Enable javascript in your browser for better experience. Need to know to enable it? Go here.
Menú
Cerrar
Descargar
Looking Glass Back

Obtener valor de los datos y las plataformas de IA

 

Infraestructuras para el crecimiento y la innovación

 

El acceso fiable a datos creíbles y actualizados es ahora fundamental para prácticamente todo lo que las empresas necesitan hacer, como destacar el rápido aumento de la inteligencia artificial (IA) -incluida la IA generativa (GenAI)- en las operaciones empresariales y la toma de decisiones. Incluso si las organizaciones no tienen previsto crear aplicaciones GenAI a corto plazo, la disponibilidad de datos de alta calidad sigue siendo un requisito previo para la prestación de otros servicios e iniciativas digitales.  

 

Aunque los datos están creando oportunidades sin precedentes para las empresas, los retos que los acompañan a menudo resultan demasiado grandes para ignorarlos. Muchas empresas siguen atadas por silos internos y múltiples plataformas de datos aisladas que dejan valiosa inteligencia bloqueada y difícil de utilizar. 

 

Convertir los almacenes de datos en activos estratégicos exige centrarse en hacer que los datos sean localizables, accesibles, fiables, interoperables y reutilizables, todo ello de forma segura y respetando la privacidad. Las plataformas de datos son la única base viable para este enfoque.

 

El término "plataforma" significa muchas cosas diferentes, aunque en todos los casos recomendamos una mentalidad de pensamiento de producto. Al integrar diversos recursos de datos y garantizar que se pueda acceder a ellos y aplicarlos sin problemas, proporcionan los diferentes bloques de construcción que ahora se necesitan para formar una estrategia digital integral. 

 

Una vez establecida, su plataforma de datos le permite recopilar información sobre los datos, crear sistemas de IA fiables, controlar el riesgo y mucho más. Su plataforma de datos también puede ser un componente clave en la creación, gestión y aplicación de la gobernanza de datos, uno de los mayores desafíos a los que se enfrentan muchas organizaciones.

 

Contar con una plataforma de datos sólida que facilite el intercambio abierto al tiempo que preserva la privacidad permite a las empresas participar con otras organizaciones en ecosistemas de datos prósperos para producir un mayor impacto en la industria, incluso en la sociedad. Se trata de una tendencia clave que vemos en expansión en los próximos años y que podría facilitar una mayor innovación digital y crear potencialmente un cambio radical en la forma en que se almacenan e intercambian los datos, pero solo si se produce un cambio hacia la estandarización y las empresas aprenden a proteger sus activos de datos con menos celo.

Emily Gorcenski, Thoughtworks
Los datos no tienen valor intrínseco por sí mismos. Su valor depende de que tengas un propósito -y un proceso- para ellos.
Emily Gorcenski
Head of Data & AI, Thoughtworks Europe
Los datos no tienen valor intrínseco por sí mismos. Su valor depende de que tengas un propósito -y un proceso- para ellos.
Emily Gorcenski
Head of Data & AI, Thoughtworks Europe

Señales

 

  • Aumento de las plataformas integradas de datos e IA. Estos sistemas presentan el análisis como la principal ventaja, y los datos simplemente vienen por añadidura. Esto representa un cambio fundamental en la forma de pensar sobre estas soluciones.

     

  • Los ecosistemas de datos van más allá del bombo publicitario para generar resultados empresariales tangibles. Gartner, empresa de investigación y asesoramiento tecnológico, considera que los ecosistemas de datos han superado el pico del ciclo de exageración y se incorporarán a la corriente dominante en la próxima década. Nuestra experiencia sobre el terreno apunta a la misma tendencia, con una demanda creciente de que las organizaciones compartan y pongan en común recursos de datos: las empresas se muestran hoy más dispuestas a dar el paso.

     

  • Las "salas limpias" de datos ganan popularidad. Varios proveedores, como Infosum, AWS, Google y Snowflake, han desarrollado ofertas de "salas limpias" de datos diseñadas específicamente para permitir el intercambio seguro dentro de una organización y entre organizaciones de datos anonimizados y conformes con la privacidad de forma eficiente y a escala.

     

  • La creación de normas e infraestructuras abiertas para compartir datos está cobrando impulso. Como demuestran iniciativas como el Estándar de Datos Abiertos para el Sector de la Confección y el  Foro OSDU™, algunas organizaciones intentan sortear los problemas de interoperabilidad de datos perpetuados por los proveedores tradicionales defendiendo protocolos abiertos para el intercambio seguro de datos valiosos sobre las cadenas de suministro y otras funciones críticas de la industria.

