![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/tina-chace.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/akhilesh-kale.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/robyn-kiernan.jpg\")
Comprender el linaje Data: Explorando su definici\u00f3n y su creciente adopci\u00f3n en las organizaciones<\/h2><\/div>En el mundo actual de la data-driven, comprender el recorrido de la data -desde su origen hasta su destino final- es m\u00e1s crucial que nunca. Esta capacidad, denominada linaje data, proporciona una visi\u00f3n completa de c\u00f3mo fluye la data a trav\u00e9s de una organizaci\u00f3n, detallando sus transformaciones y dependencias a lo largo del camino. El linaje Data var\u00eda en t\u00e9rminos de niveles de complejidad, siendo el \u201clinaje grueso\u201d el que muestra las transformaciones de tabla a tabla, y el \u201clinaje fino\u201d el que se sit\u00faa en el nivel de los atributos. Estos activos pueden mapearse en herramientas como Solidatus, proporcionando un m\u00e9todo automatizado para crear una visi\u00f3n clara de las fuentes, la transformaci\u00f3n y el uso de data. En Artefact, nuestros equipos dise\u00f1an y construyen productos data e IA para nuestros clientes d\u00eda tras d\u00eda, y el linaje ayuda a nuestros clientes a responder a preguntas como: \u201c\u00bfQu\u00e9 sistemas nos est\u00e1n dando este saldo de clientes, ya que parece inexacto?\u201d o \u201c\u00bfPor qu\u00e9 mi modelo de propensi\u00f3n al pr\u00e9stamo a clientes tiene resultados diferentes espec\u00edficamente los mi\u00e9rcoles?\u201d. Seguimos una metodolog\u00eda de seis pasos meticulosamente estructurada para desplegar el linaje a escala, empezando por una evaluaci\u00f3n exhaustiva del caso de uso empresarial \u00fanico y su valor intr\u00ednseco. Este proceso culmina en una implantaci\u00f3n sin fisuras, en la que el mantenimiento continuo y la adopci\u00f3n por parte del usuario se integran en el n\u00facleo.<\/p>\n<\/div>
![\"Chart:](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/Capture-decran-2024-11-21-115250.png\" "\\"Gr\u00e1fico:")
<\/span><\/div>Las empresas aprovechan el linaje data por varias razones clave, entre las que destacan el cumplimiento normativo y la gesti\u00f3n de la calidad data. En el sector de los servicios financieros, un linaje data robusto es esencial para cumplir los estrictos requisitos de auditor\u00eda y principios como el BCBS 239, garantizando el cumplimiento de las normativas en torno a la gobernanza, la arquitectura data, la agregaci\u00f3n de riesgos data, la precisi\u00f3n, la integridad y la frecuencia de los informes de riesgos. Por ejemplo, en un caso de Banca Comercial en el que la evaluaci\u00f3n de un flujo de trabajo de informes financieros hipotecarios permite a una empresa rastrear los or\u00edgenes y el consumo de data sensibles.<\/p>\n<\/div>
![\"solidatus](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/11\/unnamed-3.png\" "\\"Mapa")
<\/span><\/div>Mirando m\u00e1s all\u00e1 del cumplimiento, el linaje data es una poderosa herramienta para mejorar la calidad data, permitiendo a las organizaciones hacer un seguimiento de los problemas data, validar la precisi\u00f3n y mantener la confianza en sus sistemas de informaci\u00f3n. Este art\u00edculo ahondar\u00e1 en los entresijos del linaje data, concretamente en el linaje grueso, y explorar\u00e1 por qu\u00e9 se ha convertido en una piedra angular de las estrategias modernas de gesti\u00f3n data.<\/p>\n<\/div>
El r\u00e1pido ascenso de la IA en los servicios financieros: Oportunidades, retos y camino a seguir<\/h2><\/div>Partiendo de la importancia de comprender el data, la Inteligencia Artificial (IA) est\u00e1 transformando el panorama de los servicios financieros modernos, simulando la inteligencia humana para realizar tareas que requieren aprendizaje y toma de decisiones. Las aplicaciones de la IA son diversas e impactantes: la IA conversacional, como los chatbots, mejora las interacciones con los clientes; los asistentes de productividad agilizan los flujos de trabajo y automatizan las tareas; y el an\u00e1lisis automatizado de data acelera la obtenci\u00f3n de conocimientos a partir de data complejos. En agosto de 2024, la Ley de IA de la Uni\u00f3n Europea introdujo nuevas normativas destinadas a garantizar un uso \u00e9tico de la IA y proteger los derechos de los usuarios, lo que pone de relieve el cambio mundial hacia una aplicaci\u00f3n responsable de la IA. Este desarrollo subraya la creciente necesidad de que las organizaciones no s\u00f3lo aprovechen el poder de la IA, sino que tambi\u00e9n la gestionen con una cuidadosa supervisi\u00f3n, complementando sus esfuerzos en el linaje de data y la gesti\u00f3n de la calidad.<\/p>\n<\/div>
Mientras que el uso de IA Generativa de c\u00f3digo abierto como ChatGPT para uso personal, integrar la IA en una organizaci\u00f3n y generar valor real para el negocio es un juego de pelota diferente. La mayor\u00eda de las instituciones financieras se encuentran en la r\u00e1pida carrera de producir pilotos y POC de IA Generativa, sin embargo, s\u00f3lo se comprometen d\u00f3lares reales cuando se demuestra que creen que los beneficios potenciales son fiables y que el producto es adecuado tanto para los usuarios empresariales como para los t\u00e9cnicos. Muchas instituciones siguen luchando por escalar estas tecnolog\u00edas debido a preocupaciones sobre la fiabilidad (74%), la adopci\u00f3n por parte de los usuarios (60%)(1) y la insuficiente experiencia t\u00e9cnica (60%). Un marco de escalabilidad de Gen AI es lo que ha construido Artefact para abordar las dimensiones centrales de la escalabilidad: Relevancia de los resultados, Explicabilidad, Equidad\/Sesgo, Latencia, Infraestructura, Eficiencia organizativa y Experiencia\/Adopci\u00f3n del usuario.<\/p>\n<\/div>
