La utilidad de la tecnología para detectar y relacionar datos

En el complejo mundo digital en el que nos encontramos, la capacidad de organizar y establecer vínculos entre diversos tipos de datos puede ser la clave para solucionar algunos de los desafíos a los que se va a enfrentar la industria financiera en los próximos años.

Las empresas cada vez disponen de más datos y de mayor variedad, lo que obliga a buscar formas de automatizar el análisis de estos datos para facilitar la toma de decisiones. Una posible solución para esto es el uso de la tecnología de procesamiento del lenguaje natural (PLN) y la aplicación de Knowledge Graph a los conjuntos de datos para etiquetar y presentar información, a fin de identificar conexiones previamente ocultas.

La consultora DB-Engines prevé que este nuevo tipo de tecnología está destinada a alimentar cada vez más tecnologías emergentes, además de ser una excelente solución para agilizar los análisis de big data en tiempo real. De hecho, según Forrester, el 51 % de las personas encargadas de la toma de decisiones en el ámbito de análisis de datos a nivel mundial «se encuentran en proceso de implementación o ya están utilizando bases de datos gráficas».

Con el fin de comprender los desafíos a los que se enfrentan nuestros clientes y cómo podemos colaborar con ellos, invitamos a los expertos en el tratamiento de datos de nuestros mayores clientes al Imperial College de Londres para debatir la aplicación práctica de tecnologías como Knowledge Graphs y PLN en los mercados financieros. Durante la sesión se trataron temas como la inteligencia artificial, dificultades con el etiquetado de datos y se analizaron varios ejemplos.

Con toda la expectación que rodea a la Inteligencia Artificial (AI) y su potencial para agilizar los flujos de trabajo y mostrar nuevas perspectivas, los especialistas incidieron en los problemas que les supone gestionar las grandes expectativas que despierta en sus respectivas empresas.

Los asistentes explicaron que, debido a las grandes expectativas que las empresas han depositado en esta tecnología, cuando se comunican los complicados requisitos de un proyecto de estas características a las partes interesadas, el entusiasmo suele reducirse. En palabras de un cliente: “A todo el mundo le gusta la idea, pero nadie quiere llevarla a cabo».

Podemos decir que existen varios requisitos inherentes a cualquier proyecto de IA. En primer lugar, la larga cadena de trabajos necesarios para que la implementación tenga éxito, como por ejemplo el aprovisionamiento de datos. Igualmente necesarios son el apoyo y la colaboración dentro de las unidades de negocio de la empresa para poder gestionar y conectar los datos necesarios para el desarrollo del proyecto. Además, se han de tener en cuenta tanto la burocracia de las grandes instituciones financieras como los continuos cambios normativos introducidos por los distintos reguladores. Por último, una vez que se han obtenido los datos, el siguiente reto al que se enfrentan nuestros clientes es encontrar formas de etiquetar los datos con precisión.

Aunque la mayoría de los asistentes se encontraban en fase experimental de los proyectos Knowledge Graph, se trataron varios ejemplos entre los cuales destacó un proyecto que investigaba las dificultades con un nuevo chatbot orientado al cliente y cuyos índices de satisfacción eran muy bajos.

El cliente descubrió que no se trataba de la propia tecnología de chatbot, sino de la complejidad de la base de conocimientos subyacente, que se encontraba distribuida en miles de archivos PDF y varias regiones con diferentes normas de acceso. Esto significa que era casi imposible que la máquina gestionara y obtuviera respuestas.

Los datos no se podían introducir en una típica base de datos relacional, ya que era necesaria una base de datos gráfica para ayudar a encontrar las conexiones y dar sentido a los datos.

En conclusión, en un contexto en que las empresas poseen gran cantidad de información pero difícilmente interrelacionada aparecen la tecnología de procesamiento del lenguaje natural y Knowledge Graph, mediante las cuales es posible detectar conexiones y perspectivas previamente ocultas.

Equipo de comunicación de Thomson Reuters