     

  • Mecanismos para compartir los datos de los usuarios respetando la privacidad. La privacidad de los datos está ganando terreno entre los usuarios. Hemos desarrollado una solución llamada Anonymesh para ayudar a afrontar este reto. Las organizaciones también están creando almacenes de datos personales, como Solid Pods, que organizan el almacenamiento de datos en torno a los usuarios, en lugar de las organizaciones que los recopilan. 

     

  • Los gobiernos marcan la agenda de los datos abiertos. Países de todo el mundo están adoptando iniciativas de datos abiertos que fomentan el libre acceso y el uso de la información recopilada por los gobiernos para mejorar los servicios públicos y crear oportunidades económicas. El gobierno británico, por ejemplo, está creando un Servicio Integrado de Datos (IDS) para facilitar el intercambio de datos entre departamentos. Por su parte, la iniciativa de datos abiertos de Singapur permite a los desarrolladores utilizar conjuntos de datos en tiempo real de organismos públicos para desarrollar sus propias aplicaciones.

Viendo ahora Empezando a ver En el horizonte Adoptar Analizar Anticipar
Recomendación estratégica

Adoptar ?

  • Soluciones de IA "listas para usar" ofrecidas como servicio en plataformas en la nube. A menudo no requieren conocimientos especializados de IA o ML para su uso.
  • La capacidad de ejecutar algoritmos de IA y aprendizaje automático en el extremo de una red, a menudo en dispositivos con recursos limitados.
  • El uso de la tecnología para que todos los datos necesarios para satisfacer los informes de cumplimiento, controles y balances estén fácilmente disponibles. En muchos casos, la automatización simplifica la elaboración de informes mediante la criba de datos; sin embargo, la IA está empezando a sustituir la toma de decisiones manual.
  • Un conjunto de directrices que las organizaciones pueden utilizar para gestionar el riesgo y mitigar las posibles consecuencias negativas de determinadas tecnologías (como el sesgo de la IA).
  • Cuando los individuos o las organizaciones comparten objetivos comunes, probablemente querrán trabajar juntos. Para ello, necesitan un conjunto de herramientas y recursos que puedan utilizar para liberar valor de forma eficaz: un buen ejemplo es un entorno remoto para equipos de desarrollo. Permite a las personas resolver problemas juntas.
  • Una plataforma de datos organizada en torno a dominios empresariales en la que los datos se tratan como un producto, y cada producto de datos es propiedad de un equipo. Para agilizar e impulsar la estandarización, los equipos de infraestructura proporcionan herramientas que permiten a los equipos de productos de datos autogestionarse.
  • Participantes, sistemas e incluso organizaciones dispares que cooperan, colaboran y compiten para crear un ecosistema emergente en el que el todo es mayor que la suma de las partes. Algunos ejemplos son el sector de los viajes, los mercados en línea y las nuevas "superaplicaciones" como Gojek y WeChat.
  • Modelo virtual de un proceso, producto o servicio que permite tanto la simulación como el análisis de datos. La visualización en 3D puede utilizarse junto con datos en tiempo real, de modo que se puede entender lo que ocurre con piezas de equipos que no se pueden ver realmente.
  • Acercar el almacenamiento y procesamiento de datos a los dispositivos donde se almacenan, en lugar de depender de una ubicación central que puede estar a miles de kilómetros de distancia. Entre sus ventajas se encuentran la reducción de la latencia de los sistemas en tiempo real y la mejora de la privacidad de los datos.
  • Marcos de toma de decisiones que intentan aportar transparencia y claridad a la forma en que se toman las decisiones, especialmente en torno al uso de la IA y los posibles sesgos en los datos.
  • Conjunto de herramientas y enfoques para comprender el razonamiento utilizado por un modelo de ML para llegar a una conclusión. Estas herramientas suelen aplicarse a modelos cuyo razonamiento es opaco.
