La inteligencia artificial en el contexto de la gestión de datos maestros

Pero, ¿qué influencia tiene el progreso de la IA en estas disciplinas? ¿Y cómo pueden prepararse para el futuro? Se dice que la inteligencia artificial (IA) en particular tiene un gran potencial disruptivo.

Sin embargo, puede decirse que la comprensión de la IA está en constante cambio, ya que la frontera de lo que creemos que las máquinas y los ordenadores son capaces de hacer se desplaza constantemente.

Actualmente, la ciencia se concentra en la imitación de habilidades humanas especiales, como el control de movimientos (robótica), la percepción del entorno (percepción artificial) y la comprensión de las emociones (informática afectiva).

En el contexto de la gestión de datos maestros, por otra parte, el aprendizaje automático (ML) es una de las capacidades de inteligencia artificial más relevantes.

Coherencia de los datos gracias a la IA

La validación de datos, basada en sistemas inteligentes de ML, es un tema de especial interés. Estos sistemas reconocen datos incoherentes, por ejemplo los denominados valores atípicos, sin que se hayan definido previamente reglas claras.

Otro posible uso de la IA en la gestión de datos es el propio mantenimiento de los datos maestros. Cómo se hace hasta ahora sin recurrir a la IA: En herramientas de datos maestros como SAP MDG (Master Data Governance), se pueden definir reglas de negocio que apoyen al usuario en la introducción de los datos y garanticen una alta calidad de los mismos. El mayor reto aquí es que cada regla que se aplique debe ser claramente definible y derivada por usuarios experimentados.

En todas las empresas hay compañeros que comprueban una hoja de datos y reconocen intuitivamente que algo va mal. La mayoría de las veces, sin embargo, no son capaces de dar razones precisas de por qué es así, y mucho menos de plasmar su suposición en una regla definida.

Es precisamente esta capacidad la que convierte a los usuarios normales en expertos en datos. Con la ayuda de la IA, se puede entrenar a un sistema para que adapte esta capacidad y, basándose en el entrenamiento, reconozca datos incoherentes mediante aprendizaje automático -sin tener que utilizar reglas predefinidas como base-.

A continuación, un simple material con sus dimensiones en longitud, anchura y altura sirve de ejemplo ilustrativo de las capacidades de un sistema de IA de este tipo. Resulta extremadamente complejo o incluso imposible describir en una regla definida cómo debe ser la relación de estos tres valores, aunque todo el mundo es consciente de que determinadas combinaciones de estos valores son válidas en la propia cartera de productos y otras no.

La IA, y el aprendizaje automático en particular, permiten comprobar precisamente esta proporción, basándose en la cartera de productos respectiva y no en un conjunto concreto de reglas.

Los sistemas de ML crean un algoritmo que aprende combinaciones de modelos coherentes e incoherentes a partir de conjuntos de datos anteriores y, de este modo, puede validar nuevos registros maestros y emitir advertencias tras cierto tiempo de entrenamiento.

Aunque el algoritmo de IA así como el entrenamiento de los modelos no se ejecutan en el propio SAP MDG, por ejemplo en un servidor R, la validación durante la reintroducción de registros maestros puede integrarse completamente en el MDG para que puedan ejecutarse a través del marco de validación del MDG.

De este modo, para el usuario es indistinto que los datos hayan sido validados por una regla de negocio clásica o por un modelo de IA.

Transformación S/4: la IA puede ayudar

Los proyectos de transformación S/4 son sin duda un gran tema en los entornos SAP en este momento. Especialmente aquellos en los que la introducción de un nuevo sistema SAP S/4 Hana va acompañada de la armonización del ERP.

Además de la normalización de los procesos, la armonización de los datos también se considera un reto particular en estos proyectos de armonización y transformación.

A menudo, esos sistemas ERP han crecido a lo largo de décadas, han sido ampliados por diferentes personas y socios y, por tanto, suelen ser muy heterogéneos tanto en términos de procesos como de datos.

Los equipos de MDM son fundamentales para estas iniciativas y garantizan que los datos maestros de los sistemas se fusionen y, en lo sucesivo, se gestionen de forma sostenible. El aprendizaje automático puede desempeñar aquí un papel importante como complemento de las aplicaciones ETL clásicas (Extract, Transfer, Load), por ejemplo en la cartografía de los datos.

En lugar de prescribir la lógica exacta del mapeo (datos + regla = mapeo), las aplicaciones de ML permiten optimizar el mapeo basándose en los datos de entrenamiento (datos + entrenamiento = mapeo). Las reglas reales pasan a un segundo plano.

Ya existen las primeras soluciones de software estándar basadas en ML para la consolidación de datos de clientes y proveedores. Los enfoques de ML también ayudan a armonizar valores en la armonización de datos maestros. Un ejemplo es la evaluación de los datos transaccionales de los proveedores para determinar las condiciones de pago óptimas.

Chatbot: el nuevo mantenimiento de datos maestros

Los usuarios de sistemas MDM también esperan que las aplicaciones de datos maestros sigan el ritmo tecnológico. La experiencia del usuario y el rendimiento del sistema son decisivos para su aceptación. Sobre todo en lo que respecta a la experiencia del usuario, las aplicaciones de MDM se enfrentan a la comparación con las aplicaciones privadas de los smartphones, y suelen llevarse la peor parte.

Hoy en día, los usuarios quieren que los datos maestros se actualicen con unos pocos clics. Cada vez se cuestiona más críticamente la existencia de un gran número de campos de datos maestros.

Los asistentes personales basados en el aprendizaje automático ofrecen al usuario una experiencia totalmente nueva. Utilizan sobre todo algoritmos de conversión de voz a texto y de comprensión del lenguaje natural.

Lo que normalmente supone varios clics y entradas para los usuarios, ahora puede hacerse mediante un simple comando de voz o una entrada de chat. En caso de preguntas, los asistentes personales ofrecen ayuda mediante botones, campos de selección y valores o registran los comentarios de los usuarios sobre nuevas funciones o prestaciones.

Otra ventaja es que permiten el mantenimiento de los datos maestros utilizando el lenguaje empresarial sin tener que abordar específicamente la clave de identificación (valor de personalización).

Las empresas que persiguen la visión del mantenimiento de datos maestros basado en IA con casos de uso mayoritariamente pequeños están adoptando una posición pionera. Los casos de uso son escasos y la IA desempeña un papel secundario en los eventos comerciales de MDM. Sin embargo, el interés por el tema no deja de crecer.