Guión: Keith Belanger Guión: Keith Belanger Los proyectos de IA tienen una manera de superponer los problemas de datos que los equipos de datos solían poder trabajar.Eso es porque los datos analíticos permitieron un amplio margen de error, y la IA simplemente no lo hace.Los modelos de IA no toleran la ambigüedad, y las decisiones tomadas a la velocidad de la máquina magnifican cada fallo que se esconde hacia arriba.Lo que una vez falló silenciosamente ahora falló en voz alta, y a menudo públicamente. Los fracasos de la IA a menudo son rechazados como dolores experimentales crecientes.En realidad, están revelando la debilidad de las operaciones existentes.La incómoda verdad es que la mayoría de las organizaciones de datos no están operativamente preparadas para la IA, no importa lo modernas que sean sus plataformas o lo sofisticados que parezcan sus modelos. Lo ves cuando el primer entrenamiento del modelo falla porque un gasoducto cambió, cuando nadie puede explicar por qué los datos de ayer se ven diferentes de los de hoy, o cuando "sólo reinicia" se convierte en la respuesta predeterminada a los problemas de producción. “Sobre todo, si los datos tienen problemas, entonces los datos no están listos para la IA”. Gartner Gartner Los equipos de datos necesitan un nuevo modelo operativo Durante años, la mayoría de las organizaciones vivían con un compromiso frágil. Si las tuberías se rompían de vez en cuando, se podían arreglar a tiempo para cumplir con los plazos. La calidad de los datos “bastante buena” era lo suficientemente buena. La gobernanza existía en algún lugar en una unidad compartida. Este modelo dependía de personas, no de sistemas, para absorber la complejidad. compensado con heroísmo: los controles manuales, las tardes de la noche y la memoria institucional pasaron informalmente de persona a persona. Equipos de datos Equipos de datos El enfoque analítico de la era de los datos se colapsa cuando la entrega pasa de las ediciones semanales a múltiples implementaciones por día. Los modelos consumen datos continuamente, asumen consistencia y amplifican incluso pequeñas desviaciones.No hay botón de pausa para hacer comprobaciones manuales o para conferir sobre el conocimiento tribal. “AI-Ready” es alcanzable y mensurable Las organizaciones ya no pueden declarar la preparación basada en la confianza o el uso de herramientas.Tienen que comenzar a demostrarlo con la validación continua, el lineado, la puntuación, las reglas y la aplicación en la producción. Porque “AI-ready” no es sólo una sensación. Es un estado mensurable. Confiable Temporalidad gobernado Observables Reproducción Esta evolución de la calidad de los datos requiere más que buenas intenciones o documentos de buenas prácticas.Requiere sistemas diseñados para imponer la fiabilidad por defecto que puedan proporcionar evidencia continua de la fiabilidad de los datos. El Real Bottleneck es operativo, no tecnológico La mayoría de las empresas ya tienen poderosas plataformas de datos.Lo que les falta es una manera de operar esas plataformas con coherencia a la velocidad de la IA. Los procesos manuales no escalan porque los humanos solo tienen tanta atención para dar. Las cargas de trabajo de IA requieren repetibilidad y la confianza de que los datos se comportarán de la misma manera hoy como lo hicieron ayer, y que cuando no lo hacen, se señalan y se fijan de inmediato. La ingeniería de software se enfrentó a este problema hace años.A medida que los sistemas se volvieron más complejos y los ciclos de liberación se aceleraron, los procesos manuales y la vigilancia humana dejaron de escalarse. La ingeniería de software se enfrentó a este problema hace años.A medida que los sistemas se volvieron más complejos y los ciclos de liberación se aceleraron, los procesos manuales y la vigilancia humana dejaron de escalarse. DataOps ofrece a los equipos de datos el mismo rigor operativo que ayudó a catapultar a los equipos de software al siglo XXI. Los datos se encuentran en el mismo punto de inflexión. Los datos se encuentran en el mismo punto de inflexión. Operativizar la confianza es el único camino hacia adelante Las organizaciones que logren con AI serán las que . treat data trust as an operational discipline Tratar la confianza en los datos como una disciplina operativa Esto significa que las tuberías de datos necesitan ser observadas continuamente, controladas automáticamente y probadas en la producción con AI-ready. . Productos de datos Productos de datos Los modelos se estancan en la producción, la confianza en los resultados se erode, y los equipos dejan de confiar en los sistemas que han construido. Encuentra el momento al abrazar y operacionalizar sus datos con sistemas diseñados para brindar confianza a la velocidad de la IA. Disciplina de datos Disciplina de datos Esta historia fue publicada bajo el Programa de Blogging de Negocios de HackerNoon. Esta historia fue publicada bajo el Programa de Blogging de Negocios de HackerNoon. Esta noticia fue publicada en HackerNoon's . Programa de Blogging de Negocios Programa de Blogging de Negocios Programa de Blogging de Negocios