El viejo principio de “basura entra, basura sale” sigue vigente en la era de la inteligencia artificial (IA). La industria entiende que la calidad de los datos de entrada determina la calidad de los resultados que se obtienen. Sin embargo, pocos líderes pueden explicar cómo es esa “basura” o cómo clasificarla, según advierte Steve Parvin, vicepresidente de CONNECT Data Harmonization en AVEVA.
Casi dos tercios de las organizaciones (63%) no cuentan con las prácticas de gestión de datos adecuadas para la IA, o no están seguras de tenerlas, de acuerdo con una encuesta de Gartner. La firma de investigación prevé que las empresas abandonarán el 60 % de los proyectos de IA que no cuenten con datos preparados para la IA en 2026.
El verdadero valor, entonces, radica en una pregunta ligeramente distinta: ¿cómo pueden las empresas garantizar que sus datos estén preparados para la IA, de modo que los pilotos de IA y los casos de uso posteriores generen un impacto sostenido en el desempeño?
Para responder, es necesario analizar de cerca las canalizaciones (pipelines) de datos industriales. Estos flujos de trabajo automatizados se construyeron en torno a un proceso de tres etapas: extracción, transformación y carga (ETL). Ese modelo funciona bien para la generación de informes, donde los datos se almacenan y las herramientas posteriores les dan sentido más adelante. Pero resulta menos adecuado para el análisis profundo en operaciones industriales, donde los datos son útiles solo durante un período breve y deben convertirse en información utilizable antes de que se cierre la ventana de oportunidad. Tampoco los enfoques existentes pueden gestionar realmente los cientos de trillones de datos que las empresas utilizan cada día para tomar decisiones estratégicas fundamentales.
En la industria, los datos “basura” son aquellos cuya utilidad es limitada porque llegan demasiado tarde, carecen de contexto o no están armonizados con otras partes del negocio, como los sistemas de TI y empresariales. Una lectura de sensor solo cobra sentido cuando se vincula con el activo al que pertenece, el proceso que respalda y el historial operativo y de mantenimiento circundante. No todas las situaciones requieren esperar a que los datos brutos del sensor se transporten y sean procesados por una IA antes de recibir una alerta de que una máquina está a punto de fallar.
Cuanto más lejos viajan los datos industriales antes de ser procesados, menos útiles resultan los conocimientos que se pueden extraer de ellos. Enriquecer los datos en el punto de captura puede acortar el tiempo de generación de valor en los proyectos de IA, afirma Steve Parvin, vicepresidente de CONNECT Data Harmonization en AVEVA.