En el contexto de la IA, el linaje data ofrece un importante valor empresarial al garantizar la transparencia y la fiabilidad en las decisiones data-driven. En la actualidad, m\u00e1s del 75% de los consumidores est\u00e1n preocupados por la informaci\u00f3n err\u00f3nea procedente de la IA(2). A menudo se hace referencia a la IA como una \u201ccaja negra\u201d, lo que significa que los usuarios finales a menudo no comprenden el funcionamiento interno que produce el resultado que utilizan habitualmente. Dado que los sistemas de IA dependen cada vez m\u00e1s de conjuntos de data vastos y complejos, comprender los or\u00edgenes y las transformaciones de estos data es crucial para mantener la precisi\u00f3n y la fiabilidad. El linaje de la Data ayuda a las organizaciones a rastrear y validar la data que alimenta los modelos de IA, lo que resulta esencial para optimizar el rendimiento de los modelos y abordar problemas como sesgos o errores. Al proporcionar una pista de auditor\u00eda clara, el linaje data tambi\u00e9n apoya el cumplimiento de la normativa y mejora el data governance, lo que en \u00faltima instancia conduce a aplicaciones de IA m\u00e1s informadas, fiables y \u00e9ticas que impulsan mejores resultados empresariales.<\/p>\n<\/div>
Data Lineage en acci\u00f3n: C\u00f3mo podr\u00eda haber potenciado el desarrollo de la IA en el mundo real<\/h2><\/div>El linaje Data es crucial para cumplir los requisitos normativos y legales en materia de IA, especialmente en virtud de pol\u00edticas como la Ley de Privacidad del Consumidor de California (CCPA) y la Ley Gramm-Leach-Bliley (GLBA). Por ejemplo, consideremos un caso de uso relacionado con la rotaci\u00f3n de clientes en una empresa de servicios financieros. En este caso, el sistema carec\u00eda de pr\u00e1cticas estandarizadas para anonimizar la informaci\u00f3n privada y no ten\u00eda un linaje data para rastrear los flujos data. Como resultado, el enriquecimiento data para enmascarar detalles sensibles se realiz\u00f3 como \u00faltimo paso con una gobernanza m\u00ednima. Este enfoque no s\u00f3lo compromet\u00eda la privacidad data sino que tambi\u00e9n expon\u00eda el sistema a riesgos de cumplimiento. Si nuestra organizaci\u00f3n asociada hubiera contado con un s\u00f3lido linaje de data en Solidatus, la organizaci\u00f3n podr\u00eda haber rastreado d\u00f3nde se estaba utilizando data, capturado las transformaciones de data, garantizado la anonimizaci\u00f3n adecuada en cada etapa y cumplido los requisitos normativos con mayor eficacia, salvaguardando as\u00ed la privacidad y mejorando data governance.<\/p>\n<\/div>
La mayor\u00eda de las organizaciones (80%) han afirmado que su data est\u00e1 listo para ser utilizado en IA, sin embargo m\u00e1s de la mitad (52%)(3) experimentaron problemas con la implementaci\u00f3n basados en la calidad de su data. El linaje del Data es vital para garantizar la calidad del data en el desarrollo de la IA, ya que proporciona una visi\u00f3n clara de c\u00f3mo se obtiene, transforma y utiliza el data. En Artefact comprendemos el imperativo de la preparaci\u00f3n y la calidad data. Creemos en un modelo operativo de IA que desarrolle los requisitos t\u00e9cnicos simult\u00e1neamente con la preparaci\u00f3n y la gobernanza data necesarias para desplegar una IA fiable a gran escala. Nuestros equipos trabajaron en un modelo de predicci\u00f3n del riesgo crediticio que se basaba en m\u00faltiples tablas data para evaluar el riesgo del prestatario. El equipo descubri\u00f3 incoherencias entre estas tablas en sus investigaciones preliminares, como discrepancias en los formatos data o informaci\u00f3n obsoleta. Esto provocar\u00eda que el modelo estuviera sesgado y se generara una evaluaci\u00f3n del riesgo inexacta. Al implantar el linaje data, la organizaci\u00f3n podr\u00eda rastrear los or\u00edgenes del data, identificar d\u00f3nde surgen las incoherencias y garantizar que las transformaciones data se ajustan a las normas de calidad. Esta transparencia ayuda a corregir los problemas antes de que afecten al modelo, lo que en \u00faltima instancia conduce a predicciones m\u00e1s fiables y precisas, y mantiene la integridad general del sistema de IA.<\/p>\n<\/div>
El linaje Data mejora la depuraci\u00f3n, las mejoras y la reproducibilidad del modelo de IA al ofrecer una visi\u00f3n detallada del recorrido del data a trav\u00e9s del proceso de modelado. Si un modelo est\u00e1 produciendo resultados inesperados, el linaje data ayuda a rastrear el data a trav\u00e9s de todas las etapas, desde la recogida hasta el preprocesamiento y la ingenier\u00eda de caracter\u00edsticas. Esta visibilidad permite a los cient\u00edficos del data identificar d\u00f3nde pueden haber surgido problemas o incoherencias, lo que facilita una depuraci\u00f3n precisa y mejoras espec\u00edficas. Adem\u00e1s, la \u201cadaptaci\u00f3n al dominio\u201d es un m\u00e9todo com\u00fan para reutilizar componentes de algoritmos con el fin de reducir el tiempo y los recursos necesarios para construir un modelo de IA desde cero. El linaje es esencial para esta reproducibilidad a trav\u00e9s de diferentes iteraciones y experimentos, ya que proporciona la documentaci\u00f3n y el uso de data para los algoritmos.<\/p>\n<\/div>
