Los marcos de gobernanza de datos son enfoques estructurados para gestionar y utilizar datos en una organización. Incluyen políticas, procedimientos y estándares que guían cómo se recopilan, almacenan, gestionan y utilizan los datos. Estos marcos ayudan con la calidad de los datos, la integración de los datos, la privacidad y seguridad de los datos y una arquitectura de datos eficaz. Las organizaciones recopilan y almacenan más datos que nunca. Estos datos se pueden utilizar para mejorar los procesos comerciales, pero también pueden ser un riesgo si se manejan mal. Por lo tanto, los marcos de gobernanza de datos se han convertido en una forma invaluable de proteger la privacidad de sus clientes y cumplir con las últimas leyes de privacidad. Sin embargo, las organizaciones deben implementar un marco de gobernanza de datos que vaya más allá de la calidad y la gestión básicas de los datos. VER: Aproveche este kit de contratación de ingenieros de bases de datos de TechRepublic Premium. Para gobernar los datos de manera eficaz, las organizaciones deben tener una comprensión clara de su panorama de datos. Necesitan saber de dónde provienen sus datos, quién los posee, cómo se utilizan y dónde se almacenan. Recopilar esta información para construir un marco de gobierno de datos requiere una estrecha colaboración entre diferentes departamentos y unidades de negocio. Cómo funcionan los marcos de gobernanza de datos En la gobernanza de datos, no se trata sólo de cumplir la ley o gestionar el riesgo, sino de aprovechar eficazmente el poder de los datos para impulsar la toma de decisiones, la innovación y la ventaja competitiva. El objetivo principal de implementar un marco de gobernanza de datos es crear un enfoque sistemático para gestionar los datos a lo largo de todo su ciclo de vida. Esto significa establecer estándares y políticas internas, definir la propiedad y la administración, y formular procesos para la gestión de la calidad, la seguridad, el cumplimiento y la privacidad. El objetivo final es crear una cultura interna en la que los datos se traten como un activo empresarial crítico. Ejemplos de marcos de gobernanza de datos A continuación se muestra una lista de algunos marcos de gobernanza de datos a los que se hace referencia comúnmente: Cada uno de estos marcos tiene sus propios pros y contras. Las organizaciones deben seleccionar el marco de gobernanza de datos que mejor se alinee con sus necesidades y objetivos únicos. Una mirada al marco de gobernanza de datos de Eckerson. Imagen: Eckerson Tipos de marcos de gobierno de datos Hay dos filosofías opuestas para la creación de marcos de gobierno de datos que ofrecen diferentes pros y contras dependiendo de los objetivos específicos de una organización. Filosofía ascendente El enfoque ascendente para la gobernanza de datos, popularizado por el creciente movimiento de big data, comienza con los datos sin procesar. Primero se ingieren los datos y luego se construyen estructuras o esquemas sobre los datos una vez que se han leído. En este momento también se agregan al conjunto de datos reglas de gobernanza, políticas y controles de calidad. La ventaja de este enfoque es su escalabilidad. Sin embargo, puede resultar difícil mantener un control de calidad coherente en un gran volumen de datos. Filosofía de arriba hacia abajo En el enfoque de arriba hacia abajo, el modelado y la gobernanza de datos tienen prioridad y son los primeros pasos en el desarrollo de un marco de gobernanza de datos. El proceso comienza cuando los profesionales de datos aplican metodologías bien definidas y mejores prácticas a los datos. La ventaja de este enfoque es su enfoque en el control de calidad. Cobertura de big data de lectura obligada Componentes de un marco de gobierno de datos Hay cuatro componentes principales de un marco de gobierno de datos: Administración de datos: los administradores de datos garantizan que los activos de datos de una organización sean precisos, consistentes y cumplan con todas las regulaciones relevantes, especialmente durante el transcurso de la empresa. proyectos. Gestión de la calidad de los datos: la gestión de la calidad de los datos incluye procesos y procedimientos utilizados para garantizar que los activos de datos de una organización estén libres de errores e inexactitudes, así como métodos para identificar y corregir cualquier error o inexactitud. Gestión de datos: los procesos de gestión de datos definen cómo se crean, almacenan, acceden y utilizan los activos de datos de una organización, y establecen las reglas sobre cómo se compartirán esos activos con las partes interesadas internas y externas. Infraestructura tecnológica: se refiere a los sistemas de hardware y software utilizados para recopilar, almacenar y gestionar datos. Estos incluyen bases de datos, sistemas de planificación de recursos empresariales, almacenes de datos y conexiones de red que facilitan el intercambio de información entre las partes interesadas. Pilares de los marcos de gobernanza de datos Los marcos de gobernanza de datos se basan en cuatro pilares clave que garantizan la gestión y el uso eficaces de los datos en toda una organización. Estos pilares garantizan que los datos sean precisos, se puedan combinar de manera efectiva desde diferentes fuentes, se protejan y utilicen de conformidad con las leyes y regulaciones, y se almacenen y administren de una manera que satisfaga las necesidades de la organización. 