Ryan McElroy es Vicepresidente de Tecnología en Hylaine, una firma de consultoría tecnológica que prioriza los valores. Se asocia con empresas Fortune 1000 para modernizar sistemas, acelerar la entrega de software y mejorar la precisión de los datos para un uso efectivo de la IA. Lidera la visión tecnológica y el equipo de innovación de Hylaine, impulsando el liderazgo intelectual, desarrollando soluciones de vanguardia y amplificando la presencia de la firma en los mercados clave de EE. UU.

A lo largo de los años, ha ascendido de consultor a vicepresidente, construyendo una carrera que refleja tanto una profunda experiencia técnica como una sólida comprensión de cómo la tecnología basada en software impulsa los resultados empresariales. Con una carrera definida por la curiosidad y la adaptabilidad, Ryan es apasionado por tender puentes entre la estrategia y la tecnología—sin limitarse nunca a un solo sector vertical o pila tecnológica, sino buscando en cambio soluciones innovadoras que ofrezcan un impacto medible para los clientes.

La experiencia de Ryan abarca el desarrollo de aplicaciones, la inteligencia empresarial y DevOps, con gran parte de su trabajo arraigado en el ecosistema Microsoft y en industrias como seguros, salud y manufactura.

En Hylaine, hemos visto el mayor éxito cuando las empresas piensan en la gobernanza de datos para IA en términos más amplios. Cuando el modelo de gobernanza establece las reglas del juego para las prácticas de datos de la empresa en su conjunto, mantiene la estrategia de datos en el camino correcto mediante el monitoreo, la auditoría, el seguimiento de KPI (incluidas las métricas para el ROI) y la generación de informes.

Al inicio de su carrera, Ryan se desempeñó como Ingeniero de Software en SentryOne y como Consultor en CTS, adquiriendo una experiencia práctica que informa su enfoque pragmático y orientado al negocio hacia la tecnología hoy en día.

Ryan también es facilitador de talleres y orador frecuente en los principales eventos de la industria sobre temas de innovación, incluidos El Éxito de la IA Comienza con Tus Datos, Ingeniería de Confiabilidad de Datos, El Regreso del Centro de Datos y DevOps de Datos.

Ryan obtuvo su Licenciatura en Ingeniería de Software Informático de la Universidad de Auburn.

Vea el Seminario Web de Hylaine, La Preparación para la IA Comienza con Tus Datos, y descargue el nuevo libro blanco de Hylaine que proporciona 4 enfoques prácticos y accionables para resolver el problema de preparación de datos para IA.

Muchas iniciativas de IA fracasan debido a la falta de preparación de los datos, con datos atrapados en silos o plagados de errores. Según su experiencia, ¿cuáles son los obstáculos más comunes que encuentran las empresas al preparar los datos para la IA?

Las mayores barreras para preparar los datos de IA son estructurales, técnicas y organizativas. Consistentemente vemos desafíos en cinco áreas: acceso a los datos, sistemas aislados, calidad de los datos, gobernanza y el factor humano.

Los problemas de acceso a los datos a menudo surgen de datos que existen pero que no se pueden utilizar debido a bloqueos legales o de seguridad—o porque están alojados en formatos incompatibles o sistemas heredados. Los datos aislados siguen siendo un problema de larga data, especialmente a medida que las empresas distribuyen sus operaciones en múltiples plataformas en la nube. Incluso cuando se puede acceder a los datos, problemas de calidad como inexactitudes, redundancias y registros incompletos socavan la precisión del modelo y conducen a alucinaciones o sesgos.

La gobernanza añade otra capa de complejidad. Las empresas deben garantizar el cumplimiento de la privacidad y evitar la PII (Información de Identificación Personal), especialmente en industrias sensibles como seguros y salud. Finalmente, el factor humano—objetivos empresariales poco claros, expectativas poco realistas y mala comunicación entre los equipos de TI y los equipos de negocio—puede descarrilar los proyectos de IA.

¿En qué deberían centrarse primero los líderes tecnológicos para asegurar que sus iniciativas de IA tengan éxito?

Hablamos de que los proyectos de IA fracasan en el primer trimestre. Vamos al grano con esta pregunta.