Impulsando el \u00e9xito de la IA: C\u00f3mo Artefact y Solidatus est\u00e1n revolucionando la gesti\u00f3n Data de las instituciones financieras<\/h2><\/div>Artefact<\/a> y Solidatus <\/a>son socios colaboradores, unidos en su creencia de que la gesti\u00f3n eficaz de data es esencial para el \u00e9xito de la IA. Akhilesh Kale, l\u00edder de Artefact en Servicios Financieros, afirma que \u201cel linaje data es la columna vertebral de la confianza en las instituciones financieras, proporcionando esa integridad que es cr\u00edtica en un panorama tan altamente complejo definido por sus presiones reguladoras.\u201d Este \u00e9nfasis en la integridad data es fundamental en la forma en que la experiencia de Artefact en la ejecuci\u00f3n data y AI complementa el entorno estructurado de Solidatus, que ayuda a gestionar y almacenar el linaje grueso. Juntos, permiten a las instituciones financieras mejorar la transparencia en el data fuente de los modelos de IA. Como destaca Phil Yeoman, antiguo empleado de Cardano, \u2019con Solidatus, nuestro patrimonio data est\u00e1 ahora mapeado, modelado y catalogado. En una sola vista, puedo mostrar a la empresa d\u00f3nde reside su data, c\u00f3mo fluye a trav\u00e9s de sistemas y aplicaciones, qu\u00e9 normas de calidad de data se aplican y qu\u00e9 data est\u00e1 sujeto al GDPR\u201c. Esta perfecta integraci\u00f3n de herramientas y servicios subraya el poder transformador del linaje data para la IA. Simplifica la navegaci\u00f3n por el cumplimiento de la normativa, garantiza una calidad data de primer nivel y mejora la precisi\u00f3n de los modelos mediante la trazabilidad del data desde el origen hasta el destino. Esta trazabilidad tiene un valor incalculable para cumplir las normas reglamentarias, como la CCPA y la GLBA, al tiempo que ayuda a identificar las incoherencias de data que podr\u00edan comprometer los modelos de IA. Adem\u00e1s, Linaje data<\/a> agiliza la depuraci\u00f3n, aumenta el rendimiento del modelo y garantiza unos resultados coherentes y fiables.<\/p>\n<\/div>Referencias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Estad\u00edsticas y tendencias de la IA para (2024)\u201d. Universidad Nacional, 30 de mayo de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de septiembre de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
En el mundo actual de la data-driven, comprender el recorrido de la data -desde su origen hasta su destino final- es m\u00e1s crucial que nunca. Esta capacidad, denominada linaje data, proporciona una visi\u00f3n completa de c\u00f3mo fluye la data a trav\u00e9s de una organizaci\u00f3n, detallando sus transformaciones y dependencias a lo largo del camino. El linaje Data var\u00eda en t\u00e9rminos de niveles de complejidad, siendo el \u201clinaje grueso\u201d el que muestra las transformaciones de tabla a tabla, y el \u201clinaje fino\u201d el que se sit\u00faa en el nivel de los atributos. Estos activos pueden mapearse en herramientas como Solidatus, proporcionando un m\u00e9todo automatizado para crear una visi\u00f3n clara de las fuentes, la transformaci\u00f3n y el uso de data. En Artefact, nuestros equipos dise\u00f1an y construyen productos data e IA para nuestros clientes d\u00eda tras d\u00eda, y el linaje ayuda a nuestros clientes a responder a preguntas como: \u201c\u00bfQu\u00e9 sistemas nos est\u00e1n dando este saldo de clientes, ya que parece inexacto?\u201d o \u201c\u00bfPor qu\u00e9 mi modelo de propensi\u00f3n al pr\u00e9stamo a clientes tiene resultados diferentes espec\u00edficamente los mi\u00e9rcoles?\u201d. Seguimos una metodolog\u00eda de seis pasos meticulosamente estructurada para desplegar el linaje a escala, empezando por una evaluaci\u00f3n exhaustiva del caso de uso empresarial \u00fanico y su valor intr\u00ednseco. Este proceso culmina en una implantaci\u00f3n sin fisuras, en la que el mantenimiento continuo y la adopci\u00f3n por parte del usuario se integran en el n\u00facleo.<\/p>\n<\/div>
<\/span><\/div>Las empresas aprovechan el linaje data por varias razones clave, entre las que destacan el cumplimiento normativo y la gesti\u00f3n de la calidad data. En el sector de los servicios financieros, un linaje data robusto es esencial para cumplir los estrictos requisitos de auditor\u00eda y principios como el BCBS 239, garantizando el cumplimiento de las normativas en torno a la gobernanza, la arquitectura data, la agregaci\u00f3n de riesgos data, la precisi\u00f3n, la integridad y la frecuencia de los informes de riesgos. Por ejemplo, en un caso de Banca Comercial en el que la evaluaci\u00f3n de un flujo de trabajo de informes financieros hipotecarios permite a una empresa rastrear los or\u00edgenes y el consumo de data sensibles.<\/p>\n<\/div>
<\/span><\/div>Mirando m\u00e1s all\u00e1 del cumplimiento, el linaje data es una poderosa herramienta para mejorar la calidad data, permitiendo a las organizaciones hacer un seguimiento de los problemas data, validar la precisi\u00f3n y mantener la confianza en sus sistemas de informaci\u00f3n. Este art\u00edculo ahondar\u00e1 en los entresijos del linaje data, concretamente en el linaje grueso, y explorar\u00e1 por qu\u00e9 se ha convertido en una piedra angular de las estrategias modernas de gesti\u00f3n data.<\/p>\n<\/div>