1. Calidad de los datos La calidad de los datos es la piedra angular de cualquier marco de gobernanza de datos. Garantiza que los datos utilizados en los procesos de toma de decisiones sean precisos, coherentes y fiables. Además, la gestión de la calidad de los datos implica el establecimiento de políticas y procedimientos para la validación, limpieza y elaboración de perfiles de los datos. VER: Explore estas herramientas y software de calidad de datos superiores. 2. Integración de datos La integración de datos implica la combinación de datos de diferentes fuentes utilizando varias herramientas para proporcionar una vista unificada. Este pilar garantiza que los datos de varios departamentos, unidades de negocio o socios externos puedan fusionarse y utilizarse de forma eficaz para el análisis y la toma de decisiones. 3. Privacidad y seguridad de los datos La privacidad y la seguridad de los datos son cruciales en la era digital actual. Este pilar implica la implementación de políticas y procedimientos para proteger datos sensibles y cumplir con las leyes y regulaciones de protección de datos. Incluye técnicas de cifrado de datos, control de acceso y anonimización de datos. 4. Arquitectura de datos El cuarto pilar es la arquitectura de datos, que se refiere al diseño y estructura de los sistemas de datos. Implica la planificación y el diseño de sistemas de datos para garantizar que satisfagan las necesidades de la organización. Esto incluye el diseño de bases de datos, almacenes de datos y lagos de datos. ¿Por qué es necesario un marco de gobernanza de datos? Podemos identificar tres razones principales: Mantener un conjunto estándar de políticas y procedimientos: sin dicho marco, los activos de datos críticos corren el riesgo de fragmentarse, ser inexactos y no cumplir con las regulaciones pertinentes. Evite esfuerzos sin rumbo: la falta de gobernanza puede generar confusión y duplicación de esfuerzos, ya que diferentes departamentos o usuarios individuales intentan administrar los datos con sus propios métodos. Cumplimiento normativo: un marco de gobernanza de datos garantiza el cumplimiento de diversas leyes y regulaciones, desde HIPAA hasta GDPR. Mejores prácticas para crear un marco de gobierno de datos El primer paso para crear un marco de gobierno de datos eficaz comienza con una comprensión clara de los objetivos de la organización y el papel que desempeña la gestión adecuada de datos para lograrlos. También es aconsejable centrarse en la simplicidad y la flexibilidad al desarrollar un marco de gobernanza de datos. Muchas reglas innecesarias pueden obstaculizar la adopción, mientras que la flexibilidad (sin comprometer la seguridad y el cumplimiento) garantiza una rápida adaptación a un entorno empresarial o regulatorio cambiante. Involucrar a las partes interesadas en un diálogo continuo para perfeccionar las prácticas de gobernanza de datos cuando queden obsoletas. Finalmente, debe invertir en las herramientas de gobierno de datos adecuadas para optimizar sus operaciones. VER: Para obtener información más detallada, consulte nuestra guía sobre mejores prácticas de gobernanza de datos.
Etiqueta: gobernancia
Con la rápida proliferación de los sistemas de IA, los responsables de las políticas públicas y los líderes de la industria exigen una orientación más clara sobre la gestión de la tecnología. La mayoría de los miembros del IEEE de EE. UU. expresan que el enfoque regulatorio actual para la gestión de sistemas de inteligencia artificial (IA) es inadecuado. También dicen que priorizar la gobernanza de la IA debería ser una cuestión de política pública, al igual que cuestiones como la atención sanitaria, la educación, la inmigración y el medio ambiente. Esto es de acuerdo con los resultados de una encuesta realizada por IEEE para el Comité de Políticas de IA de IEEE-USA. Somos presidentes del Comité de Políticas de IA y sabemos que los miembros de IEEE son un recurso crucial e invaluable para obtener conocimientos informados sobre la tecnología. Para guiar nuestro trabajo de promoción de políticas públicas en Washington, DC y comprender mejor las opiniones sobre la gobernanza de los sistemas de IA en los EE. UU., IEEE encuestó una muestra aleatoria de 9.000 miembros activos de IEEE-USA más 888 miembros activos que trabajan en IA y redes neuronales. La encuesta no definió intencionalmente el término IA. En cambio, pidió a los encuestados que utilizaran su propia interpretación de la tecnología al responder. Los resultados demostraron que, incluso entre los miembros del IEEE, no existe un consenso claro sobre una definición de IA. Existen variaciones significativas en la forma en que los miembros piensan sobre los sistemas de IA, y esta falta de convergencia tiene repercusiones en las políticas públicas. En general, se preguntó a los miembros su opinión sobre cómo regir el uso de algoritmos en la toma de decisiones consiguiente y sobre la privacidad de los datos, y si los EE.UU. El gobierno debería aumentar la capacidad de su fuerza laboral y su experiencia en IA. El estado de la gobernanza de la IA Durante años, IEEE-USA ha estado abogando por una gobernanza sólida para controlar el impacto de la IA en la sociedad. Es evidente que los responsables de las políticas públicas estadounidenses luchan con la regulación de los datos que impulsan los sistemas de IA. Las leyes federales existentes protegen ciertos tipos de datos financieros y de salud, pero el Congreso aún tiene que aprobar una legislación que implementaría un estándar nacional de privacidad de datos, a pesar de numerosos intentos de hacerlo. La protección de datos para los estadounidenses es fragmentaria y el cumplimiento de las complejas leyes federales y estatales de privacidad de datos puede resultar costoso para la