  • La práctica de aportar responsabilidad financiera al modelo de gasto variable de la computación en nube. Implica un enfoque de colaboración entre equipos como los de finanzas, operaciones y desarrollo para gestionar y optimizar eficazmente los costes de la nube.
  • Centros de datos alimentados con energías renovables, que ejecutan software y sistemas diseñados y optimizados para un procesamiento eficiente y minimizando el consumo de energía.
  • Plataformas diseñadas específicamente para el aprendizaje automático, que brindan capacidades de un extremo a otro, como gestión de datos, ingeniería de funciones, entrenamiento de modelos, evaluación de modelos, gobernanza de modelos, explicabilidad, AutoML, control de versiones de modelos, promoción entre entornos, servicio de modelos, implementación de modelos y monitoreo de modelos.
  • Una forma de representar el conocimiento y las relaciones semánticas entre entidades utilizando una estructura de datos gráfica.
  • Un movimiento para llevar las prácticas de DevOps al campo del aprendizaje automático. MLOps fomenta una cultura en la que las personas, independientemente de su título o experiencia, trabajan juntas para imaginar, desarrollar, implementar, operar, monitorear y mejorar sistemas de aprendizaje automático de manera continua. La entrega continua para aprendizaje automático (CD4ML) es el enfoque de Thoughtworks para implementar MLOps de un extremo a otro.
  • Una técnica en la que los algoritmos aprenden continuamente basándose en la llegada secuencial de datos y pueden explorar el espacio de un problema en tiempo real. Contrasta con el aprendizaje automático tradicional, donde el entrenamiento de modelos utiliza solo datos históricos y no puede responder a situaciones dinámicas o nunca antes vistas.
  • Una forma de crear y respaldar plataformas centrada en proporcionar valor al cliente (usuario), en lugar de tratar la creación de plataformas como un proyecto limitado en el tiempo.
  • La privacidad ante todo es un cambio significativo en la estrategia empresarial, organizativa y de producto, en la que la privacidad funciona como un valor y una oferta empresariales fundamentales. Este cambio se aleja del movimiento anterior en el que "los usuarios son el producto" y se adentra en un nuevo ámbito en el que la confianza y la transparencia son lo primero.
  • Conjunto de tecnologías y técnicas para preservar la privacidad de los usuarios, como la anonimización, la informática cifrada y la privacidad diferencial.
  • Un método de inteligencia artificial en el que el sistema mejora la generación de respuestas obteniendo información relevante de una gran base de datos o fuente de conocimiento. Este enfoque combina los aspectos creativos de los modelos generativos de IA con la precisión de la recuperación de datos, permitiendo respuestas más precisas y contextualmente relevantes en diversas aplicaciones empresariales.
  • La seguridad se aplica a todo el proceso de creación de software, que en las arquitecturas modernas incluye el canal de distribución utilizado para crear, probar y desplegar aplicaciones e infraestructuras.
  • Los hogares se están volviendo "inteligentes" gracias a los smart hubs, que permiten controlar casi todos los sistemas domésticos. La analítica puede incluso guiar o gestionar el suministro de calefacción y energía y aprender de los hábitos individuales o de los de un vecindario.
  • Redes de redes que utilizan IA y ML para mejorar un sistema y convertirlo en algo más que la suma de sus partes. Por ejemplo, en una ciudad inteligente, las redes de coches y sensores en carretera ayudan a agilizar el flujo y la seguridad del tráfico.
  • Sistemas de almacenamiento especializados diseñados para manejar e indexar de forma eficiente vectores de datos de alta dimensión, utilizados habitualmente en aplicaciones de aprendizaje automático e inteligencia artificial.

Analizar ?

