Guillem Alsina Gonzàlez
Brendan Witcher, analista de Forrester Research, firma un artículo en el sitio web de la compañía que pone en valor el uso de los datos no estructurados para dar verdadero potencial a los modelos de inteligencia artificial implantados en las empresas.
Los datos no estructurados son todos aquellos datos digitales que no siguen un patrón estructurado de conjunto; por ejemplo, una libreta de contactos que cuente con una serie de campos como nombre, empresa, número de teléfono fijo, móvil, e-mail, etc, constituiría una serie de datos estructurados, ya que el hecho de que cada individuo esté representado por valores en dichos campos, lo que nos brinda es una estructura, una base de datos.
Entre los datos no estructurados tenemos el correo electrónico (refiriéndonos a su contenido), los documentos de texto (también en lo concerniente a su contenido), hojas de cálculo (ya que cada una está formateada a su manera y posee su propia estructura y datos), o imágenes.
Según razona Witcher, hasta ahora, la información no estructurada ha sido poco utilizada por limitaciones técnicas y, además, el 70% de los responsables de la toma de decisiones en materia de IA para las empresas, todavía cree que los modelos predictivos solo pueden entrenarse con datos estructurados, una idea que limita el potencial de sus iniciativas.
Los modelos de IA aprenden de todo el material con el cual se los entrena, incluyendo los datos no estructurados, de los que pueden sacar mucha más información una vez agotados los datos estructurados.
Así, el autor apuesta por usar cosas como reseñas de clientes, transcripciones de llamadas, publicaciones en redes sociales o patrones faciales entre otros para alimentar los modelos de IA y transformar la forma en la que las marcas operan, se relacionan con los clientes y crecen.
Tres fuentes que ganan peso en el canal de compra
Witcher pone una serie de casos de uso como ejemplos de tres áreas en las cuáles podemos dar información no estructurada a un modelo de IA.
La visión por computadora (capacidad de las máquinas para interpretar imágenes y vídeo) está convirtiendo móviles y cámaras en herramientas de compra asistida, y a los espacios físicos en fuentes continuas de información. La firma estadunidense Jordan’s Furniture, por ejemplo, emplea múltiples sensores para escanear dimensiones corporales, distribución y peso de cada persona con el fin de recomendar un colchón ajustado a sus necesidades. El objetivo es aumentar la relevancia a lo largo de todo el recorrido del cliente mediante una personalización efectiva.
En procesamiento del lenguaje natural (NLP, por sus siglas en inglés), la IA interpreta y responde al lenguaje humano, escrito u oral, transformando reseñas, chats y transcripciones en conocimiento accionable. Un ejemplo es IndexGPT, desarrollado por JPMorganChase, que utiliza NLP para reunir cestas de inversión temáticas a partir de esa información textual.
La biometría empieza a incorporarse a los puntos de compra. Muchas personas ya la usan para desbloquear el teléfono, arrancar el coche, asegurar el portátil o pasar controles en el aeropuerto. Su interés para las empresas radica en combinar personalización y seguridad, lo que impulsa nuevos casos de uso. L’Oréal, por ejemplo, ha anunciado un dispositivo en tienda, Cell BioPrint, que realiza análisis de piel personalizados y ofrece recomendaciones a quienes compran.
La captura y uso eficaz de datos no estructurados ayuda a elevar el listón de la experiencia de compra de los clientes, automatizar con mayor acierto y diferenciar la propuesta en los momentos clave. La visión por computador, el lenguaje natural y la biometría están convirtiendo imágenes, textos y señales de comportamiento en decisiones más relevantes para cada persona, concluye el autor.