industria. Numerosos formuladores de políticas estadounidenses han defendido que la gobernanza de la IA no puede ocurrir sin una ley nacional de privacidad de datos que proporcione estándares y barreras técnicas en torno a la recopilación y el uso de datos, particularmente en el mercado de la información disponible comercialmente. Los datos son un recurso crítico para modelos de lenguaje grande de terceros, que los utilizan para entrenar herramientas de inteligencia artificial y generar contenido. Como ha reconocido el gobierno de Estados Unidos, el mercado de información disponible comercialmente permite a cualquier comprador obtener hordas de datos sobre individuos y grupos, incluidos detalles que de otro modo estarían protegidos por la ley. La cuestión plantea importantes preocupaciones sobre la privacidad y las libertades civiles. Resulta que la regulación de la privacidad de los datos es un área en la que los miembros del IEEE tienen puntos de vista de consenso fuertes y claros. Conclusiones de la encuesta La mayoría de los encuestados (alrededor del 70 por ciento) dijo que el enfoque regulatorio actual es inadecuado. Las respuestas individuales nos dicen más. Para brindar contexto, hemos dividido los resultados en cuatro áreas de discusión: gobernanza de las políticas públicas relacionadas con la IA; riesgo y responsabilidad; confianza; y perspectivas comparadas. Gobernanza de la IA como política pública Aunque existen opiniones divergentes en torno a aspectos de la gobernanza de la IA, lo que destaca es el consenso en torno a la regulación de la IA en casos específicos. Más del 93 por ciento de los encuestados apoyan la protección de la privacidad de los datos individuales y están a favor de la regulación para abordar la información errónea generada por la IA. Alrededor del 84 por ciento apoya que se requieran evaluaciones de riesgos para productos de IA de riesgo medio y alto. El ochenta por ciento pidió imponer requisitos de transparencia o explicabilidad a los sistemas de inteligencia artificial, y el 78 por ciento pidió restricciones a los sistemas de armas autónomos. Más del 72 por ciento de los miembros apoyan políticas que restringen o gobiernan el uso del reconocimiento facial en ciertos contextos, y casi el 68 por ciento apoyan políticas que regulan el uso de algoritmos en decisiones importantes. Hubo un fuerte acuerdo entre los encuestados en cuanto a priorizar la gobernanza de la IA como una cuestión de política pública. Dos tercios dijeron que a la tecnología se le debería dar al menos la misma prioridad que a otras áreas dentro del ámbito del gobierno, como la atención médica, la educación, la inmigración y el medio ambiente. El ochenta por ciento apoya el desarrollo y uso de la IA, y más del 85 por ciento dice que debe gestionarse con cuidado, pero los encuestados no estuvieron de acuerdo sobre cómo y quién debería llevar a cabo dicha gestión. Si bien solo un poco más de la mitad de los encuestados dijeron que el gobierno debería regular la IA, este dato debe yuxtaponerse con el claro apoyo de la mayoría a la regulación gubernamental en áreas específicas o escenarios de casos de uso. Solo un porcentaje muy pequeño de computadoras no centradas en la IA Los científicos e ingenieros de software pensaron que las empresas privadas deberían autorregular la IA con una mínima supervisión gubernamental. Por el contrario, casi la mitad de los profesionales de la IA prefieren la supervisión gubernamental. Más de tres cuartas partes de los miembros del IEEE apoyan la idea de que los órganos rectores de todo tipo deberían hacer más para controlar los impactos de la IA. Riesgo y responsabilidad Varias de las preguntas de la encuesta se referían a la percepción del riesgo de la IA. Casi el 83 por ciento de los miembros dijeron que el público no está suficientemente informado sobre la IA. Más de la mitad está de acuerdo en que los beneficios de la IA superan sus riesgos. En términos de responsabilidad de los sistemas de IA, poco más de la mitad dijo que los desarrolladores deberían asumir la responsabilidad principal de garantizar que los sistemas sean seguros y eficaces. Aproximadamente un tercio dijo que el gobierno debería asumir la responsabilidad. Organizaciones confiables Los encuestados clasificaron a las instituciones académicas, las organizaciones sin fines de lucro y las pequeñas y medianas empresas de tecnología como las entidades más confiables para el diseño, desarrollo e implementación responsables. Las tres facciones menos confiables son las grandes empresas de tecnología, las organizaciones internacionales y los gobiernos. Las entidades en las que se confía más para gestionar o gobernar la IA de manera responsable son las instituciones académicas y las instituciones de terceros independientes. Las menos confiables son las grandes empresas de tecnología y las organizaciones internacionales. Perspectivas comparativas Los miembros demostraron una fuerte preferencia por regular la IA para mitigar los riesgos sociales y éticos, y el 80 por ciento de los profesionales de ciencia e ingeniería que no pertenecen a la IA y el 72 por ciento de los trabajadores de IA respaldan esta opinión. El 30 por ciento de los profesionales que trabajan en IA expresan que la regulación podría sofocar la innovación, en comparación con aproximadamente el 19 por ciento de sus homólogos que no se dedican a la IA. Una mayoría de todos los grupos está de acuerdo en que es crucial comenzar a regular la IA, en lugar de esperar, y el 70 por ciento de los profesionales no especializados en IA y el 62 por ciento de los trabajadores de IA