como los casos de uso pragmáticos

• En su duodécima año, el más reciente reporte también revela que la descentralización de la propiedad de los datos proporciona una mayor privacidad y personalización de la información en dispositivos.

Thoughtworks (NASDAQ: TWKS), la empresa de consultoría digital global que integra la estrategia, diseño y la ingeniería para impulsar la innovación digital, publicó el volumen 27 de su Radar Tecnológico, un reporte semestral realizado en base a sus observaciones, conversaciones y experiencias de primera mano para resolver los desafíos más complejos de sus clientes a nivel mundial.

Mientras que en el pasado Machine Learning (ML) requería grandes conjuntos de datos y acceso a una inmensa potencia de cálculo para abordar cuestiones empresariales complejas, el reporte destaca que el crecimiento y amplitud de las herramientas, aplicaciones y técnicas permite a las organizaciones TI hacer más con el ML y en más lugares.

A medida que la potencia de cálculo ha ido en aumento en dispositivos de todos los tamaños y tipos, y las herramientas de código abierto se han ido popularizando y facilitando su uso, el Machine Learning se ha vuelto accesible incluso para las organizaciones más pequeñas. En particular, con requisitos cada vez más estrictos y la concientización en torno a la privacidad y la información personalizada, las organizaciones se están dando cuenta que las técnicas, como el ML federado, dan pie a una mayor privacidad para la información sensible en el internet de las cosas (IoT) y dispositivos móviles.

Ya que el Machine Learning depende en gran parte de la calidad de los datos de formación, las precauciones habituales siguen siendo las vulnerabilidades y los sesgos inherentes a los conjuntos de datos. Sin embargo, la relevancia de las herramientas de código abierto está ayudando a crear transparencia en la forma en que los algoritmos interpretan y actúan sobre los datos .

La Dra. Rebecca Parsons, Chief Technology Officer de Thoughtworks, cuenta que “antes se limitaba a los usuarios más avanzados y a las organizaciones de TI con grandes recursos, pero los modelos y componentes de ML, más fáciles de usar y disponibles públicamente, están ayudando a reducir las barreras de entrada y a hacer que las experiencias y soluciones de ML sean accesibles a un número aún mayor de organizaciones”, agregando que se les aconseja a las organizaciones que se abran también a casos de uso más pragmáticos en los que el ML pueda aplicarse a las operaciones, los productos y los servicios para lograr una mayor eficiencia, y no sólo a las aplicaciones más revolucionarias”.

Entre los temas destacados del Volúmen 27 del Radar Tecnológico se incluyen:

• El dominio del ML: En poco más de una década, el Machine Learning pasó de ser una técnica altamente especializada a algo que puede ser realizado por casi cualquier persona con acceso a datos y poder de cálculos. Si bien ello se agradece, todavía es esencial que la industria pueda navegar tanto la proliferación de las herramientas y frameworks en el espacio y las cuestiones éticas que se están volviendo cada vez más visibles y urgentes.

• El poder de las plataformas como un producto: Una plataforma puede ser algo poderoso, especialmente cuando se trata de empoderar a los desarrolladores. Sin embargo, a menudo vemos resultados desilusionantes cuando no son tratadas adecuadamente como productos, es importante que las plataformas sean construidas y mantenidas de manera tal que respondan e intercedan con las necesidades tanto de los equipos técnicos como del resto de la organización.

• Descentralizando la propiedad de los datos: Cuando hablamos de datos la centralización puede resultar restrictiva. Sin embargo, nuevas técnicas y herramientas están facilitando superar los desafíos de la centralización dando ventajas tanto desde un punto técnico como en privacidad.

• El desarrollo móvil, también modular: Los beneficios de la modularidad son muy conocidos, pero por diversas razones no se han aprovechado tanto en el desarrollo de móviles. Esto está comenzando a cambiar; creemos que adoptar un enfoque modular a los móviles no sólo va a mejorar la calidad de las aplicaciones, sino que también la experiencia de construirlas.