El r\u00e1pido ascenso de la IA en los servicios financieros: Oportunidades, retos y camino a seguir<\/h2><\/div>Partiendo de la importancia de comprender el data, la Inteligencia Artificial (IA) est\u00e1 transformando el panorama de los servicios financieros modernos, simulando la inteligencia humana para realizar tareas que requieren aprendizaje y toma de decisiones. Las aplicaciones de la IA son diversas e impactantes: la IA conversacional, como los chatbots, mejora las interacciones con los clientes; los asistentes de productividad agilizan los flujos de trabajo y automatizan las tareas; y el an\u00e1lisis automatizado de data acelera la obtenci\u00f3n de conocimientos a partir de data complejos. En agosto de 2024, la Ley de IA de la Uni\u00f3n Europea introdujo nuevas normativas destinadas a garantizar un uso \u00e9tico de la IA y proteger los derechos de los usuarios, lo que pone de relieve el cambio mundial hacia una aplicaci\u00f3n responsable de la IA. Este desarrollo subraya la creciente necesidad de que las organizaciones no s\u00f3lo aprovechen el poder de la IA, sino que tambi\u00e9n la gestionen con una cuidadosa supervisi\u00f3n, complementando sus esfuerzos en el linaje de data y la gesti\u00f3n de la calidad.<\/p>\n<\/div>
Mientras que el uso de IA Generativa de c\u00f3digo abierto como ChatGPT para uso personal, integrar la IA en una organizaci\u00f3n y generar valor real para el negocio es un juego de pelota diferente. La mayor\u00eda de las instituciones financieras se encuentran en la r\u00e1pida carrera de producir pilotos y POC de IA Generativa, sin embargo, s\u00f3lo se comprometen d\u00f3lares reales cuando se demuestra que creen que los beneficios potenciales son fiables y que el producto es adecuado tanto para los usuarios empresariales como para los t\u00e9cnicos. Muchas instituciones siguen luchando por escalar estas tecnolog\u00edas debido a preocupaciones sobre la fiabilidad (74%), la adopci\u00f3n por parte de los usuarios (60%)(1) y la insuficiente experiencia t\u00e9cnica (60%). Un marco de escalabilidad de Gen AI es lo que ha construido Artefact para abordar las dimensiones centrales de la escalabilidad: Relevancia de los resultados, Explicabilidad, Equidad\/Sesgo, Latencia, Infraestructura, Eficiencia organizativa y Experiencia\/Adopci\u00f3n del usuario.<\/p>\n<\/div>
En el contexto de la IA, el linaje data ofrece un importante valor empresarial al garantizar la transparencia y la fiabilidad en las decisiones data-driven. En la actualidad, m\u00e1s del 75% de los consumidores est\u00e1n preocupados por la informaci\u00f3n err\u00f3nea procedente de la IA(2). A menudo se hace referencia a la IA como una \u201ccaja negra\u201d, lo que significa que los usuarios finales a menudo no comprenden el funcionamiento interno que produce el resultado que utilizan habitualmente. Dado que los sistemas de IA dependen cada vez m\u00e1s de conjuntos de data vastos y complejos, comprender los or\u00edgenes y las transformaciones de estos data es crucial para mantener la precisi\u00f3n y la fiabilidad. El linaje de la Data ayuda a las organizaciones a rastrear y validar la data que alimenta los modelos de IA, lo que resulta esencial para optimizar el rendimiento de los modelos y abordar problemas como sesgos o errores. Al proporcionar una pista de auditor\u00eda clara, el linaje data tambi\u00e9n apoya el cumplimiento de la normativa y mejora el data governance, lo que en \u00faltima instancia conduce a aplicaciones de IA m\u00e1s informadas, fiables y \u00e9ticas que impulsan mejores resultados empresariales.<\/p>\n<\/div>
Data Lineage en acci\u00f3n: C\u00f3mo podr\u00eda haber potenciado el desarrollo de la IA en el mundo real<\/h2><\/div>El linaje Data es crucial para cumplir los requisitos normativos y legales en materia de IA, especialmente en virtud de pol\u00edticas como la Ley de Privacidad del Consumidor de California (CCPA) y la Ley Gramm-Leach-Bliley (GLBA). Por ejemplo, consideremos un caso de uso relacionado con la rotaci\u00f3n de clientes en una empresa de servicios financieros. En este caso, el sistema carec\u00eda de pr\u00e1cticas estandarizadas para anonimizar la informaci\u00f3n privada y no ten\u00eda un linaje data para rastrear los flujos data. Como resultado, el enriquecimiento data para enmascarar detalles sensibles se realiz\u00f3 como \u00faltimo paso con una gobernanza m\u00ednima. Este enfoque no s\u00f3lo compromet\u00eda la privacidad data sino que tambi\u00e9n expon\u00eda el sistema a riesgos de cumplimiento. Si nuestra organizaci\u00f3n asociada hubiera contado con un s\u00f3lido linaje de data en Solidatus, la organizaci\u00f3n podr\u00eda haber rastreado d\u00f3nde se estaba utilizando data, capturado las transformaciones de data, garantizado la anonimizaci\u00f3n adecuada en cada etapa y cumplido los requisitos normativos con mayor eficacia, salvaguardando as\u00ed la privacidad y mejorando data governance.<\/p>\n<\/div>
La mayor\u00eda de las organizaciones (80%) han afirmado que su data est\u00e1 listo para ser utilizado en IA, sin embargo m\u00e1s de la mitad (52%)(3) experimentaron problemas con la implementaci\u00f3n basados en la calidad de su data. El linaje del Data es vital para garantizar la calidad del data en el desarrollo de la IA, ya que proporciona una visi\u00f3n clara de c\u00f3mo se obtiene, transforma y utiliza el data. En Artefact comprendemos el imperativo de la preparaci\u00f3n y la calidad data. Creemos en un modelo operativo de IA que desarrolle los requisitos t\u00e9cnicos simult\u00e1neamente con la preparaci\u00f3n y la gobernanza data necesarias para desplegar una IA fiable a gran escala. Nuestros equipos trabajaron en un modelo de predicci\u00f3n del riesgo crediticio que se basaba en m\u00faltiples tablas data para evaluar el riesgo del prestatario. El equipo descubri\u00f3 incoherencias entre estas tablas en sus investigaciones preliminares, como discrepancias en los formatos data o informaci\u00f3n obsoleta. Esto provocar\u00eda que el modelo estuviera sesgado y se generara una evaluaci\u00f3n del riesgo inexacta. Al implantar el linaje data, la organizaci\u00f3n podr\u00eda rastrear los or\u00edgenes del data, identificar d\u00f3nde surgen las incoherencias y garantizar que las transformaciones data se ajustan a las normas de calidad. Esta transparencia ayuda a corregir los problemas antes de que afecten al modelo, lo que en \u00faltima instancia conduce a predicciones m\u00e1s fiables y precisas, y mantiene la integridad general del sistema de IA.<\/p>\n<\/div>