apoyan una regulación inmediata. Una mayoría significativa de los encuestados reconoció los riesgos sociales y éticos de la IA. , enfatizando la necesidad de una innovación responsable. Más de la mitad de los profesionales de la IA se inclinan por herramientas regulatorias no vinculantes, como los estándares. Aproximadamente la mitad de los profesionales que no son de IA están a favor de reglas gubernamentales específicas. Un enfoque de gobernanza mixto La encuesta establece que la mayoría de los miembros del IEEE con sede en EE. UU. apoyan el desarrollo de la IA y abogan firmemente por su gestión cuidadosa. Los resultados guiarán al IEEE-USA en su trabajo con el Congreso y la Casa Blanca. Los encuestados reconocen los beneficios de la IA, pero expresaron preocupación por sus impactos sociales, como la desigualdad y la desinformación. La confianza en las entidades responsables de la creación y gestión de la IA varía mucho; Las instituciones académicas se consideran las entidades más confiables. Una minoría notable se opone a la participación del gobierno y prefiere pautas y estándares no regulatorios, pero las cifras no deben verse de forma aislada. Aunque conceptualmente existen actitudes mixtas hacia la regulación gubernamental, existe un consenso abrumador a favor de una regulación rápida en escenarios específicos como la privacidad de los datos, el uso de algoritmos en la toma de decisiones consecuentes, el reconocimiento facial y los sistemas de armas autónomos. para un enfoque de gobernanza mixto, utilizando leyes, regulaciones y estándares técnicos e industriales.
Source link
Hubo un récord de 2.349 colapsos de empresas constructoras en el año calendario 2023, lo que representa casi el 28% de todas las quiebras empresariales australianas. De cara a 2024, la industria de la construcción enfrentará la presión continua de tasas de interés relativas más altas, interrupciones en las cadenas de suministro, costos de materiales más elevados y escasez de mano de obra. Existe el riesgo de que la calidad de la construcción y la seguridad de los trabajadores se vean afectadas si las empresas toman atajos. Un informe de 2023 de la Universidad de Melbourne en asociación con la empresa de software Autodesk argumentó que la integración de una variedad de tecnologías en los flujos de trabajo de la industria de la construcción podría ayudar a salvaguardar tanto la calidad de la construcción como la seguridad de los trabajadores en el futuro. Estos incluyen la utilización de tecnologías de captura de datos como escaneo 3D y Lidar, hasta entornos de datos comunes para partes interesadas del proyecto y de la industria que utilizan simulación 4D y experiencias basadas en realidad virtual para maximizar los beneficios de los programas de capacitación de contratistas. Los fallos en la construcción ponen de relieve las lagunas en la gestión de datos de los proyectos. Australia ha sido testigo de una serie de debacles en la construcción residencial. Entre ellas se incluyen la Torre Opal y las Torres Mascot en Sydney, que se reveló que tenían defectos graves, y la Torre Lacrosse de Melbourne, que se incendió después de haber sido adornada con un revestimiento inflamable (Figura A). Figura A: Los defectos en el desarrollo de Opal Tower en Sydney provocaron la evacuación de los residentes y años de trabajos de reparación. Imagen: Ecove Group Estos proyectos problemáticos, que han costado millones a algunos residentes del edificio, llevaron a una investigación nacional y al Informe Shergold Weir, que recomendó un modelo nacional de mejores prácticas para fortalecer la implementación efectiva del Código Nacional de Construcción. Los fallos de construcción y el informe impulsaron esfuerzos regulatorios estatales, como la nueva Comisión de Construcción de Nueva Gales del Sur, que tiene el poder de vetar o intervenir si no se cumplen las normas. Las preocupaciones sobre los productos de construcción fueron reemplazadas por la necesidad de datos claros y compartidos. El informe de la Universidad de Melbourne encontró que los recientes proyectos problemáticos de construcción residencial en Australia habían resaltado la necesidad de: Mejores pistas de auditoría de los materiales instalados. Mejor captura de información e intercambio simplificado de información entre las partes interesadas del proyecto involucradas en la especificación, selección, instalación y mantenimiento de materiales, componentes y sistemas de construcción. VER: La gestión de datos eficaz es necesaria para cualquier industria. El informe señaló que para 2023, las preocupaciones sobre un tema: la calidad de los productos de construcción y su procedencia se habrán reducido. La industria ahora se está centrando en altos estándares durante el proceso de ejecución e instalación para hacer cumplir las especificaciones de construcción subyacentes. Pero a pesar del progreso en la digitalización de la construcción desde el diseño hasta la entrega y la operación, todavía hay problemas, y el informe de la Universidad de Melbourne señala la falta de claridad para permitir la toma de decisiones y la captura de información inconsistente como algunos de los principales problemas de calidad. Los registros de auditoría y la captura de información «tal como está construido» son problemas clave. El informe encontró que el 51,9% de los encuestados de la industria todavía enfrentan una falta de claridad y registros de auditoría para los procesos de toma de decisiones, a pesar de las deficiencias detectadas en las Torres Opal y Lacrosse, lo que indica la necesidad de una mejor captura de información y