Descubriendo el camino: por qué Data es fundamental para crear AI eficaces

En el mundo actual, data, comprender el recorrido de data—desde su origen hasta su destino final— es más crucial que nunca. Esta capacidad, conocida como data , ofrece una visión global de cómo data a través de una organización, detallando sus transformaciones y dependencias a lo largo del proceso. Data varía en cuanto a niveles de complejidad: el «linaje grueso» muestra las transformaciones de tabla a tabla, mientras que el «linaje fino» se sitúa a nivel de atributos. Estos activos pueden mapearse en herramientas como Solidatus, lo que proporciona un método automatizado para crear una visión general clara de data , su transformación y su uso. En Artefact, nuestros equipos diseñan y desarrollan AI data AI para nuestros clientes día tras data el linaje ayuda a nuestros clientes a responder preguntas como: «¿Qué sistemas nos proporcionan este saldo de cliente, ya que parece inexacto?» o «¿Por qué mi modelo de propensión al crédito de los clientes arroja resultados diferentes específicamente los miércoles?». Seguimos una metodología meticulosamente estructurada en seis pasos para implementar el linaje a gran escala, comenzando con una evaluación exhaustiva del caso de uso empresarial específico y su valor intrínseco. Este proceso culmina en una implementación fluida, en la que el mantenimiento continuo y la adopción por parte de los usuarios se integran en el núcleo.

Las empresas aprovechan data por varias razones fundamentales, entre las que destacan el cumplimiento normativo y la gestión data . En el sector de los servicios financieros, data sólido es esencial para cumplir con requisitos y principios de auditoría estrictos, como el BCBS 239, garantizando el cumplimiento de las normativas en materia de gobernanza, data , data de riesgo, precisión, integridad y frecuencia de los informes de riesgo. Por ejemplo, en el caso de la banca comercial, donde la evaluación de un flujo de trabajo de información financiera hipotecaria permite Compañia el origen y el uso de data sensibles.

Más allá del cumplimiento normativo, data es una herramienta poderosa para mejorar data , ya que permite a las organizaciones rastrear data , validar su exactitud y mantener la confianza en sus sistemas de información. En este artículo se analizarán en profundidad los entresijos del data , concretamente el linaje de alto nivel, y se explorará por qué se ha convertido en una piedra angular de las estrategias modernas data .

Partiendo de la importancia de comprender data, Inteligencia Artificial AI) está transformando el panorama actual de los servicios financieros, simulando la inteligencia humana para realizar tareas que requieren aprendizaje y toma de decisiones. Las aplicaciones AIson diversas y tienen un gran impacto: AI conversacional, como los chatbots, mejora la interacción con los clientes; los asistentes de productividad agilizan los flujos de trabajo y automatizan tareas; y data automatizado data acelera la obtención de información a partir de conjuntos de datos complejos. En agosto de 2024, la AI de la Unión Europea introdujo nuevas regulaciones destinadas a garantizar AI ético AI y proteger los derechos de los usuarios, lo que pone de relieve el cambio global hacia AI responsable AI . Esta evolución subraya la creciente necesidad de que las organizaciones no solo aprovechen el poder AI, sino que también la gestionen con una supervisión cuidadosa, complementando sus esfuerzos en materia de data y gestión de la calidad.

Si bien el uso de AI generativa de código abierto, AI ChatGPT, para fines personales es una cosa, integrar AI una organización y generar un valor real para el negocio es otra historia muy distinta. La mayoría de las instituciones financieras se encuentran inmersas en una carrera frenética por lanzar AI y pruebas de concepto AI generativa; sin embargo, solo se invierte dinero de verdad cuando se demuestra que los beneficios potenciales son fiables y que el producto es adecuado tanto para los usuarios empresariales como para los técnicos. Muchas instituciones siguen teniendo dificultades para escalar estas tecnologías debido a preocupaciones sobre la fiabilidad (74 %), la adopción por parte de los usuarios (60 %) (1) y la falta de conocimientos técnicos (60 %). Artefact ha creado un marco AI generativa Artefact abordar las dimensiones fundamentales de la escalabilidad: relevancia de los resultados, explicabilidad, equidad/sesgo, latencia, infraestructura, eficiencia organizativa y experiencia/adopción del usuario.

En el contexto de AI, data Servicios un Servicios valor empresarial al garantizar la transparencia y la fiabilidad en las decisiones data. Hoy en día, más del 75 % de los consumidores están preocupados por la desinformación generada por AI(2). A menudo AI referencia a AI como una «caja negra», lo que significa que los usuarios finales no suelen comprender los mecanismos internos que producen los resultados que utilizan habitualmente. Dado que AI dependen cada vez más de conjuntos de datos vastos y complejos, comprender los orígenes y las transformaciones de estos data crucial para mantener la precisión y la fiabilidad. Data ayuda a las organizaciones a rastrear y validar los data AI , lo cual es esencial para optimizar el rendimiento de los modelos y abordar problemas como sesgos o errores. Al proporcionar un registro de auditoría claro, data también favorece el cumplimiento normativo y mejora data , lo que en última instancia conduce a AI más informadas, fiables y éticas que impulsan mejores resultados empresariales.