El linaje Data mejora la depuraci\u00f3n, las mejoras y la reproducibilidad del modelo de IA al ofrecer una visi\u00f3n detallada del recorrido del data a trav\u00e9s del proceso de modelado. Si un modelo est\u00e1 produciendo resultados inesperados, el linaje data ayuda a rastrear el data a trav\u00e9s de todas las etapas, desde la recogida hasta el preprocesamiento y la ingenier\u00eda de caracter\u00edsticas. Esta visibilidad permite a los cient\u00edficos del data identificar d\u00f3nde pueden haber surgido problemas o incoherencias, lo que facilita una depuraci\u00f3n precisa y mejoras espec\u00edficas. Adem\u00e1s, la \u201cadaptaci\u00f3n al dominio\u201d es un m\u00e9todo com\u00fan para reutilizar componentes de algoritmos con el fin de reducir el tiempo y los recursos necesarios para construir un modelo de IA desde cero. El linaje es esencial para esta reproducibilidad a trav\u00e9s de diferentes iteraciones y experimentos, ya que proporciona la documentaci\u00f3n y el uso de data para los algoritmos.<\/p>\n<\/div>
Impulsando el \u00e9xito de la IA: C\u00f3mo Artefact y Solidatus est\u00e1n revolucionando la gesti\u00f3n Data de las instituciones financieras<\/h2><\/div>Artefact<\/a> y Solidatus <\/a>son socios colaboradores, unidos en su creencia de que la gesti\u00f3n eficaz de data es esencial para el \u00e9xito de la IA. Akhilesh Kale, l\u00edder de Artefact en Servicios Financieros, afirma que \u201cel linaje data es la columna vertebral de la confianza en las instituciones financieras, proporcionando esa integridad que es cr\u00edtica en un panorama tan altamente complejo definido por sus presiones reguladoras.\u201d Este \u00e9nfasis en la integridad data es fundamental en la forma en que la experiencia de Artefact en la ejecuci\u00f3n data y AI complementa el entorno estructurado de Solidatus, que ayuda a gestionar y almacenar el linaje grueso. Juntos, permiten a las instituciones financieras mejorar la transparencia en el data fuente de los modelos de IA. Como destaca Phil Yeoman, antiguo empleado de Cardano, \u2019con Solidatus, nuestro patrimonio data est\u00e1 ahora mapeado, modelado y catalogado. En una sola vista, puedo mostrar a la empresa d\u00f3nde reside su data, c\u00f3mo fluye a trav\u00e9s de sistemas y aplicaciones, qu\u00e9 normas de calidad de data se aplican y qu\u00e9 data est\u00e1 sujeto al GDPR\u201c. Esta perfecta integraci\u00f3n de herramientas y servicios subraya el poder transformador del linaje data para la IA. Simplifica la navegaci\u00f3n por el cumplimiento de la normativa, garantiza una calidad data de primer nivel y mejora la precisi\u00f3n de los modelos mediante la trazabilidad del data desde el origen hasta el destino. Esta trazabilidad tiene un valor incalculable para cumplir las normas reglamentarias, como la CCPA y la GLBA, al tiempo que ayuda a identificar las incoherencias de data que podr\u00edan comprometer los modelos de IA. Adem\u00e1s, Linaje data<\/a> agiliza la depuraci\u00f3n, aumenta el rendimiento del modelo y garantiza unos resultados coherentes y fiables.<\/p>\n<\/div>Referencias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Estad\u00edsticas y tendencias de la IA para (2024)\u201d. Universidad Nacional, 30 de mayo de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de septiembre de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Partiendo de la importancia de comprender el data, la Inteligencia Artificial (IA) est\u00e1 transformando el panorama de los servicios financieros modernos, simulando la inteligencia humana para realizar tareas que requieren aprendizaje y toma de decisiones. Las aplicaciones de la IA son diversas e impactantes: la IA conversacional, como los chatbots, mejora las interacciones con los clientes; los asistentes de productividad agilizan los flujos de trabajo y automatizan las tareas; y el an\u00e1lisis automatizado de data acelera la obtenci\u00f3n de conocimientos a partir de data complejos. En agosto de 2024, la Ley de IA de la Uni\u00f3n Europea introdujo nuevas normativas destinadas a garantizar un uso \u00e9tico de la IA y proteger los derechos de los usuarios, lo que pone de relieve el cambio mundial hacia una aplicaci\u00f3n responsable de la IA. Este desarrollo subraya la creciente necesidad de que las organizaciones no s\u00f3lo aprovechen el poder de la IA, sino que tambi\u00e9n la gestionen con una cuidadosa supervisi\u00f3n, complementando sus esfuerzos en el linaje de data y la gesti\u00f3n de la calidad.<\/p>\n<\/div>