pistas de auditoría. La información y los registros de auditoría proporcionan documentación o datos “fuentes de la verdad” sobre cómo un edificio cumple con un código de construcción, así como qué cambios o decisiones se han tomado durante el proyecto de construcción, para respaldar el cumplimiento de la regulación y la transparencia para los propietarios. Más cobertura de Australia Además, el 50% de la industria está luchando por capturar información «as-built». Esta información es un dibujo o datos que muestran cómo se construyó realmente un edificio, incluidas las modificaciones, adiciones u otros cambios realizados durante la construcción que pueden diferir de los planos originales. Con el uso continuo de formularios en papel y los problemas con la integración de sistemas digitales y el intercambio de información, otros problemas predominantes incluyen: Dificultad para acceder a los datos (42,3%). Dificultad para gestionar y mantener los datos (40,4%). Falta de debida diligencia (36,5%). Tecnologías diseñadas para respaldar los estándares de calidad de la construcción Mejoras en la gestión de la información de la construcción durante los proyectos El modelado de información de la construcción se utiliza para la creación y gestión de datos durante todo el proceso de diseño, construcción y operaciones. A través de representaciones digitales del proyecto, gestionadas en una plataforma de nube abierta, se puede permitir la colaboración en tiempo real entre los participantes. VER: Es posible que las empresas quieran considerar el software de gestión de proyectos para la construcción. El informe sugiere que BIM aplicado conjuntamente por la industria en “entornos de datos comunes” (que reúnen conjuntos de datos que de otro modo serían dispares) son vías prometedoras que ayudarían a los equipos de proyecto a mejorar la colaboración y digitalizar procesos como la verificación y la aprobación (Figura B). Figura B: El uso de BIM durante la construcción del estadio Optus en Perth fue “tremendamente útil” según uno de sus arquitectos, HASSEL. Imagen: Autodesk La continua digitalización de los flujos de trabajo de construcción Los flujos de trabajo digitales están ayudando a los equipos de construcción a gestionar una variedad de actividades en el sitio: el escaneo 3D y la tecnología Lidar se están utilizando para capturar información precisa «tal como se construyó», reemplazando una era pasada de verificaciones manuales y documentación. La captura de la realidad, incluso a través de imágenes de 360 grados, permite a los constructores capturar digitalmente las condiciones reales del lugar de trabajo para moverse más rápido y tomar decisiones más inteligentes. Para mantener bien administrados los recursos de construcción, se están implementando geocercas, que utilizan señales de GPS para identificar y mantener equipos y personas dentro de un área definida. El informe señala que las superposiciones de inteligencia artificial probablemente ofrecerán formas adicionales de automatizar procesos como verificaciones y aprobaciones en el futuro. La IA también podría utilizarse para respaldar el diseño y la construcción de materiales prefabricados para proyectos de construcción en Australia en el futuro. VER: Australia necesitará superar estos desafíos de TI de la IA. Mejorar la capacitación en la industria de la construcción con tecnología Se espera que la tecnología desempeñe un papel cada vez más importante para ayudar a los contratistas de la construcción a mejorar sus registros de seguridad. Se están utilizando simulación 4D, que demuestra la actividad de construcción en 3D a lo largo del tiempo, y capacitación basada en realidad virtual para apoyar la capacitación de los trabajadores. La tecnología podría minimizar futuras catástrofes en la construcción. En el momento de la publicación del informe en 2023, el autor Dominik Holzer, profesor asociado de diseño arquitectónico digital de la Universidad de Melbourne, dijo que la tecnología tenía un papel clave que desempeñar a la hora de «preparar a las empresas de construcción para la prevención de riesgos y establecer la seguridad». barreras”. Si bien el informe reconoció que la tecnología no podía “solucionar” todos los problemas que afectan al sector de la construcción residencial de Australia en particular, jugó un papel clave en el contexto de dinámicas complejas y flujos de información que impulsan la productividad y la transformación en toda la industria. «La tecnología tiene el potencial de ayudar a abordar muchos de los desafíos que enfrenta la práctica de la construcción a través de interfaces y entornos de información que conectan a las personas y los flujos de trabajo, sin importar si se aplica dentro de la propia organización o de manera integral entre los equipos del proyecto y más allá», dice el informe.
