¿Necesitas un equipo de data science?

Crear un equipo de científicos de datos es caro, y no siempre te asegura lograr tus objetivos.

En los últimos años las empresas han comenzado a ponerse ansiosas por sumarse al carro de la inteligencia artificial y ciencia de datos. Un artículo de McKinsey relata el caso del CEO de una gran firma financiera, que estaba muy convencido del uso de analíticas avanzadas en la compañía, para esto con orgullo contaba que habían contratado 1000 científicos de datos a un costo anual de USD $250.000 cada uno.

Sin embargo al poco tiempo se dieron cuenta que sólo una pequeña fracción de los 1000 "científicos de datos" realmente podían llevar adelante analíticas avanzadas y uso de machine learning en sus sistemas. Armaron un equipo por decenas de millones de dólares mensuales que en la práctica no era realmente capaz de llevar adelante la visión del CEO.

Otra observación de McKinsey es que la mayoría de los programas de analíticas avanzadas no logran escalar, sólo una pequeña parte lo hace y tiene retornos acordes al gasto que se ha puesto en armar costosos equipos de "data science"

Armar un equipo de "data science" en una empresa tiene una incertidumbre tremenda, primero, lograr encontrar el talento adecuado es una aguja en un pajar, traer al mejor egresado de Ciencias de la computación con tesis laureada en la creación de una arquitectura de redes neuronales para la detección del bosón de Higgs no asegura que la empresa podrá llevar adelante los modelos que realmente agreguen valor a su operación.

Segundo, puedes invertir un año creando modelos de machine learning que finalmente tengan resultados modestos, decenas de pruebas de concepto (POC) que no crean el valor adecuado para ser escalados al interior de la organización.

¿Y qué hacer entonces?, Para empezar, no enamorarse de conceptos o tecnologías, "Data Analytics", "Inteligencia Artificial" "Deep learning", etc. creando costosos equipos en torno a ellas sin saber bien para qué.

Tampoco sobreestimar la capacidad de estas tecnologías creando áreas para mostrarse al mercado diciendo que tienes un equipo enorme de científicos y que eso te llevará a la cúspide, porque probablemente sea la campaña de marketing más cara e inútil que hagas.

Es mejor concentrarse en armar un equipo multidisciplinario dónde probablemente los científicos de datos sean la minoría, lo importante es tener distintos roles, tener a las personas adecuadas para entender el negocio y cómo el uso de machine learning podrá ayudar a la empresa en su conjunto, tener a quienes podrán crear la arquitectura adecuada para escalar e integrarse a los sistemas core de la empresa, contratar a quienes entienden realmente los datos que la empresa tiene.

Vale la pena detenerse en el último punto, muchas empresas comienzan a crear equipos que son "AI céntricos" pero la AI no sólo es software, (aunque normalmente los científicos de datos tienen un amor especial por la creación del software), la AI también es datos, y probablemente los datos sean aún más importante que el software.

Tener equipos capaces no sólo de tener grandes cantidades de datos, si no que de buscar los datos adecuados es probablemente lo más importante que una empresa puede desarrollar hoy, antes de armar un equipo de AI, crear un equipo que busque y tenga datos de calidad.

En Deep Talk creamos modelos de deep learning para que luego sean utilizados as a service por las empresas a un bajo costo y ojalá sin código, modelos en producción probados, que sabemos crean valor para extraer información valiosa de las conversaciones entre empresas y clientes.

Más importante aún, startups cómo Deep Talk permiten a las empresas concentrarse en armar equipos que entiendan el valor de utilizar la ciencia de datos, equipos "data céntricos" que en vez de utilizar meses en crear software complejo, concentren esa energía en organizar los datos e imaginar que hacer con ellos para agregar valor a la empresa y sus clientes, el software lo pueden arrendar.