Mientras que el uso de IA Generativa de c\u00f3digo abierto como ChatGPT para uso personal, integrar la IA en una organizaci\u00f3n y generar valor real para el negocio es un juego de pelota diferente. La mayor\u00eda de las instituciones financieras se encuentran en la r\u00e1pida carrera de producir pilotos y POC de IA Generativa, sin embargo, s\u00f3lo se comprometen d\u00f3lares reales cuando se demuestra que creen que los beneficios potenciales son fiables y que el producto es adecuado tanto para los usuarios empresariales como para los t\u00e9cnicos. Muchas instituciones siguen luchando por escalar estas tecnolog\u00edas debido a preocupaciones sobre la fiabilidad (74%), la adopci\u00f3n por parte de los usuarios (60%)(1) y la insuficiente experiencia t\u00e9cnica (60%). Un marco de escalabilidad de Gen AI es lo que ha construido Artefact para abordar las dimensiones centrales de la escalabilidad: Relevancia de los resultados, Explicabilidad, Equidad\/Sesgo, Latencia, Infraestructura, Eficiencia organizativa y Experiencia\/Adopci\u00f3n del usuario.<\/p>\n<\/div>
En el contexto de la IA, el linaje data ofrece un importante valor empresarial al garantizar la transparencia y la fiabilidad en las decisiones data-driven. En la actualidad, m\u00e1s del 75% de los consumidores est\u00e1n preocupados por la informaci\u00f3n err\u00f3nea procedente de la IA(2). A menudo se hace referencia a la IA como una \u201ccaja negra\u201d, lo que significa que los usuarios finales a menudo no comprenden el funcionamiento interno que produce el resultado que utilizan habitualmente. Dado que los sistemas de IA dependen cada vez m\u00e1s de conjuntos de data vastos y complejos, comprender los or\u00edgenes y las transformaciones de estos data es crucial para mantener la precisi\u00f3n y la fiabilidad. El linaje de la Data ayuda a las organizaciones a rastrear y validar la data que alimenta los modelos de IA, lo que resulta esencial para optimizar el rendimiento de los modelos y abordar problemas como sesgos o errores. Al proporcionar una pista de auditor\u00eda clara, el linaje data tambi\u00e9n apoya el cumplimiento de la normativa y mejora el data governance, lo que en \u00faltima instancia conduce a aplicaciones de IA m\u00e1s informadas, fiables y \u00e9ticas que impulsan mejores resultados empresariales.<\/p>\n<\/div>
Data Lineage en acci\u00f3n: C\u00f3mo podr\u00eda haber potenciado el desarrollo de la IA en el mundo real<\/h2><\/div>El linaje Data es crucial para cumplir los requisitos normativos y legales en materia de IA, especialmente en virtud de pol\u00edticas como la Ley de Privacidad del Consumidor de California (CCPA) y la Ley Gramm-Leach-Bliley (GLBA). Por ejemplo, consideremos un caso de uso relacionado con la rotaci\u00f3n de clientes en una empresa de servicios financieros. En este caso, el sistema carec\u00eda de pr\u00e1cticas estandarizadas para anonimizar la informaci\u00f3n privada y no ten\u00eda un linaje data para rastrear los flujos data. Como resultado, el enriquecimiento data para enmascarar detalles sensibles se realiz\u00f3 como \u00faltimo paso con una gobernanza m\u00ednima. Este enfoque no s\u00f3lo compromet\u00eda la privacidad data sino que tambi\u00e9n expon\u00eda el sistema a riesgos de cumplimiento. Si nuestra organizaci\u00f3n asociada hubiera contado con un s\u00f3lido linaje de data en Solidatus, la organizaci\u00f3n podr\u00eda haber rastreado d\u00f3nde se estaba utilizando data, capturado las transformaciones de data, garantizado la anonimizaci\u00f3n adecuada en cada etapa y cumplido los requisitos normativos con mayor eficacia, salvaguardando as\u00ed la privacidad y mejorando data governance.<\/p>\n<\/div>
La mayor\u00eda de las organizaciones (80%) han afirmado que su data est\u00e1 listo para ser utilizado en IA, sin embargo m\u00e1s de la mitad (52%)(3) experimentaron problemas con la implementaci\u00f3n basados en la calidad de su data. El linaje del Data es vital para garantizar la calidad del data en el desarrollo de la IA, ya que proporciona una visi\u00f3n clara de c\u00f3mo se obtiene, transforma y utiliza el data. En Artefact comprendemos el imperativo de la preparaci\u00f3n y la calidad data. Creemos en un modelo operativo de IA que desarrolle los requisitos t\u00e9cnicos simult\u00e1neamente con la preparaci\u00f3n y la gobernanza data necesarias para desplegar una IA fiable a gran escala. Nuestros equipos trabajaron en un modelo de predicci\u00f3n del riesgo crediticio que se basaba en m\u00faltiples tablas data para evaluar el riesgo del prestatario. El equipo descubri\u00f3 incoherencias entre estas tablas en sus investigaciones preliminares, como discrepancias en los formatos data o informaci\u00f3n obsoleta. Esto provocar\u00eda que el modelo estuviera sesgado y se generara una evaluaci\u00f3n del riesgo inexacta. Al implantar el linaje data, la organizaci\u00f3n podr\u00eda rastrear los or\u00edgenes del data, identificar d\u00f3nde surgen las incoherencias y garantizar que las transformaciones data se ajustan a las normas de calidad. Esta transparencia ayuda a corregir los problemas antes de que afecten al modelo, lo que en \u00faltima instancia conduce a predicciones m\u00e1s fiables y precisas, y mantiene la integridad general del sistema de IA.<\/p>\n<\/div>
El linaje Data mejora la depuraci\u00f3n, las mejoras y la reproducibilidad del modelo de IA al ofrecer una visi\u00f3n detallada del recorrido del data a trav\u00e9s del proceso de modelado. Si un modelo est\u00e1 produciendo resultados inesperados, el linaje data ayuda a rastrear el data a trav\u00e9s de todas las etapas, desde la recogida hasta el preprocesamiento y la ingenier\u00eda de caracter\u00edsticas. Esta visibilidad permite a los cient\u00edficos del data identificar d\u00f3nde pueden haber surgido problemas o incoherencias, lo que facilita una depuraci\u00f3n precisa y mejoras espec\u00edficas. Adem\u00e1s, la \u201cadaptaci\u00f3n al dominio\u201d es un m\u00e9todo com\u00fan para reutilizar componentes de algoritmos con el fin de reducir el tiempo y los recursos necesarios para construir un modelo de IA desde cero. El linaje es esencial para esta reproducibilidad a trav\u00e9s de diferentes iteraciones y experimentos, ya que proporciona la documentaci\u00f3n y el uso de data para los algoritmos.<\/p>\n<\/div>