En un acontecimiento reciente, OpenAI anunció una nueva junta directiva, que incluye un puesto de observador sin derecho a voto para el gigante tecnológico Microsoft. Esta decisión se produjo después de un período tumultuoso durante el cual el director ejecutivo de OpenAI, Sam Altman, fue destituido y el futuro de la empresa era incierto. Bloomberg informó que la ejecutiva de Microsoft, Dee Templeton, se unió a la junta directiva de OpenAI. Sin embargo, se incorpora como observador sin derecho a voto. Esto es parte de la reorganización de la junta directiva de OpenAI. Antecedentes OpenAI, la compañía detrás del popular chatbot de IA, ChatGPT, causó revuelo en noviembre pasado cuando el director ejecutivo de la compañía, Sam Altman, fue destituido temporalmente por la junta directiva de OpenAI. El conflicto entre Sam Altman y la junta directiva de OpenAI comenzó cuando la junta perdió la confianza en su director ejecutivo, lo que llevó a su destitución. La junta citó la falta de transparencia como una de las razones del despido de Altman. Esta decisión encontró resistencia por parte de Altman, quien sostuvo que las acciones de la junta no respondían a prácticas comerciales, de seguridad o de protección/privacidad. Los miembros de la junta se sintieron abrumados y tenían un ancho de banda limitado para interactuar con cualquier persona, incluido Microsoft. Microsoft, un importante inversor en OpenAI, intervino en el asunto y Altman volvió a su puesto de director ejecutivo después de unos días. Después de regresar a su puesto, Altman dijo que Microsoft actuará como observador sin derecho a voto en la junta directiva de OpenAI. La posición de observador significa que los representantes de Microsoft pueden asistir a las reuniones de la junta directiva de OpenAI. También puede obtener información confidencial. Sin embargo, Microsoft no tiene derecho a voto en asuntos que incluyen la elección o selección de directores. La nueva junta directiva La nueva junta directiva de OpenAI está formada por el exsecretario del Tesoro, Larry Summers, el director ejecutivo de Quora, Adam D’Angelo, y el ex codirector ejecutivo de Salesforce, Bret Taylor, con Taylor como presidente. Greg Brockman ha regresado como presidente de OpenAI, y Mira Murati, quien había sido directora de tecnología de la compañía y fue nombrada brevemente directora ejecutiva interina, ahora es nuevamente la directora de tecnología. Gizchina Noticias de la semana Templeton ha estado en Microsoft durante 25 años. Actualmente es la vicepresidenta de asociaciones y operaciones de tecnología e investigación de la empresa. Los informes dicen que ha comenzado a asistir a las reuniones de la junta directiva de OpenAI. OpenAI acordó previamente reorganizar parcialmente la junta directiva que había derrocado a Altman, al ex codirector ejecutivo de Salesforce, Brett Taylor, así como al exsecretario del Tesoro de EE. UU., Larry Summers, y el director ejecutivo y actual director de Quora, Adam Daan Jello, se convertirá en miembro de la junta directiva de OpenAI. Directores. La posición de observador sin derecho a voto para Microsoft Como parte de la nueva estructura de la junta directiva, a Microsoft se le ha otorgado una posición de observador sin derecho a voto en la junta directiva de OpenAI. Esta medida permite a Microsoft tener una mayor influencia sin atraer el escrutinio regulatorio. La posición de observador significa que el representante de Microsoft puede asistir a las reuniones de la junta directiva de OpenAI. Además, el representante informará información relevante al director ejecutivo, Satya Nadella. Implicaciones para la gobernanza y el futuro de OpenAI La nueva estructura de la junta directiva y la presencia de un puesto de observador sin derecho a voto para Microsoft pueden indicar un cambio en la gobernanza de OpenAI. Sin embargo, las implicaciones específicas para el futuro de la empresa siguen sin estar claras. Algunos expertos creen que la situación actual es el mejor resultado posible. Creen que trasladar al personal de OpenAI a una empresa diferente podría haber dado lugar a litigios costosos y una pérdida de tiempo. Esto se suma a una posible intervención gubernamental. Conclusión La posición de observador sin derecho a voto de Microsoft en la junta directiva de OpenAI le da a la empresa más acceso a información confidencial de la empresa. Esta medida marca un cambio significativo en el gobierno de la empresa. El futuro de OpenAI no se puede predecir por el momento. Sin embargo, la presencia de un puesto de observador sin derecho a voto para Microsoft puede indicar un camino más estable a seguir para la empresa. El autor de Bio Efe Udin es un escritor de tecnología experimentado con más de siete años de experiencia. Cubre una amplia gama de temas en la industria tecnológica, desde la política industrial hasta el rendimiento de los teléfonos móviles. Desde móviles hasta tablets, Efe también ha estado atenta a los últimos avances y tendencias. Proporciona análisis y reseñas perspicaces para informar y educar a los lectores. Efe es un apasionado de la tecnología y cubre historias interesantes, además de ofrecer soluciones cuando es posible. Descargo de responsabilidad: Es posible que algunas de las empresas de cuyos productos hablamos nos compensen, pero nuestros artículos y reseñas son siempre nuestras opiniones honestas. Para obtener más detalles, puede consultar nuestras pautas editoriales y conocer cómo utilizamos los enlaces de afiliados.
La gobernanza de datos juega un papel fundamental para garantizar que los datos estén disponibles, sean consistentes, utilizables, confiables y seguros. Hay muchos desafíos que enfrentar para mantener la gobernanza de datos, y la apuesta ha subido para sistemas como la inteligencia artificial y el aprendizaje automático. Los sistemas AI/ML funcionan de manera diferente a los sistemas tradicionales de registros fijos. El objetivo no es devolver un valor o un estado para una sola transacción. Más bien, un sistema de IA/ML examina petabytes de datos en busca de respuestas a consultas que pueden ser vastas y multifacéticas. Además, los datos pueden provenir de muchas fuentes internas y externas diferentes, cada una con su propia forma de recopilar, curar y almacenar datos, que pueden ajustarse o no a los estándares de gobernanza de su organización. Luego, es cuestión de asegurarse de que los