Entrevista: Angela Shen-Hsieh desmitifica“la caja negra” del Big Data

Wednesday, 28 June 2017

Entrevista: Angela Shen-Hsieh desmitifica“la caja negra” del Big Data

AI and Big Data
Angela Shen-Hsieh es Directora de Predicción del Comportamiento Humano en la Innovación de Productos de Telefónica. En esta función, se encarga de liderar la innovación interna.

Antes de unirse a Telefónica en noviembre, Angela trabajó en IBM Watson, administrando las líneas de productos de inteligencia de conversación y descubrimiento de datos, y fue fundadora y directora general de varias startups de visualización de datos. Angela fue entrenada como arquitecta, recibiendo su Maestría en Arquitectura de la Universidad de Harvard.

Nos sentamos con Angela para hablar de su papel en la intersección de Inteligencia Artificial, Aprendizaje Automático y Big Data.


¿Cómo empezaste con tecnologías como la IA, el Machine Learning y el Big Data, sobre todo teniendo en cuenta tu experiencia en arquitectura?


En realidad, empecé a través del diseño. Dirigí varias compañías que diseñaban interfaces de usuario para datos, y esto se convirtió en una competencia en torno a desmitificar la caja negra de los análisis para que las personas encargadas de tomar decisiones pudieran actuar sobre los datos con confianza.

Uno de los problemas es que los análisis pueden ser misteriosos, así que trabajamos mucho en los sistemas de apoyo para la toma de decisiones internas. Por ejemplo, si colocas un número en un tablero o se lo das a una persona encargada de tomar decisiones y que no pueda desentrañarlo, es difícil que tengan confianza. No pueden mirarlo y entender todas sus implicaciones. Digamos, por ejemplo, que un número concreto es rojo. ¿Por qué es rojo? ¿Cuánto tiempo ha sido rojo? ¿Seguirá siendo rojo si restringimos los datos y excluimos este proyecto, un país o esta línea de productos?

Este es un problema de visualización interactiva fundamental, necesario para entender realmente de qué manera las personas utilizamos los análisis. Ahí es donde entra en juego el aspecto del diseño. Los arquitectos no construimos edificios, sino que hacemos imágenes de edificios. Así que los arquitectos son expertos en representación visual. Ese es el mismo enfoque que tomamos para hacer que los datos fueran más fáciles de leer para las personas de negocios. Esto hizo que se crearan aplicaciones que podían proporcionar análisis a los consumidores para ayudarles a mejorar su salud o mejorar otro tipo de comportamiento.

AI and Big Data
Figura 1: AI y Machine Learning son herramientas claves para Big Data.

¿Cuáles son algunos de los mayores obstáculos que encuentra en el uso de la IA y el Machine Learning para innovar con el Big Data?


El obstáculo más grande es el propio Big Data. El término "Big Data" hace mucho tiempo que existe, pero eso no significa que sea realmente tan accesible como uno cree. Todavía existen los mismos retos de inteligencia empresarial que ha habido siempre: datos que no están estandarizados, que no están armonizados, que no están limpios o que no están completos. Es difícil de averiguar y es muy manual. Así que el Machine Learning y la IA ofrecen esta automatización, pero en realidad todavía hay mucho trabajo manual. Esto es uno de los retos.

Otro reto es que, en la organización de productos, tenemos que averiguar cómo monetizamos el Big Data y este tipo de tecnologías. Una cosa es construir una solución a medida, y otra cosa completamente diferente es comercializar un producto que se puede vender a muchos clientes en volumen y escala: en lugar de 50 clientes con un pago cada uno de 100.000 €, ¿cómo deberíamos erguir un negocio con 500.000 clientes que cada uno gasta 100 € al mes? Hay todo tipo de retos más allá de resolver solo el problema técnico en el machine learning de si los datos pueden contar la historia que usted espera o no. En IBM Watson lo vi de cerca. 

Estábamos intentando adoptar esta increíble tecnología que ganó el juego de preguntas y respuestas de televisión Jeopardy! y erigir un gran negocio respondiendo a preguntas de servicio al cliente o buscar lo imposible en la literatura médica y mucho más. Hubo muchos falsos comienzos, un montón de desafíos alrededor de las expectativas de los usuarios, alrededor del enfoque, una gran presión para ganar dinero haciendo todo esto, y todo ello mientras el mercado se estaba moviendo para hacer más cómodas estas capacidades de consulta de lenguaje natural. Para comercializar datos e IA/ML, hay que solucionar un problema más amplio.

¿Qué la trajo a Telefónica?


Vine a Telefónica por dos razones: los datos y el proceso de innovación. Aunque IBM tiene una extensión y recursos increíbles como compañía de 450.000 personas, hay cosas que Telefónica tiene e IBM no. La primera son los datos.

Básicamente, este tipo de tecnologías requiere una dieta constante de datos para sobrevivir y mejorar. Estaba muy intrigada por las posibilidades y la extensión y riqueza de los datos que Telefónica tiene a su disposición. 

La segunda es el proceso de innovación en Telefónica. Me impresionó mucho lo bien pensado que está: estructurado, pero con un montón de espacio para experimentar y aportar nuevas ideas y personas. No todas las grandes empresas tienen esta manera de pensar y se necesita un tipo muy especial de enfoque y diferentes tipos de personas para coger las cosas que pueden ser herramientas de investigación y convertirlas en productos comerciales. Este proceso me impresionó y por este motivo el área en que más me gusta trabajar es la innovación, que yo sitúo entre la investigación más académica y el desarrollo de productos.