Data es fundamental para cumplir los requisitos normativos y legales en AI, especialmente en el marco de políticas como la Ley de Privacidad del Consumidor de California (CCPA) y la Ley Gramm-Leach-Bliley (GLBA). Por ejemplo, pensemos en un caso de uso relacionado con la rotación de clientes en una empresa de servicios financieros. En este caso, el sistema carecía de prácticas estandarizadas para anonimizar la información privada y no disponía de data que permitiera rastrear data . Como resultado, data para ocultar detalles sensibles se realizaba como último paso con un control mínimo. Este enfoque no solo comprometía data , sino que también exponía al sistema a riesgos de incumplimiento normativo. Si nuestra organización asociada hubiera contado con data sólido en Solidatus, habría podido rastrear dónde data utilizaban data , capturar data , garantizar una anonimización adecuada en cada etapa y cumplir los requisitos normativos de forma más eficaz, salvaguardando así la privacidad y mejorando data .

La mayoría de las organizaciones (80 %) afirman que sus data listos para su uso en AI; sin embargo, más de la mitad (52 %)(3) han tenido problemas de implementación debido a la calidad de sus data. Data es fundamental para garantizar data en AI , ya que ofrece una visión clara de cómo data obtienen, transforman y utilizan data . En Artefact, comprendemos la importancia de data y sean de calidad. Creemos en un modelo AI que desarrolle los requisitos técnicos al mismo tiempo que la data y la gobernanza data necesarias para implementar AI fiable a gran escala. Nuestros equipos trabajaron en un modelo de predicción del riesgo crediticio que se basaba en múltiples data para evaluar el riesgo de los prestatarios. El equipo descubrió inconsistencias entre estas tablas en sus investigaciones preliminares, como discrepancias en data o información desactualizada. Esto provocaría un sesgo en el modelo y generaría una evaluación de riesgo inexacta. Al implementar data , la organización pudo rastrear el origen de data, identificar dónde surgen las inconsistencias y garantizar que data se ajustaran a los estándares de calidad. Esta transparencia ayuda a corregir los problemas antes de que afecten al modelo, lo que en última instancia conduce a predicciones más fiables y precisas, y mantiene la integridad general del AI .

Data mejora la depuración, las mejoras y la reproducibilidad AI al ofrecer una visión detallada del recorrido dataa lo largo del proceso de modelización. Si un modelo genera resultados inesperados, data ayuda a rastrear los data todas las etapas, desde la recopilación hasta el preprocesamiento y la ingeniería de características. Esta visibilidad permite a data identificar dónde pueden haber surgido problemas o inconsistencias, lo que facilita una depuración precisa y mejoras específicas. Además, la «adaptación de dominio» es un método habitual para reutilizar componentes de algoritmos con el fin de reducir el tiempo y los recursos necesarios para construir un AI desde cero. El linaje es esencial para esta reproducibilidad a lo largo de diferentes iteraciones y experimentos, ya que proporciona la documentación y el uso de data los algoritmos.

Artefact y Solidatus son socios colaboradores, unidos por la convicción de que data eficaz data es esencial para el éxito de AI. Akhilesh Kale, responsable de Artefact el sector de servicios financieros, afirma quedata es la columna vertebral de la confianza en las instituciones financieras, ya que proporciona esa integridad que resulta fundamental en un panorama tan complejo y definido por las presiones normativas». Este énfasis en data es fundamental para que la experiencia Artefacten data AI complemente el entorno estructurado de Solidatus, que ayuda a gestionar y almacenar el linaje general. Juntos, permiten a las instituciones financieras mejorar la transparencia de data de origen data AI . Como destaca Phil Yeoman, anteriormente de Cardano, «con Solidatus, nuestro data ahora está mapeado, modelado y catalogado. En una sola vista, puedo mostrar a la empresa dónde data sus data , cómo fluyen a través de los sistemas y aplicaciones, qué reglas data se aplican y qué data sujetos al RGPD». Esta integración perfecta de herramientas y servicios subraya el poder transformador del data para AI. Simplifica el cumplimiento normativo, garantiza data de primer nivel y mejora la precisión de los modelos al rastrear data su origen hasta su destino. Esta trazabilidad es invaluable para cumplir con las normas regulatorias, como la CCPA y la GLBA, al tiempo que ayuda a identificar data que podrían comprometer AI . Además, data agiliza la depuración, mejora el rendimiento de los modelos y garantiza resultados consistentes y fiables.

(1) Prestianni, Timothy. «131 AI y tendencias AI para (2024)». Universidad Nacional, 30 de mayo de 2024. ai.

(2) Matthew Fox, «Cómo Inteligencia Artificial influyendo en la opinión de los consumidores», Forbes, 22 de septiembre de 2023, https://www.forbes.com/advisor/business/artificial-intelligence-consumer-sentiment/.

(3) Campus Technology, «Informe: Data de Data frena AI », 10 de abril de 2024, Data:~:text=Las%20organizaciones%20tienen%20graves%20preocupaciones%20en%20relación%20con%20la%20complejidad%20de%20la%20integración%20(59%25)