  • Una nueva raza de soluciones en las que se combinan múltiples tecnologías y actúan conjuntamente. Los drones, la robótica y los vehículos autónomos son ejemplos de dispositivos que requieren aprendizaje automático, procesamiento de flujos de datos y capas de inteligencia para resolver problemas.
  • Un enfoque para automatizar en parte el trabajo de los científicos de datos y los ingenieros de aprendizaje automático, seleccionando y entrenando automáticamente modelos de aprendizaje automático para tareas específicas.
  • Más pequeños y baratos que sus homólogos industriales, los robots con IA a bordo son capaces de percibir su entorno, navegar, aprender a completar tareas e incluso arreglarse a sí mismos y a otras cosas.
  • Coches, camiones y transporte público autoconducidos. Aunque los titulares se centren en los coches autoconducidos, los vehículos autónomos también tienen un gran potencial para aplicaciones industriales y empresariales especializadas, como la minería y las fábricas.
  • Entornos seguros para que las organizaciones compartan y combinen datos entre sí sin tener que compartir físicamente sus propios datos.
  • Un sistema que permite encontrar, comprar, compartir y vender datos dentro y fuera de una organización.
  • Uso de múltiples almacenes de datos en lugar de almacenes centralizados singulares y monolíticos. Un buen ejemplo es la malla de datos (véase más arriba).
  • Una técnica de privacidad que introduce ruido en un conjunto de datos de forma que se garantice la privacidad individual y, al mismo tiempo, se puedan extraer conclusiones o crear modelos de aprendizaje automático a partir de los datos.
  • Capacidad de realizar cálculos sobre datos encriptados sin desencriptarlos previamente. Útil para mantener la privacidad de los datos al tiempo que permite externalizar su almacenamiento y manipulación. Esto incluye tecnologías como el cálculo seguro multipartito y el cifrado homomórfico.
  • Un enfoque que descarga un modelo de aprendizaje automático y, a continuación, calcula o entrena un modelo específico modificado utilizando datos locales en otro dispositivo. Este enfoque ayuda a varias organizaciones a colaborar en la creación de modelos sin intercambiar explícitamente datos protegidos.
  • El aumento constante de la regulación, especialmente en torno a datos, privacidad, seguridad y emisiones de gases de efecto invernadero.
  • Un modelo de negocio que tiene como objetivo extraer valor empresarial de la posesión y uso de grandes cantidades de información personal. Los ejemplos van desde el uso primitivo de cookies hasta la elaboración de perfiles específicos de las personas a través de su comportamiento en línea. Históricamente, este ha sido el dominio de empresas o servicios intermedios basados en publicidad que intentan retener y dirigirse a los clientes, pero, desde el RGPD y leyes de privacidad similares, estamos viendo un cambio hacia que las personas controlen qué datos desean exponer a cambio de un servicio.
  • Software de comunicaciones que anuncia directamente su postura y características de seguridad, como el cifrado de extremo a extremo.
  • Nuevas técnicas que permiten mayores garantías de privacidad, incluso cuando se utilizan datos personales en los cálculos. Forma parte de la categoría más amplia de tecnologías de mejora de la privacidad (PET).
  • Una zona urbana que utiliza diferentes tipos de sensores IoT para recopilar datos junto con plataformas para integrar y actuar sobre los datos, asesorando u ordenando a los sistemas habilitados digitalmente que lleven a cabo alguna respuesta. La información obtenida a partir de los datos se utiliza para gestionar activos, recursos y servicios de manera eficiente; a cambio, esos datos se utilizan para mejorar las operaciones en toda la ciudad.
  • Método que permite a una parte demostrar a otra que una afirmación es cierta sin revelar cómo sabe que lo es.

Anticipar ?

Sin tendencias

Adoptar ?

  • Técnicas para establecer relaciones de causa y efecto entre los datos de entrada y los resultados de un modelo de aprendizaje automático, lo que permite que un modelo sea más generalizable y requiera menos datos de entrenamiento para funcionar con eficacia.
  • Un acuerdo formal entre dos partes -productor y consumidor- para utilizar un conjunto o producto de datos.
  • También conocida como identidad auto-soberana, la identidad descentralizada (DiD) es una arquitectura de identidad basada en estándares abiertos que utiliza identificaciones digitales propias e independientes y credenciales verificables para transmitir datos de confianza. Aunque no depende de las cadenas de bloques (blockchain), muchos ejemplos actuales se basan en ellas, así como en otras formas de tecnología de libro mayor distribuido y criptografía de clave privada/pública, su objetivo es proteger la privacidad y asegurar las interacciones en línea.
  • Controles de acceso a los datos más granulares, como los basados en políticas (PBAC) o en atributos (ABAC), que pueden aplicar más elementos contextuales a la hora de decidir quién tiene acceso a los datos.
  • Los sistemas, tanto humanos como mecánicos, diseñados originalmente para ser descentralizados se han ido centralizando con el tiempo. La redescentralización se refiere al esfuerzo consciente de devolver esos sistemas a un modelo descentralizado.

Analizar ?

  • Tecnologías que permiten la interacción directa de dispositivos y el intercambio de información entre ellos, normalmente de forma autónoma. Esto permite tomar decisiones y actuar con poca o ninguna intervención humana.
  • Un conjunto emergente de técnicas para certificar la procedencia de los datos y gobernar su uso en toda una organización. Esto podría resultar transformador en el esfuerzo por seguir y mejorar el progreso hacia los objetivos de sostenibilidad.