Los líderes tecnológicos deberían comenzar por construir una infraestructura de datos madura y preparada para la IA. Eso incluye invertir en herramientas y talento de ingeniería de datos. También significa modernizar las arquitecturas de datos para manejar formas adicionales de recopilar, procesar y almacenar datos a la escala y velocidad que la IA requiere. A menudo, la arquitectura de datos tradicional no está optimizada para esto. Las empresas que tienen tanto almacenes de datos (con conjuntos de datos curados, confiables y estructurados) como lagos de datos (construidos para acomodar diversos tipos de datos) tienen una ventaja inicial.

En paralelo, los líderes deberían establecer la ingeniería de confiabilidad de datos (DRE) como una capacidad central en la organización de datos para garantizar la calidad, disponibilidad y observabilidad continuas de los datos. Estas mismas capacidades agilizan las pruebas y el análisis de causa raíz cuando ocurren errores en el movimiento de datos.

Una vez que la infraestructura básica y la arquitectura de alta calidad estén en su lugar, pueden adoptar herramientas modernas para la integración de datos. Estas pueden tomar la forma de herramientas ELT (Extraer, Cargar, Transformar) muy gestionadas como FiveTran o Airbyte, o plataformas ETL (Extraer, Transformar, Cargar) nativas de la nube como Azure Data Factory o Databricks. Finalmente, es crítico definir marcos de gobernanza sólidos desde el principio—para que los sistemas de IA puedan acceder a datos conformes y confiables desde el inicio.

¿Qué lecciones pueden tomar las empresas de éxitos como American Express y Astra Zeneca al construir sistemas de IA en industrias altamente reguladas o complejas?

Tanto American Express como Astra Zeneca muestran que la inversión en una arquitectura de datos sólida y preparada para la IA construye la base para procesos confiables y repetibles para desarrollar sistemas de IA que retienen la retroalimentación, recuerdan el contexto y mejoran con el tiempo—produciendo un retorno de la inversión (ROI) positivo. American Express construyó un sistema capaz de analizar transacciones de millones de titulares de tarjetas y comerciantes en tiempo real para detectar patrones de fraude potencial—porque su arquitectura de datos podía soportar el aprendizaje continuo y los bucles de retroalimentación. La inversión de Astra Zeneca en una base de datos sólida permite que su IA informe el descubrimiento de fármacos, el diseño de ensayos clínicos y mejore la eficiencia de las presentaciones regulatorias—todo dentro de estrictos límites de cumplimiento.

La lección es clara: el éxito de la IA en industrias reguladas depende tanto de la gobernanza como de la innovación. Los datos deben estar limpios, seguros y trazables, y la gobernanza debe estar incorporada en la arquitectura desde el primer día. Cuando las organizaciones diseñan sus sistemas de datos pensando en el cumplimiento, la transparencia y la auditabilidad, pueden escalar la IA con confianza y demostrar resultados empresariales medibles.

¿Cómo pueden los equipos de TI y de negocio trabajar juntos para generar confianza en los sistemas de IA y fomentar la adopción en toda la organización?

La confianza proviene de la transparencia, la explicabilidad y la colaboración. Los equipos de TI deben comunicar claramente lo que la IA puede y no puede hacer—y mostrar al negocio cómo se generan los resultados. Ahí es donde la explicabilidad se vuelve esencial; los usuarios deben entender cómo la IA llega a sus conclusiones para sentirse seguros al usarla.

Hemos encontrado que los proyectos de IA más exitosos son liderados por un trío de campeones: un patrocinador ejecutivo, el propietario del proceso de negocio y un líder técnico. Juntos, aseguran la alineación en la estrategia, los resultados y la ejecución.

Otro enfoque para las organizaciones que recién comienzan es seleccionar grupos de usuarios que sean tanto pro-IA como vocales como objetivos iniciales para los proyectos. Esto puede reducir el riesgo en ese primer proyecto y asegurar que la retroalimentación llegue rápida y claramente antes del siguiente.

Dada la presión de los altos ejecutivos para adoptar la IA rápidamente, ¿cómo deberían los líderes tecnológicos equilibrar la velocidad con la construcción de una infraestructura de datos sostenible y confiable que respalde la adopción, la explicabilidad y el ROI a largo plazo?