sistemas de IA/ML estén capacitados con datos confiables para garantizar la precisión. Estas son solo algunas de las preocupaciones que enfrentan las empresas y sus auditores mientras se centran en la gobernanza de datos para AI/ML y buscan herramientas que puedan ayudarlos. Saltar a: ¿Por qué es necesaria la gobernanza de datos para los sistemas de IA/ML? Según el Índice global de adopción de IA de IBM 2022, la tasa de adopción global de IA es del 35% y es omnipresente en algunas industrias y países de todo el mundo. Esta rápida adopción de sistemas de IA y ML para impulsar la innovación y la toma de decisiones hace que la integridad y la gestión de los datos subyacentes sean primordiales. VER: Obtenga más información sobre la gobernanza de datos. En comparación con los sistemas informáticos tradicionales, los sistemas de IA y ML tienen más matices, lo que subraya la importancia de la gobernanza de datos. Hay dos razones principales por las que es necesario un marco de gobernanza de datos sólido para los sistemas AI/ML: Estructura dinámica: en comparación con los sistemas de datos tradicionales, los sistemas AI/ML son dinámicos: evolucionan constantemente y aprenden de datos estructurados y no estructurados. Volumen y variedad de datos: la eficacia de un sistema de IA/ML es directamente proporcional al volumen y la variedad de los conjuntos de datos con los que entrena y de los que aprende. Debido a estos factores, sin una gobernanza estricta, los sistemas de IA/ML pueden producir resultados inconsistentes, inexactos e incluso sesgados. ¿Cómo funciona la gobernanza de datos con los sistemas de IA/ML? Los sistemas AI/ML están diseñados para manejar grandes cantidades de datos de forma simultánea y asincrónica. Esto significa que se introducen múltiples subprocesos de datos en el procesador al mismo tiempo, lo que permite un procesamiento de datos más rápido y eficiente. Sin embargo, esto también introduce complejidades. El objetivo principal de un sistema de IA/ML es buscar en conjuntos de datos masivos para encontrar respuestas, que van desde predecir tendencias futuras basadas en datos históricos hasta identificar patrones en datos de comercio electrónico. Si los datos de una fuente están corruptos o sesgados, pueden influir en el resultado general, haciendo que los resultados no sean fiables. Por lo tanto, es de vital importancia incorporar una gobernanza de datos rigurosa en el proceso para garantizar que cada hilo de datos sea preciso, relevante y esté libre de sesgos. El papel de TI en la aceleración del procesamiento de datos Los departamentos de TI desempeñan un papel fundamental en el proceso de gobernanza de datos de IA/ML. Al preprocesar y eliminar datos irrelevantes o redundantes, pueden acelerar significativamente los tiempos de procesamiento de datos para los sistemas AI/ML. Esto garantiza que los modelos AI/ML se ejecuten de manera eficiente y funcionen con los datos más relevantes y de alta calidad. VER: Explore estas principales herramientas de preparación de datos. Además, los equipos de TI pueden implementar herramientas y protocolos para automatizar muchas tareas de gobernanza, como la validación de datos, garantizar la coherencia entre fuentes de datos y monitorear posibles violaciones de seguridad. Desafíos en la implementación de la gobernanza de datos para sistemas AI/ML La integración y gestión de datos para sistemas AI/ML plantean varios desafíos de gobernanza de datos que las organizaciones deben afrontar. Cobertura de big data de lectura obligada Integración de datos de varias fuentes Cuando las organizaciones recopilan datos de múltiples fuentes, cada una con sus propios estándares de gobernanza, garantizar la coherencia se convierte en un obstáculo importante. Esta diversidad puede dar lugar a discrepancias, redundancias e imprecisiones en los datos. Los datos deben armonizarse para proporcionar una visión integral que sea esencial para la eficacia. Integrar los datos en un formato unificado es un proceso complejo que implica limpieza, transformación y normalización. Para evitar modelos defectuosos, es fundamental garantizar que los vastos conjuntos de datos utilizados por los sistemas de IA/ML sean precisos y relevantes. Recomendaciones confiables Los datos de entrenamiento de algunos modelos de IA/ML son secretos, lo que dificulta que las organizaciones confíen y comprendan plenamente las recomendaciones proporcionadas por estos sistemas. Sin una idea de cómo se toman las decisiones, existe el riesgo de una mala interpretación o uso indebido. Por ejemplo, los modelos de IA/ML a veces reflejan o amplifican sesgos en los datos. Según un estudio de Obermeyer et al, un algoritmo que utilizó los costos de salud como indicador de las necesidades de salud, asignó a los pacientes negros, que estaban más enfermos que otros pacientes blancos, el mismo nivel de riesgo para la salud. Saber qué datos de entrenamiento se utilizan para el modelo y que se practica una gobernanza de datos rigurosa puede ayudar a identificar y rectificar estos sesgos, garantizando la equidad en los resultados del modelo. Mantener la calidad de los datos Dado que los sistemas de IA/ML dependen en gran medida de datos de alta calidad, es fundamental garantizar que los datos estén limpios, sean precisos y estén actualizados. La mala calidad de los datos puede dar lugar a predicciones y conocimientos erróneos del modelo. Por ejemplo, la mala calidad de los datos puede provocar sesgos en las predicciones. Un modelo de contratación discontinuo de Amazon es otro gran ejemplo en el que un ML formado con currículums de una década en 