Anticipar ?

  • Están surgiendo herramientas y técnicas que apoyan la incorporación de la tecnología responsable a los procesos de entrega de software, centrándose principalmente en la búsqueda activa de la incorporación de perspectivas infrarrepresentadas; algunos ejemplos son las Cartas del Tarot de la Tecnología, el Escaneado de Consecuencias y el Modelado Ágil de Amenazas.

Adoptar ?

  • Una descripción técnica precisa de un producto de datos que permita su aprovisionamiento, configuración y gobernanza.

Analizar ?

Sin tendencias

Anticipar ?

  • Un estilo de arquitectura de datos en el que los individuos controlan sus propios datos de forma descentralizada, permitiendo el acceso en función del uso (por ejemplo, Solid PODs).
 

Las oportunidades

 

Adelantándose a la curva de este objetivo, las organizaciones pueden:

 

  • Habilitar iniciativas de IA y GenAI. Los datos de alta calidad son un requisito fundamental para cualquier iniciativa de inteligencia artificial. Forbes calificó la calidad de los datos como "el verdadero cuello de botella en la adopción de la IA".

     

  • Mejora la postura de cumplimiento y reduce el riesgo. Con las políticas de gobernanza integradas y automatizadas, creadas y aplicadas a través de la plataforma subyacente, se reduce la brecha entre las políticas escritas y lo que realmente se aplica sobre el terreno.

     

  • Consigue ahorros significativos eliminando redundancias. La mejora del intercambio de datos y la creación de una plataforma que ofrezca un único punto de disponibilidad permite a las organizaciones retirar la infraestructura tecnológica duplicada en diferentes partes de la organización, lo que reduce sustancialmente los costos de infraestructura tecnológica y mantenimiento.

     

  • Obtén una ventaja competitiva con información mejorada. La integración de datos de calidad en toda la empresa puede poner de manifiesto áreas de ineficacia o fricción que antes pasaban desapercibidas, así como proporcionar una visión más holística de procesos complejos como la cadena de suministro o el recorrido del cliente. El contexto y los descubrimientos resultantes pueden ayudar a la organización a comprender mejor sus flujos de trabajo y a sus clientes, lo que otorga a la empresa una ventaja sobre sus competidores, cuyos recursos de datos siguen siendo más fragmentarios y aislados.

     

  • Desarrolla nuevas fuentes de valor. A medida que maduren las capacidades de interoperabilidad de los datos y se generalice la aceptación de las normas abiertas, surgirán más oportunidades de capitalizar los activos de datos en forma de mercados y redes de datos. Aunque algunas grandes organizaciones e industrias han empezado a crear sus propios ecosistemas de datos -como los que están surgiendo en torno a la banca abierta y el intercambio de datos en los seguros-, aún hay margen para ampliarlos a otros sectores y a la comunidad en general. 

     

  • Acelera el tiempo de comercialización. La disponibilidad de datos de alta calidad, especialmente como base para GenAI, está preparada para acelerar y mejorar muchos aspectos laboriosos del proceso de desarrollo de productos. Un ejemplo es cómo la capacidad de cribar y resumir grandes cantidades de información y crear datos sintéticos de clientes está ayudando a las organizaciones a reducir sustancialmente el tiempo necesario para la investigación de mercado. Creemos que las grandes empresas tendrán ventaja sobre las nuevas para aprovechar estas oportunidades si utilizan eficazmente sus enormes reservas de datos.

Lo que hemos hecho

Ayudamos a ITV a aprovechar mejor los datos con una plataforma de malla de datos

 

En respuesta al cambio de paradigma del streaming digital, ITV estableció una nueva visión: convertirse en una empresa de medios de comunicación y entretenimiento dirigida digitalmente que crea y ofrece contenido destacado a las audiencias donde, cuando y como elijan. Un equipo de expertos de Thoughtworkers comenzó a codesarrollar una malla de datos basada en la nube en AWS y Databricks, un proceso que permitiría a ITV dar vida a su nueva estrategia de datos e integrar formas ágiles de trabajar en sus diversas unidades de negocio.

 

La plataforma de malla de datos de ITV permite a los equipos incorporar rápidamente sus datos y hacerlos localizables y fácilmente accesibles en toda la empresa. El tiempo necesario para suministrar productos de datos utilizando la plataforma ha pasado de tres semanas a sólo unas horas, lo que ha impulsado la adopción y expansión de la malla en todas las operaciones de ITV.