La tentación de moverse rápido a menudo conduce a pilotos desperdiciados y resultados decepcionantes. Para equilibrar la velocidad y los datos confiables, resistan el impulso de perseguir victorias a corto plazo sin una base sólida. No siempre es atractivo, pero la ingeniería de confiabilidad de datos (DRE) debería ser una capacidad central en la organización de datos. A veces es solo construir una nueva canalización que mueve datos de una ubicación a otra y los limpia al mismo tiempo. Este es un trabajo que ha estado ocurriendo durante mucho tiempo por diferentes razones, pero ahora es más urgente, y tener esa experiencia es importante.

La DRE proporciona estrategias y procesos para garantizar la calidad, disponibilidad, observabilidad, pruebas y análisis de causa raíz de errores de los datos.

La preparación de los datos asegura que tienes los ingredientes necesarios para entregar una implementación de IA. Pero el éxito de la IA requiere adopción—si los empleados no usan la herramienta agéntica para realizar una tarea o los clientes no encuentran útil un chatbot de IA, la inversión se desperdiciará. Como muestra un estudio del MIT, es la adopción repetible y escalable, no los éxitos únicos, lo que impulsa el ROI sostenido de la IA.

¿Cómo pueden las empresas crear marcos de gobernanza que protejan tanto el negocio como aceleren la innovación en IA?

Una gobernanza sólida no es un freno a la innovación—es lo que permite que la IA escale de manera segura. Un buen marco de gobernanza define reglas claras para el uso de datos, protege los datos personales y previene el uso no autorizado de contenido o datos propietarios.

En Hylaine, hemos visto el mayor éxito cuando las empresas piensan en la gobernanza de datos para IA en términos más amplios. Cuando el modelo de gobernanza establece las reglas del juego para las prácticas de datos de la empresa en su conjunto, mantiene la estrategia de datos en el camino correcto mediante el monitoreo, la auditoría, el seguimiento de KPI (incluidas las métricas para el ROI) y la generación de informes. A menudo recomendamos crear un consejo de gobernanza que incluya representantes de diferentes partes del negocio, así como expertos en TI. Una vez que hayas creado un marco de gobernanza de datos, es importante señalar que la gobernanza de IA sigue siendo un esfuerzo separado, incluso si está estrechamente conectado con la gobernanza general de datos.

Para acelerar la innovación en IA, aconsejamos implementar salvaguardas técnicas como tokenizar datos reales y automatizar alertas por exposición de PII. Herramientas listas para usar como Delphix de Perforce pueden soportar el "cumplimiento continuo" sin ralentizar el desarrollo. Cuando la gobernanza se construye en las operaciones de datos, no se añade posteriormente, las organizaciones ganan la libertad de innovar con confianza.

Muchas organizaciones subestiman los desafíos humanos y organizativos de la IA. ¿Qué pasos pueden tomar los líderes para cerrar la brecha de habilidades y sostener el éxito a largo plazo de la IA?

La tecnología por sí sola no entrega ROI—lo hacen las personas. Muchos proyectos de IA flaquean porque los equipos de datos responsables de la implementación carecen de experiencia con infraestructura cloud moderna, ingeniería de datos y DevOps. Para cerrar esa brecha, las empresas pueden capacitar o contratar nuevo talento (ya escaso) o contratar expertos externos. Una forma efectiva de capacitar empleados es crear equipos híbridos que emparejen al personal interno con expertos externos. Trabajar como iguales con expertos externos permite que tu equipo use su profundo conocimiento del negocio y los especialistas ayudan a avanzar más rápido hacia la preparación de datos para IA. Una vez que los equipos aprenden la "nueva forma" de trabajar con datos, rara vez quieren volver a métodos obsoletos.

Cuando los empleados entienden tanto los datos como el razonamiento detrás de los resultados de la IA, la adopción sigue naturalmente.

Finalmente, los líderes necesitan nutrir una cultura de confianza y curiosidad en torno a la IA. Cuando los empleados entienden cómo la IA apoya su trabajo, y pueden ver sus resultados explicados claramente, es más probable que la adopten, la mejoren e impulsen el ROI sostenido que la mayoría de las organizaciones persiguen.

Conectar »

Saber más »

La entrada Preguntas y Respuestas con Ryan McElroy, Vicepresidente de Tecnología de Hylaine: Resolviendo el Problema de Preparación de Datos para IA apareció primero en citybiz.

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para citybiz (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.