¿Qué sucede con los proyectos que utilizan Data Science?

Tenemos que ser sabios y utilizar las herramientas adecuadas para utilizar la ciencia de datos en todo lo que estamos haciendo.

La historia de la ciencia de datos, más específicamente el análisis de datos, se remonta a 1962, cuando John W. Tukey escribe en su artículo académico "El futuro del análisis de datos": "el análisis de datos es, intrínsecamente, una ciencia empírica ...". Desde entonces, la ciencia de datos ha evolucionado a la misma velocidad que todo lo demás en el mundo de la tecnología, exponencialmente más rápido a lo largo de los años.

Hoy en día, difícilmente puede encontrar una empresa que no quiera usar Machine Learning, Inteligencia Artificial, Analytics, todos términos bajo el gran paraguas llamado "Ciencia de Datos", de hecho, para mejorar sus resultados y triunfar en el mundo contemporáneo.

Con ese fin, muchas empresas se apresuraron a adoptar esta brillante ciencia de la Inteligencia Artificial (IA), pero no pudieron hacerlo correctamente y, según el eBook de Tendencias 2021 de Gartner, es más probable que fallen "debido al mantenimiento, la escalabilidad y la gobernanza". asuntos".

Sin embargo, eso no sucedería con una ingeniería robusta de IA. La ingeniería de IA, como aborda Gartner, 2021, se basa en tres pilares: DevOps, DataOps y MLOps. DevOps maneja cambios de código de alta velocidad; DataOps es una variedad de prácticas que permiten varias mejoras en el desarrollo de proyectos que utilizan datos; Los MLOps, simplemente, son las mejores prácticas comerciales para ejecutar IA y luego obtener los mejores resultados a partir de ahí.

Queremos utilizar la ciencia de datos en todo lo que estamos haciendo / desarrollando. Pero debemos ser prudentes y utilizar las herramientas adecuadas para hacer esto. Leer más aquí: https://qintess.com/es/qads

Bibliografía:

https://www.forbes.com/sites/gilpress/2013/05/28/a-very-short-history-of-data-science/?sh=2bb9225155cf

https://www.datascience-pm.com/project-failures/#:~:text=85%25%20of%20big%20data%20projects,outcomes%E2%80%9D%20(Gartner%2C%202019)