La ciencia de datos no es un proyecto científico

Proporcionado por S.A.S.

Según una encuesta de 2018 realizada por New Vantage Partners, el 97% de las empresas son invertir en big data e inteligencia artificial (IA), y el objetivo principal para la mayoría es implementar capacidades analíticas avanzadas para la toma de decisiones comerciales.

Oliver Schabenberger es vicepresidente ejecutivo, director de operaciones y director de tecnología de SAS.

Sin embargo, al menos la mitad de analítica los resultados nunca llegan a producción.

El objetivo final de transformación digital a través de la ciencia de datos es mejorar la organización. Ya sea que el enfoque esté en aumentar los ingresos, reducir los costos, aumentar la productividad o lanzar nuevos negocios, las organizaciones deben ir más allá de la recopilación de datos.

Los activos analíticos y los modelos de IA creados en la fase de descubrimiento tampoco son el objetivo final. Si no operacionaliza estos activos poniéndolos en acción para impulsar los resultados comerciales y administrarlos continuamente, la ciencia de datos no puede alcanzar su potencial.

Oliver Schabenberger, vicepresidente ejecutivo, director de operaciones y director de tecnología de SAS, habla en la conferencia Analytics Experience 2018 de la compañía en San Diego. Steve Muir/SAS

Por dónde empezar con la ciencia de datos

Si planea invertir en un programa de ciencia de datos, debe haber superado la fase de hipótesis y recopilación de datos de un proyecto. Debe tener un problema claro identificado que esté listo para abordar con análisis, y necesita saber qué datos utilizará para resolver ese problema.

Hay muchas barreras para el éxito en las iniciativas basadas en datos. La principal de ellas es la dificultad que enfrentan muchas organizaciones para poner en funcionamiento el análisis: implementar, monitorear y administrar el análisis y la IA en los procesos comerciales.

¿Cómo puede superar este desafío y pasar su idea de un proyecto científico a una verdadera ciencia de datos?

1. Comience de a poco, con un proyecto que aborde una competencia central del negocio. Asegúrese de que todas las partes estén de acuerdo con el valor comercial y la viabilidad técnica del proyecto.
2. Seleccione un proyecto que ofrezca una ganancia dentro de un año. Al entrar en el proyecto, sepa cómo se ve una victoria y cómo se medirá.
3. Busque oportunidades para automatizar y expandir su uso de análisis. La automatización puede multiplicar exponencialmente los resultados de tu proyecto.

Para ilustrar estos conceptos, permítanme describir dos historias recientes de éxito en ciencia de datos. Uno es un sistema de atención de la salud que utiliza la visión artificial para ayudar a tratar a los pacientes con cáncer. La otra es una agencia de servicios sociales que utiliza el aprendizaje automático para proteger a los niños vulnerables. Finalmente, verá cómo estos proyectos están saliendo de la fase piloto para implementarse con resultados a largo plazo.

Automatización de la detección de tumores en imágenes médicas

Centro Médico de la Universidad de Ámsterdam Recientemente comenzó a utilizar la visión artificial y el análisis predictivo para mejorar la atención de los pacientes con cáncer. Su proyecto inicial utiliza la detección de objetos para identificar y medir tumores en tomografías computarizadas de hígados.

Anteriormente, los radiólogos medían el tamaño de los tumores manualmente en las exploraciones antes y después del tratamiento. Este trabajo a menudo ocupa hasta un tercio de la jornada laboral del radiólogo, pero es un trabajo crítico. Si los tumores del paciente responden al tratamiento, eso también hace que el paciente sea un buen candidato para la cirugía.

Los líderes vieron esto como un proyecto piloto perfecto para probar las capacidades de análisis e inteligencia artificial. El hospital construyó modelos de visión por computadora para analizar las imágenes médicas en una fracción del tiempo. La detección de objetos reconoce tumores y tamaños de tumores casi instantáneamente. Además, los modelos son más objetivos y precisos que los radiólogos.

Este uso de análisis no solo libera a los radiólogos para que realicen más trabajo práctico con los pacientes, sino que también salva vidas. Al encontrar resultados más rápidos y precisos, la visión por computadora puede ayudar a que más pacientes se sometan a cirugías que salvan vidas antes.

¿Cómo pasó este proyecto de proyecto científico a resultados de ciencia de datos?