Cuéntanos más sobre tu papel como directora de predicción del comportamiento humano en Telefónica. ¿Puede hablarnos de alguno de los proyectos actuales que le emocionen especialmente?

¡Hay muchas cosas que me emocionan! Esta área había empezado de una forma bastante amplia, pidiendo ideas a toda la organización (que es la manera correcta). Estamos en un momento en el que, con la cuarta plataforma, podemos construir productos con más facilidad y necesitamos poner los proyectos en un enfoque común.

Conservamos las cosas buenas del proceso de innovación que tenemos, pero las hacemos más enfocadas para poder causar un mayor impacto. El enfoque que tenemos en predecir el comportamiento humano es lo que llamamos "experiencia cognitiva del cliente" es decir, cómo traemos datos contextuales para mejorar las interacciones con los clientes en todo el ciclo de vida de compromiso del cliente.

Pueden ser cosas tanto internas como externas, todo con una mirada hacia lo que será el próximo mercado de negocios que Telefónica pueda capitalizar en torno a los datos. ¿Cuál es el futuro de la publicidad tal y como la conocemos, agentes inteligentes, robots, cómo se realizan las compras y las transacciones, cómo se realiza el servicio al cliente…?

Todas estas cosas van a mejorar. La inteligencia parte de la inteligencia artificial y vendrá a través de una mejor comprensión del cliente y su contexto que viene a través de datos. Así que nos estamos enfocando en permitir que esto suceda.

¿Cómo ves la IA y el Machine Learning cambiando la forma en que usamos el Big Data?


En palabras sencillas, la mayoría de los análisis tradicionales han estado centrados en el pasado. Miran hacia atrás e intentan decirle cosas sobre el pasado que tal vez podría aplicar al futuro. Debido a que estas tecnologías aprenden con el tiempo y pueden hacer correlaciones y entendimientos que realmente no son tan visibles, deberíamos poder reaccionar más rápido, ser más proactivos y predecir más el futuro, y entonces podríamos ser más prescriptivos. Como alguien que pasó décadas construyendo tableros de mando que eran en su mayoría reactivos, esta es una evolución de cambio importante.

La otra cosa es que hay una línea muy fina, cuando hablamos de IA y Machine Learning, entre datos estructurados y no estructurados, y esto es muy importante. La industria ha estado intentando encontrar la manera de unir esas dos cosas, pero provienen de bases tecnológicas muy diferentes.
Los datos estructurados y no estructurados no funcionan bien juntos en los métodos tradicionales de inteligencia empresarial o de búsqueda empresarial. El contenido y los datos no hablan entre sí. Sin embargo, para el usuario final hay poca diferencia entre una respuesta a una pregunta como "¿Cuál es el nombre de la esposa de Harrison Ford?" y otra como "¿Cuánto mide Harrison Ford?" 

Piensan en eso como información o datos y, de hecho, estas palabras se usan indistintamente por la mayoría de las personas. Pero en términos de tecnologías, almacenamos esas respuestas de forma muy diferente (en una base de datos frente a un sistema de gestión de contenido) y seguimos las respuestas dependiendo de cómo almacenamos los datos (consulta frente a búsqueda). Pero el uso de IA y Machine Learning junto con el Big Data tiene el objetivo de unir datos estructurados y no estructurados.



structured and unstructured data
Figura 2: La perspectiva de reunir datos estructurados y no estructurados puede mejorar enormemente las capacidades de datos.

¿Cuáles son las mayores áreas de potencial sin explotar para el Big Data?


En el Machine Learning y la IA hay muchas técnicas emergentes como el aprendizaje profundo y las redes neurales. Por parte de los negocios, creo que va a haber sindicación de datos a través de un mercado o sistema de red. ¡O eso o dejamos que Google y Amazon tomen el control del mundo! En términos de casos de uso y cosas tangibles que sentiremos, estoy más interesada en cómo las cosas pueden ayudar a las personas. 

Estamos en una batalla en la economía de la atención, por lo que ello significaría hacer las cosas más libres de fricción, más personales y relevantes, y mirando cómo las cosas se pueden hacer con menos intervención y menos conexión manual de los puntos. En este momento, como consumidores todavía tenemos que conectar un montón de puntos para llegar de extremo a extremo mediante cualquier transacción. ¿Cómo puede esto tener menos fricción y hacerse de una forma más segura y fácil?

También estoy interesada en los tipos de casos de uso en los que el Big Data realmente puede ayudarme en algo que me costaría mucho conseguir. Cosas como comer mejor y hacer el ejercicio correcto. Estamos investigando otras áreas como aplicar esto al comportamiento en línea y al comportamiento del uso del teléfono móvil. Las personas hablan de lo decepcionadas que están con ellas mismas porque no pueden dejar Snapchat o Facebook. Tristan Harris, que es más conocido por su papel en la ética del diseño de Google, ha creado un "movimiento" llamado Time Well Spent (tiempo bien invertido). 

Habla sobre cómo estamos obligados porque se han desarrollado técnicas para hacernos adictos, y una vez que una aplicación utiliza esta técnica, las otras aplicaciones también tienen que hacerlo porque todas están compitiendo por nuestra escasa atención. Así que tal vez podamos usar el Big Data para darle la vuelta. Si podemos obligar y predecir nuestro comportamiento humano, deberíamos ser capaces de devolver estos datos para ayudarnos a mejorar nuestro comportamiento y otros aspectos de nuestras vidas y de nosotros mismos.

No comments:

Post a Comment