) i és aquí on es troba una altra disciplina a explotar en les empreses que està relacionada amb l'estratègia, govern i monetització de la dada. El rol del CDO, Chief Data Officer, és l'encarregat d'aquest àmbit definint l'estratègia de dades, coordinant les necessitats de negoci amb els recursos tecnològics, trobant casos d'ús que aportin retorn i monetització de les dades, treballant en els processos de govern de la dada i en la cultura de l'empresa per a fer-la data-driven.
Fins aquí s'han vist rols directament relacionats amb els procesaments de dades (enginyer, arquitectes, científics de dades, especialistes en IA, CDO...) als quals es poden unir altres especialistes en cyber seguretat o protecció de dades (CISO, DPO,..), però Què succeeix amb altres rols? Com quedaran impactats?
Si ens plantegem per què la cultura empresarial apareix com principal factor de fracàs d'iniciatives Big Data + IA, podríem concloure que una vegada les capacitats tècniques (tecnologia, anàlisi) són adquirides per l'empresa i que el vincle entre dades i negoci és correcte, les barreres les trobem en les persones, els qui són l'essència de la cultura de l'empresa. Excepte especialistes, els perfils de negoci no hem estat educats en l'ús de dades i per tant tenim mancances en saber i entendre com treure'ls profit i activar-los. La Intel·ligència artificial ens ajuda a treballar amb dades, realitzar models predictius, segmentar... però si no entenem com funciona o on aplicar-la serà difícil explotar-la. No es tracta que tots sapiguem dissenyar o usar tècniques d'intel·ligència artificial, però si entendre que és un algorisme, on podem aplicar-lo i a alt nivell com funciona.
Excepte especialistes, els perfils de negoci no hem estat educats en l'ús de dades i per tant tenim mancances en saber i entendre com treure'ls profit i activar-los
D'alguna forma, a part de la formació, es necessita fer accessible els processos de big data i IA a no tècnics. D'igual forma que podem fer un informe sense saber com fer una consulta de base dades o usem fórmules en solucions ofimàtiques sense saber com estan programades seria ideal que en gairebé qualsevol lloc de treball tots poguéssim aprofitar de models i tècniques d'intel·ligència artificial que ens ajudin en la nostra presa de decisions sense ser tècnics. En aquest punt trobem les solucions de autoML, pensades per a simplificar tasques repetitives o monòtones dels científics de dades: neteja de dades, revisió d'indicadors, entrenar un model de Machine Learning, publicar resultat i passar-ho a producció. No obstant això, la potencialitat de les solucions de autoML és posar a l'abast de tots tecnologia IA, un no tècnic pot entrenar un model de machine learning, obtenir resultats i posar-los en producció. El risc és fer-lo sense les bases necessàries de coneixement.
En resum, si volem aprofitar tota la potencialitat de big data i intel·ligència artificial en una empresa necessitem de capacitats tècniques (tecnologia, talent analític), de processos (govern de la dada) i de dotar als empleats de l'empresa de les capacitats que els permetin confiar i saber treballar amb dades. Part d'aquestes capacitats podran donar-se a futur amb solucions de autoML igual que fa dècades van aparèixer els fulls de càlcul.
En l'última edició de MWC23, en la col·laboració de ESIC amb la Mobile World Capital realitzem un taller sobre Big data, Intel·ligència artificial per a persones interessessis a endinsar-se professionalment en aquestes temàtiques. Durant la sessió es van explicar els conceptes bàsics de Big data, Intel·ligència artificial, Machine Learning o ciència de dades, es van discutir oportunitats laborals, frens per a l'adopció de big data i IA en les empreses, relació amb conceptes de sostenibilitat, seguretat i ètica i es van realitzar pràctiques amb solucions de autoML com BigML, DataRobot o Google Teachable Machine realitzant i implementant models de IA sense programar. Queda molt per recórrer, es requereix de molta formació i de gestió del canvi, però la presència d'aplicacions de IA en llocs de treball de manera similar a com es van implantar solucions ofimàtiques sembla un camí gairebé inevitable.