• La IA se está aplicando a datos de pacientes reales para tomar decisiones sobre la atención del paciente.
• El hospital seleccionó un proyecto con mucho potencial porque el método actual es manual, lento y algo subjetivo. Los líderes entendieron claramente los beneficios de automatizar con un método más objetivo y preciso.
• El tamaño inicial del proyecto era manejable porque la IA se aplicó para ayudar con un aspecto del tratamiento de un tipo particular de cáncer.
• La automatización de las mediciones de los tumores es un proceso repetible que continuará ahorrando tiempo y mejorando la atención al paciente.
• El éxito de este proyecto puede repetirse para ayudar a tratar otros tipos de cáncer y leer otros tipos de imágenes médicas.

Alertar a los trabajadores sociales cuando los niños están en riesgo

Condado de New Hannover , Carolina del Norte, es la zona cero de la epidemia de opiáceos que asola los EE. UU. Como resultado, el Departamento de Servicios Sociales ha visto un aumento vertiginoso de casos de abuso y negligencia.

La cantidad de niños detenidos debido a los opioides se ha duplicado en el condado desde 2013. Los opioides ahora representan casi el 30 % de las intervenciones del DSS.

La agencia conoce los factores que ponen en riesgo a un niño. Pero cuando no puede actuar sobre los datos desconectados en el momento adecuado, los niños pueden pasar desapercibidos fácilmente.

Wanda Marino, subdirectora del DSS en ese momento, sabía que el condado podía hacerlo mejor. Cuando se enteró de una forma de abordar el abuso infantil con análisis predictivos, solicitó una donación para ayudar a probar la tecnología.

El nuevo sistema reúne fuentes de datos dispares y genera alertas basadas en reglas cuando el nivel de riesgo de un niño ha aumentado. Pueden ser llamadas al 911 desde el hogar, arrestos de familiares, nuevas personas en el hogar o nuevas investigaciones. Independientemente de la fuente, la presentación visual de los datos facilita a los asistentes sociales ver qué desencadenó una alerta, profundizar en el caso para obtener detalles y determinar qué intervenciones pueden ser necesarias.

Los resultados de intervenciones más rápidas incluyen reducciones en el daño infantil y mayores tasas de permanencia: un hogar permanente para el niño. Marino dice que los niños en riesgo son los verdaderos beneficiarios. Esta asociación ha sido monumental. Ha sido lo único que nos ha ayudado a avanzar y prevenir el abuso infantil de manera oportuna, y también a salvar vidas de niños.

¿Cómo pasó este proyecto de proyecto científico a resultados de ciencia de datos?

• El condado seleccionó un proyecto que tiene el potencial de salvar vidas y hacer que los trabajadores sociales sean más eficientes.
• El proyecto tenía un objetivo claro para ayudar a los niños en un área con recursos sobrecargados.
• El aprendizaje automático se está aplicando a múltiples fuentes de datos para ayudar a tomar decisiones sobre la seguridad de los niños.
• Automatizar las alertas para los trabajadores sociales es un proceso repetible que continuará ahorrando tiempo y mejorando la vida de los niños.
• El éxito de este proyecto puede repetirse y expandirse para ayudar a otros condados y otro personal que interactúa dentro del sistema de servicios sociales, como jueces y policías.

Más allá del proyecto científico

Analytics no es un proyecto científico, y no es el dominio exclusivo de estadísticos y científicos de datos, ya no. Lo que vemos en los ejemplos de este artículo es cómo se manifiestan estos principios:

• Habilitación de conocimientos y toma de decisiones basadas en datos.
• Trabajos más fáciles y productivos.
• Decisiones tomadas de manera más confiable y rápida al aumentar el acceso a los análisis.
• Resultados finales que benefician a los pacientes, las familias y la comunidad.
• Análisis que pasa de proyectos científicos a operaciones para ayudar a la organización, sus empleados y las personas a las que sirve.

Para ambos proyectos, los resultados iniciales están conduciendo a un mayor uso de análisis. En Amsterdam UMC, los administradores nos dicen que esperan expandir los modelos de detección de objetos para más tipos de cáncer y más tipos de pacientes. En Carolina del Norte, lo que funciona en un condado puede expandirse a otros condados y podría conducir a un programa estatal.

Para que la ciencia de datos funcione, debe tener la misión de eliminar las barreras para producir y consumir análisis. ¿Cómo se puede tomar un proyecto piloto y convertirlo en algo más grande? ¿Cómo puede tomar los datos que ya tiene y convertirlos en un cambio positivo para su organización y sus partes interesadas?

Aprender más acerca de iniciativas basadas en datos en SAS .

esconder