Consejos prácticos

 

Cosas que hacer (Adoptar)

 

  • Aplicar tecnologías de protección de la intimidad (PET) Estas tecnologías proporcionan una mayor privacidad o secrecía  a las personas cuyos datos son procesados, almacenados y/o recogidos por programas y sistemas informáticos. A menudo se utilizan como parte de este procesamiento y modifican las formas normales de tratar (y a menudo acaparar) datos en bruto o en texto plano directamente de los usuarios y participantes internos, como los empleados. Al aumentar la privacidad ofrecida, se reduce el riesgo de propiedad y se ofrece a los usuarios mejores opciones sobre cómo quieren que se traten sus datos.

 

  • Mejorar la gobernanza de los datos y las políticas de privacidad. Si los datos no están suficientemente protegidos y gobernados internamente con principios claros en torno a cuestiones como la privacidad y el consentimiento, resulta demasiado arriesgado dar cualquier paso que los exponga al mundo exterior. Antes de plantearse un intercambio de datos y una colaboración más amplios, las empresas deben definir claramente el alcance del acceso y la influencia sobre los datos que tienen las distintas funciones, e integrar el cumplimiento de las políticas como código en sus plataformas de datos.

     

  • Agilizar los procesos de datos y el camino hacia la producción. Prácticas como DataOps y MLOps ofrecen técnicas para acelerar aspectos clave del ciclo de producción y mejorar la experiencia de los desarrolladores, con bucles de retroalimentación más cortos y barandillas que garantizan que los riesgos siguen mitigándose.

 

  • Adoptar la malla de datos para ofrecer información a escala. Experimentar con la arquitectura de malla de datos puede proporcionar la integración y accesibilidad necesarias para que varios equipos aprovechen al máximo los datos de sus dominios. Esto mejorará la visibilidad de los procesos y dará a los equipos la capacidad de orientar rápidamente el desarrollo a las necesidades empresariales, ayudando a la empresa a prepararse para el futuro.

 

 

Aspectos a tener en cuenta (Analizar)

 

  • Almacenar los datos de forma diferente. Tendencias emergentes como las salas limpias de datos y la privacidad diferencial, que preserva el anonimato de aspectos individuales de un conjunto de datos introduciendo "ruido" a su alrededor, pueden proporcionar una base más sólida para que la empresa almacene los datos de forma fiable y conforme a las normas, sin dejar de ser capaz de ponerlos en uso.

 

  • Participación en mercados de datos. A medida que surgen más ejemplos de mercados de datos abiertos y mancomunados, como la versión que está impulsando el gobierno británico, las empresas deben considerar su interés por participar en estas iniciativas y cuál podría ser el potencial de participar en ellas. Es importante examinar cuestiones como: ¿dónde podrían los ecosistemas permitir a la empresa crear más valor? ¿Y qué capacidad, en su caso, tiene la empresa para monetizar los datos sin dejar de ser sensible a la seguridad y la privacidad de los clientes?

     

  • Utilizar especificaciones de productos de datos y contratos de datos. Las especificaciones abiertas que pretenden establecer y estandarizar cómo se comparten los datos entre varias partes o cómo los consumen están ganando adeptos, y puede ser necesario integrarlas en la plataforma de datos de la organización y en una estrategia más amplia.

 

 

Cosas a tener en consideración (Anticipar)

 

 

  • El encaje de los datos y la práctica de la tecnología responsable.  Los principios de la tecnología responsable ofrecen una hoja de ruta cada vez más valiosa para las empresas deseosas de ampliar y hacer un uso óptimo de sus recursos de datos de forma ética y coherente.

     

  • Los mercados de datos personales descentralizados que dan a los consumidores más soberanía sobre sus datos personales están contribuyendo al desarrollo de una economía de la información personal. Esta tendencia tendrá importantes repercusiones en la forma en que las empresas almacenan, analizan y utilizan la información sobre sus clientes, y en el posterior desarrollo de los ecosistemas empresariales.

Seguir leyendo

Lente uno: IA en todas partes
Descubre más
Lente tres: Interacciones en evolución
Descubre más
Lente cuatro: Acelerar la convergencia físico-digital
Descubre más
Lente cinco: Tecnología responsable: una consideración crítica
Descubre más

Descarga el reporte completo

Descargar