Impulsando el \u00e9xito de la IA: C\u00f3mo Artefact y Solidatus est\u00e1n revolucionando la gesti\u00f3n Data de las instituciones financieras<\/h2><\/div>Artefact<\/a> y Solidatus <\/a>son socios colaboradores, unidos en su creencia de que la gesti\u00f3n eficaz de data es esencial para el \u00e9xito de la IA. Akhilesh Kale, l\u00edder de Artefact en Servicios Financieros, afirma que \u201cel linaje data es la columna vertebral de la confianza en las instituciones financieras, proporcionando esa integridad que es cr\u00edtica en un panorama tan altamente complejo definido por sus presiones reguladoras.\u201d Este \u00e9nfasis en la integridad data es fundamental en la forma en que la experiencia de Artefact en la ejecuci\u00f3n data y AI complementa el entorno estructurado de Solidatus, que ayuda a gestionar y almacenar el linaje grueso. Juntos, permiten a las instituciones financieras mejorar la transparencia en el data fuente de los modelos de IA. Como destaca Phil Yeoman, antiguo empleado de Cardano, \u2019con Solidatus, nuestro patrimonio data est\u00e1 ahora mapeado, modelado y catalogado. En una sola vista, puedo mostrar a la empresa d\u00f3nde reside su data, c\u00f3mo fluye a trav\u00e9s de sistemas y aplicaciones, qu\u00e9 normas de calidad de data se aplican y qu\u00e9 data est\u00e1 sujeto al GDPR\u201c. Esta perfecta integraci\u00f3n de herramientas y servicios subraya el poder transformador del linaje data para la IA. Simplifica la navegaci\u00f3n por el cumplimiento de la normativa, garantiza una calidad data de primer nivel y mejora la precisi\u00f3n de los modelos mediante la trazabilidad del data desde el origen hasta el destino. Esta trazabilidad tiene un valor incalculable para cumplir las normas reglamentarias, como la CCPA y la GLBA, al tiempo que ayuda a identificar las incoherencias de data que podr\u00edan comprometer los modelos de IA. Adem\u00e1s, Linaje data<\/a> agiliza la depuraci\u00f3n, aumenta el rendimiento del modelo y garantiza unos resultados coherentes y fiables.<\/p>\n<\/div>Referencias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Estad\u00edsticas y tendencias de la IA para (2024)\u201d. Universidad Nacional, 30 de mayo de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de septiembre de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
El linaje Data es crucial para cumplir los requisitos normativos y legales en materia de IA, especialmente en virtud de pol\u00edticas como la Ley de Privacidad del Consumidor de California (CCPA) y la Ley Gramm-Leach-Bliley (GLBA). Por ejemplo, consideremos un caso de uso relacionado con la rotaci\u00f3n de clientes en una empresa de servicios financieros. En este caso, el sistema carec\u00eda de pr\u00e1cticas estandarizadas para anonimizar la informaci\u00f3n privada y no ten\u00eda un linaje data para rastrear los flujos data. Como resultado, el enriquecimiento data para enmascarar detalles sensibles se realiz\u00f3 como \u00faltimo paso con una gobernanza m\u00ednima. Este enfoque no s\u00f3lo compromet\u00eda la privacidad data sino que tambi\u00e9n expon\u00eda el sistema a riesgos de cumplimiento. Si nuestra organizaci\u00f3n asociada hubiera contado con un s\u00f3lido linaje de data en Solidatus, la organizaci\u00f3n podr\u00eda haber rastreado d\u00f3nde se estaba utilizando data, capturado las transformaciones de data, garantizado la anonimizaci\u00f3n adecuada en cada etapa y cumplido los requisitos normativos con mayor eficacia, salvaguardando as\u00ed la privacidad y mejorando data governance.<\/p>\n<\/div>
La mayor\u00eda de las organizaciones (80%) han afirmado que su data est\u00e1 listo para ser utilizado en IA, sin embargo m\u00e1s de la mitad (52%)(3) experimentaron problemas con la implementaci\u00f3n basados en la calidad de su data. El linaje del Data es vital para garantizar la calidad del data en el desarrollo de la IA, ya que proporciona una visi\u00f3n clara de c\u00f3mo se obtiene, transforma y utiliza el data. En Artefact comprendemos el imperativo de la preparaci\u00f3n y la calidad data. Creemos en un modelo operativo de IA que desarrolle los requisitos t\u00e9cnicos simult\u00e1neamente con la preparaci\u00f3n y la gobernanza data necesarias para desplegar una IA fiable a gran escala. Nuestros equipos trabajaron en un modelo de predicci\u00f3n del riesgo crediticio que se basaba en m\u00faltiples tablas data para evaluar el riesgo del prestatario. El equipo descubri\u00f3 incoherencias entre estas tablas en sus investigaciones preliminares, como discrepancias en los formatos data o informaci\u00f3n obsoleta. Esto provocar\u00eda que el modelo estuviera sesgado y se generara una evaluaci\u00f3n del riesgo inexacta. Al implantar el linaje data, la organizaci\u00f3n podr\u00eda rastrear los or\u00edgenes del data, identificar d\u00f3nde surgen las incoherencias y garantizar que las transformaciones data se ajustan a las normas de calidad. Esta transparencia ayuda a corregir los problemas antes de que afecten al modelo, lo que en \u00faltima instancia conduce a predicciones m\u00e1s fiables y precisas, y mantiene la integridad general del sistema de IA.<\/p>\n<\/div>