2014 desarrolló un sesgo contra las candidatas. La implementación de una gobernanza de datos para los sistemas de IA/ML garantiza que los datos utilizados sean siempre de la más alta calidad, lo que puede ayudar a eliminar cualquier sesgo o imprecisión. Seguridad y privacidad de los datos El manejo de grandes volúmenes de datos procesados requiere una vigilancia constante para proteger la información confidencial y cumplir con las regulaciones. Grandes volúmenes de datos conllevan un mayor riesgo de seguridad y cumplimiento que exige el cumplimiento de muchas leyes diferentes de privacidad y protección de datos que trascienden fronteras. VER: Explore estas herramientas de calidad de datos superiores. Las fallas en la seguridad de los datos pueden tener consecuencias nefastas, como acceso no autorizado, manipulación de datos y violaciones. También puede socavar la confianza en el sistema de IA y tener consecuencias legales que dañen la reputación de una empresa y provoquen pérdidas financieras por disminución de las ventas o multas regulatorias. Una política de gobernanza de datos garantiza de manera proactiva que la seguridad de los datos cumpla con las regulaciones de protección de datos, emplea métodos de encriptación y monitorea el acceso a los datos periódicamente a través de auditorías. Cómo utilizar la gobernanza de datos para sistemas AI/ML El futuro de la gobernanza de datos en AI/ML no se trata solo de administrar datos sino también garantizar que se aproveche de manera responsable y eficaz. A medida que evoluciona el panorama de la IA/ML, también lo hace la importancia de una gobernanza de datos sólida. Las organizaciones deben ser proactivas, adaptables y estar equipadas con las herramientas adecuadas para navegar en este terreno. Asegúrese de que los datos sean consistentes y precisos Al integrar datos de sistemas transaccionales internos y externos, los datos deben estar estandarizados, para que puedan comunicarse y combinarse con datos de otras fuentes. Las interfaces de programación de aplicaciones que están prediseñadas en muchos sistemas facilitan esto, de modo que pueden intercambiar datos con otros sistemas. Si no hay API disponibles, las empresas pueden utilizar herramientas ETL, que transfieren datos de un sistema a un formato que otro sistema puede leer. Al agregar datos no estructurados, como objetos fotográficos, de video y de sonido, existen herramientas de vinculación de objetos que pueden vincular y relacionar estos objetos entre sí. Un buen ejemplo de enlazador de objetos es un sistema de información geográfica, que combina fotografías, esquemas y otros tipos de datos para ofrecer un contexto geográfico completo para un entorno particular. Confirmar que los datos son utilizables A menudo pensamos que los datos utilizables son datos a los que los usuarios pueden acceder, pero es más que eso. Si los datos han perdido su valor porque están obsoletos, deben eliminarse. Dicho esto, los usuarios empresariales y de TI deben ponerse de acuerdo sobre cuándo se deben eliminar los datos. Esto vendrá en forma de políticas de retención de datos. PREMIUM: Benefíciate de esta política de retención de datos electrónicos. Hay otras ocasiones en las que se deben eliminar los datos de IA/ML. Esto sucede cuando se cambia un modelo de datos para IA y los datos ya no se ajustan al modelo. En una auditoría de gobernanza de IA/ML, los examinadores esperarán ver políticas y procedimientos escritos para ambos tipos de depuración de datos. También verificarán que las prácticas de eliminación de datos cumplan con los estándares de la industria. Para mantenerse al día con estos estándares y prácticas, las empresas deberían considerar invertir en herramientas y utilidades de eliminación de datos. Asegúrese de que los datos sean confiables. Las circunstancias cambian. Un sistema de IA/ML que alguna vez funcionó de manera bastante eficiente puede comenzar a perder efectividad. Esto se conoce como deriva del modelo. Esto se puede confirmar comparando periódicamente los resultados de AI/ML con el rendimiento pasado y con lo que está sucediendo en el mundo. Si la precisión del sistema AI/ML se aleja de los datos actuales, es esencial solucionarlo. PREMIUM: asegúrese de que su empresa esté equipada con una política de ética de IA. Existen herramientas de IA/ML que los científicos de datos utilizan para medir la desviación del modelo, pero la forma más directa para que los profesionales de negocios verifiquen la desviación es comparar el rendimiento del sistema de IA/ML con el rendimiento histórico. Para abordar los desafíos de implementar la gobernanza de datos en sistemas de IA/ML, las organizaciones pueden invertir en herramientas de gobernanza de datos. Estas son algunas de las principales herramientas: Collibra: una plataforma holística de gobierno de datos adecuada para la gestión y el gobierno integrales de datos. Informatica: Reconocida por la integración de datos, es ideal para integrar datos de múltiples fuentes. Alation: Automatiza el descubrimiento y la catalogación de datos mediante el aprendizaje automático. Erwin: proporciona capacidades de modelado de datos, lo que ayuda a las empresas a comprender su panorama de datos. OneTrust: enfatiza el cumplimiento de datos, ayudando a las empresas a cumplir con las regulaciones. SAP Master Data Governance: ofrece procesamiento y gobierno de datos sólidos para empresas. Para obtener un análisis más detallado de las herramientas de gobernanza de datos y cómo pueden beneficiar a su organización, lea nuestra revisión de las principales herramientas de gobernanza de datos de 2023.