Visión general de los atributos fundamentales de la IA y el BI para darle un sentido más claro de los objetivos de cada uno, para que pueda avanzar con mayor claridad sobre cómo progresar en su estrategia global de análisis (o de producto u operativa).
Recientemente hemos visto titulares que hablan de cómo la Inteligencia Artificial está dejando obsoleta a la Inteligencia Empresarial. Aunque la IA se está volviendo más accesible que nunca, sigue siendo -y creemos que seguirá siendo- un complemento del BI, no un verdadero sustituto. Los avances en IA y BI, específicamente en la industria de la salud, han sido particularmente impactantes. A medida que el sector de los proveedores avanza hacia una atención basada en el valor, es fundamental contar con una plataforma de análisis eficiente. La IA es capaz de complementar el BI proporcionando información específica que permite a los analistas y a los responsables de la toma de decisiones tomar mejores decisiones, más rápidamente.
Analicemos los atributos fundamentales de la IA y el BI para darle una idea más clara de los objetivos de cada uno, de modo que pueda avanzar con mayor claridad sobre cómo progresar en su estrategia global de análisis (o de producto u operativa).
Preguntas vs. Respuestas
Es mejor pensar en el BI (es decir, en los informes y cuadros de mando que utilizan métricas pasadas y datos KPI) como un "marco de preguntas". Es decir, el objetivo del BI es establecer un entorno flexible que permita a los usuarios hacer varias preguntas a sus datos y obtener una respuesta de forma eficiente. Por ejemplo, un director regional de un sistema hospitalario puede utilizar un cuadro de mando de rendimiento en Power BI que muestre las tendencias de las métricas clave como los reingresos, los tiempos de espera en urgencias y los resultados de diagnósticos específicos. Sin duda, este cuadro de mando estará parametrizado y será interactivo, de modo que el gestor pueda hacer preguntas más matizadas a los datos para obtener una respuesta. Aunque la solución es flexible, sigue siendo el usuario quien debe formular la pregunta para obtener la respuesta que desea.
Contrasta esto con el Aprendizaje Automático (la aplicación más común de la Inteligencia Artificial hoy en día) que se puede considerar como un "marco de respuesta". Se están produciendo avances en las áreas de la IA generalizada, pero en su mayor parte, una organización va a aprovechar la aplicación más estrecha de la IA: el Aprendizaje Automático. Dado que los modelos de aprendizaje automático producen una respuesta (es decir, una predicción) para una pregunta muy específica, se aprovechan mejor como marco para proporcionar directamente respuestas. Un solo modelo no puede proporcionar una respuesta a cualquier pregunta arbitraria. Como se dijo una vez de forma tan elocuente: "Si le pides a Deep Blue una receta de tarta de manzana, se caerá de bruces". Siguiendo con el ejemplo anterior, el Director Regional puede aprovechar el Aprendizaje Automático para responder a la pregunta: "¿Cuál es la capacidad de mis hospitales prevista para el próximo trimestre?" o, "¿Qué características de nuestros pacientes están impulsando las tasas de reingreso?" Utilizan un modelo de Aprendizaje Automático que fue entrenado para responder a una pregunta específica con precisión.
BI aumentado por la IA: dónde están las sinergias
La integración del BI en la IA es sencilla: un científico de datos debe realizar una cantidad considerable de análisis descriptivo de los datos que intenta modelar. La idea de aprovechar las herramientas y conceptos de BI en este proceso está dada. El proceso de infundir la IA en el BI es donde se produce la verdadera transformación. Para desbloquear el poder predictivo de los datos históricos y mejorar la experiencia del usuario de BI, los proveedores de plataformas de BI están dando pasos para integrar las funciones de IA en sus herramientas de BI. Sin embargo, a pesar de los avances que se están realizando, la funcionalidad no es tan fluida como sus departamentos de marketing podrían desear.
La principal característica impulsada por la IA en las herramientas de BI actualmente es aprovechar la IA para hacer que la interacción con la herramienta de BI sea más natural y fluida. Una herramienta de IA llamada Generación de Lenguaje Natural (NLG) se utiliza para salvar la distancia entre el lenguaje hablado o escrito de un usuario y la tecnología que alberga los datos. Gartner estima que, en los próximos 1-2 años, el análisis conversacional y el procesamiento del lenguaje natural impulsarán la adopción de la analítica de BI hasta más del 50%, ya que nuevos sectores de la empresa podrán aprovechar la información basada en datos. NLG ayuda a eliminar cualquier requisito técnico del usuario y simplemente requiere que el usuario "hable" su pregunta - ¡increíble!
El impacto
El objetivo principal de cualquier organización de datos debe ser conseguir que los datos correctos lleguen a las manos adecuadas en el momento adecuado para que se puedan tomar mejores decisiones empresariales. A medida que aumenta la democratización de los datos y los usuarios de toda la organización están habilitados para el autoservicio, es fundamental para el éxito que los usuarios interactúen con los datos de la manera más eficiente para ellos. ¿Cómo podría ser esto para el director regional que hemos considerado anteriormente? Imagínese que está visitando un centro y, mientras recorre el departamento de urgencias, se acerca a un puesto informático y pregunta: "¿Cómo ha afectado la COVID-19 a los tiempos de espera en urgencias en los últimos tres meses?". Con la facilidad de expresar su consulta de forma natural, puede obtener esa información fácilmente de la plataforma de análisis, gracias a que la Inteligencia Artificial está potenciando el BI.
La confluencia de la IA y el BI está impulsando la eficiencia más que nunca y el resultado es una mayor toma de decisiones basada en datos en toda la organización, independientemente de los conocimientos técnicos del usuario. Esto es especialmente aplicable en el sector de los proveedores de servicios sanitarios, ya que los consumidores de datos con antecedentes centrados en la atención al paciente en lugar de en la tecnología pueden aprovechar las ventajas de la analítica con la misma facilidad con la que pueden hablar o escribir sus consultas.