El linaje Data mejora la depuraci\u00f3n, las mejoras y la reproducibilidad del modelo de IA al ofrecer una visi\u00f3n detallada del recorrido del data a trav\u00e9s del proceso de modelado. Si un modelo est\u00e1 produciendo resultados inesperados, el linaje data ayuda a rastrear el data a trav\u00e9s de todas las etapas, desde la recogida hasta el preprocesamiento y la ingenier\u00eda de caracter\u00edsticas. Esta visibilidad permite a los cient\u00edficos del data identificar d\u00f3nde pueden haber surgido problemas o incoherencias, lo que facilita una depuraci\u00f3n precisa y mejoras espec\u00edficas. Adem\u00e1s, la \u201cadaptaci\u00f3n al dominio\u201d es un m\u00e9todo com\u00fan para reutilizar componentes de algoritmos con el fin de reducir el tiempo y los recursos necesarios para construir un modelo de IA desde cero. El linaje es esencial para esta reproducibilidad a trav\u00e9s de diferentes iteraciones y experimentos, ya que proporciona la documentaci\u00f3n y el uso de data para los algoritmos.<\/p>\n<\/div>
Impulsando el \u00e9xito de la IA: C\u00f3mo Artefact y Solidatus est\u00e1n revolucionando la gesti\u00f3n Data de las instituciones financieras<\/h2><\/div>Artefact<\/a> y Solidatus <\/a>son socios colaboradores, unidos en su creencia de que la gesti\u00f3n eficaz de data es esencial para el \u00e9xito de la IA. Akhilesh Kale, l\u00edder de Artefact en Servicios Financieros, afirma que \u201cel linaje data es la columna vertebral de la confianza en las instituciones financieras, proporcionando esa integridad que es cr\u00edtica en un panorama tan altamente complejo definido por sus presiones reguladoras.\u201d Este \u00e9nfasis en la integridad data es fundamental en la forma en que la experiencia de Artefact en la ejecuci\u00f3n data y AI complementa el entorno estructurado de Solidatus, que ayuda a gestionar y almacenar el linaje grueso. Juntos, permiten a las instituciones financieras mejorar la transparencia en el data fuente de los modelos de IA. Como destaca Phil Yeoman, antiguo empleado de Cardano, \u2019con Solidatus, nuestro patrimonio data est\u00e1 ahora mapeado, modelado y catalogado. En una sola vista, puedo mostrar a la empresa d\u00f3nde reside su data, c\u00f3mo fluye a trav\u00e9s de sistemas y aplicaciones, qu\u00e9 normas de calidad de data se aplican y qu\u00e9 data est\u00e1 sujeto al GDPR\u201c. Esta perfecta integraci\u00f3n de herramientas y servicios subraya el poder transformador del linaje data para la IA. Simplifica la navegaci\u00f3n por el cumplimiento de la normativa, garantiza una calidad data de primer nivel y mejora la precisi\u00f3n de los modelos mediante la trazabilidad del data desde el origen hasta el destino. Esta trazabilidad tiene un valor incalculable para cumplir las normas reglamentarias, como la CCPA y la GLBA, al tiempo que ayuda a identificar las incoherencias de data que podr\u00edan comprometer los modelos de IA. Adem\u00e1s, Linaje data<\/a> agiliza la depuraci\u00f3n, aumenta el rendimiento del modelo y garantiza unos resultados coherentes y fiables.<\/p>\n<\/div>Referencias<\/h2><\/div>(1) Prestianni, Timothy. \u201c131 Estad\u00edsticas y tendencias de la IA para (2024)\u201d. Universidad Nacional, 30 de mayo de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n(2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de septiembre de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\n
Artefact<\/a> y Solidatus <\/a>son socios colaboradores, unidos en su creencia de que la gesti\u00f3n eficaz de data es esencial para el \u00e9xito de la IA. Akhilesh Kale, l\u00edder de Artefact en Servicios Financieros, afirma que \u201cel linaje data es la columna vertebral de la confianza en las instituciones financieras, proporcionando esa integridad que es cr\u00edtica en un panorama tan altamente complejo definido por sus presiones reguladoras.\u201d Este \u00e9nfasis en la integridad data es fundamental en la forma en que la experiencia de Artefact en la ejecuci\u00f3n data y AI complementa el entorno estructurado de Solidatus, que ayuda a gestionar y almacenar el linaje grueso. Juntos, permiten a las instituciones financieras mejorar la transparencia en el data fuente de los modelos de IA. Como destaca Phil Yeoman, antiguo empleado de Cardano, \u2019con Solidatus, nuestro patrimonio data est\u00e1 ahora mapeado, modelado y catalogado. En una sola vista, puedo mostrar a la empresa d\u00f3nde reside su data, c\u00f3mo fluye a trav\u00e9s de sistemas y aplicaciones, qu\u00e9 normas de calidad de data se aplican y qu\u00e9 data est\u00e1 sujeto al GDPR\u201c. Esta perfecta integraci\u00f3n de herramientas y servicios subraya el poder transformador del linaje data para la IA. Simplifica la navegaci\u00f3n por el cumplimiento de la normativa, garantiza una calidad data de primer nivel y mejora la precisi\u00f3n de los modelos mediante la trazabilidad del data desde el origen hasta el destino. Esta trazabilidad tiene un valor incalculable para cumplir las normas reglamentarias, como la CCPA y la GLBA, al tiempo que ayuda a identificar las incoherencias de data que podr\u00edan comprometer los modelos de IA. Adem\u00e1s, Linaje data<\/a> agiliza la depuraci\u00f3n, aumenta el rendimiento del modelo y garantiza unos resultados coherentes y fiables.<\/p>\n<\/div> (1) Prestianni, Timothy. \u201c131 Estad\u00edsticas y tendencias de la IA para (2024)\u201d. Universidad Nacional, 30 de mayo de 2024. https:\/\/www.nu.edu\/blog\/ai-statistics-trends\/<\/a>.<\/p>\n (2) Matthew Fox, \u201cHow Artificial Intelligence Is Shaping Consumer Sentiment\u201d, Forbes, 22 de septiembre de 2023, https:\/\/www.forbes.com\/advisor\/business\/artificial-intelligence-consumer-sentiment\/<\/a>.<\/p>\nReferencias<\/h2><\/div>