Pero apareci\u00f3 otro contendiente en el mercado, y ese contendiente no s\u00f3lo requiere, exige<\/strong> que los datos sean correctos, veraces, verificables\u2026 es decir, datos limpios y sin m\u00e1cula: ChatGPT o, m\u00e1s precisamente, la Inteligencia Artificial Generativa.<\/p>\n Y, de repente, Data Quality se hizo indispensable.<\/p>\n Si hay una empresa que construy\u00f3 su ecosistema a partir del manejo de los datos, esa es Oracle. Por supuesto, no pod\u00edan dejar de tener sus procesos de Data Quality en funcionamiento.<\/p>\n \u201cEn Oracle, la calidad de los datos se eval\u00faa seg\u00fan su precisi\u00f3n, completitud, consistencia, actualidad y adecuaci\u00f3n al uso previsto\u201d<\/em> arranca Mario Cuniberti<\/strong>, vicepresidente de Tecnolog\u00eda y Transformaci\u00f3n para Multi-Country Regi\u00f3n de Oracle.<\/strong><\/p>\n Oracle ofrece herramientas para la limpieza y preprocesamiento de datos. \u201cEstas herramientas permiten definir y verificar reglas de calidad de datos, como validaciones de rango, longitud de datos, valores nulos, duplicados y m\u00e1s. Adem\u00e1s, facilitan la correcci\u00f3n de datos mediante transformaciones y estandarizaciones automatizadas\u201d<\/em> explica Cuniberti.<\/p>\n Aunque muchas de estas tareas pueden automatizarse, la intervenci\u00f3n humana sigue siendo crucial para definir las reglas de calidad, supervisar los procesos y tomar decisiones informadas sobre la gesti\u00f3n de los datos.<\/p>\n En un contexto de entrenamiento de una IA, \u201ces esencial que los datos sean de alta calidad para garantizar resultados precisos y confiables. La calidad de los datos afecta directamente la eficacia de los modelos de IA, ya que si estos son deficientes pueden llevar a modelos inexactos o sesgados\u201d<\/em> sostiene Cuniberti.<\/p>\n Adem\u00e1s, \u201cla API de detecci\u00f3n de sesgos de datos<\/em> \u2014contin\u00faa el ejecutivo\u2014 permite identificar y cuantificar sesgos en conjuntos de datos, utilizando m\u00e9tricas como el desequilibrio de clases, la paridad estad\u00edstica y la disparidad demogr\u00e1fica condicional. Adem\u00e1s, ofrece m\u00e9todos de mitigaci\u00f3n, como el reponderamiento, para abordar estos sesgos antes de entrenar modelos de aprendizaje autom\u00e1tico\u201d.<\/em><\/p>\n Pocas semanas atr\u00e1s, confluyeron en un mismo evento NaranjaX y Microsoft. Aprovechamos, entonces, para conversar con las responsables de datos de ambas compa\u00f1\u00edas.<\/p>\n Gisele Cabrera es Chief Data & Analytics Officer de Naranja X<\/strong> opina que \u201cestamos viviendo un momento \u00fanico en todas nuestras vidas donde la tecnolog\u00eda disruptiva y la inteligencia artificial, ya no es cosa del futuro, vino para quedarse. Pero \u00bfqu\u00e9 pasa con todo este sue\u00f1o, no? De automatizar e ir hacia la inteligencia artificial necesito una base s\u00f3lida, necesito una base robusta con datos confiables, con datos de calidad, con datos bien gobernados porque si no, de otra manera, no es posible generar impacto a partir del uso de esa tecnolog\u00eda o de esa inteligencia artificial\u201d.<\/em><\/p>\n Por su parte, Yamila Zakhem<\/strong>, Digital Apps, Data & AI Sales Director for Spanish South America de Microsoft<\/strong>, agrega: \u201cEl concepto y sobre todo en el momento en el que estamos hablando es central, todo lo que tiene que ver con la calidad, pero tambi\u00e9n con la disponibilidad y uso de los datos, \u00bfno? Lo que hoy decimos es que el resultado de una implementaci\u00f3n de inteligencia artificial o que las soluciones basadas en inteligencia artificial son tan buenas como los datos que tenemos por detr\u00e1s para poder construirlos. De alguna manera todo ten\u00eda que ver con la definici\u00f3n de los modelos, que en el \u00e1mbito de datos estructurados est\u00e1 como mucho m\u00e1s determinado”.<\/em><\/p>\n \u201cCuando yo arranqu\u00e9 all\u00e1 por el 2008″<\/em> \u2014relata Cabrera\u2014 “ya desde aquel momento fue muy dif\u00edcil posicionar estrat\u00e9gicamente todo este tema del gobierno y de la calidad de los datos. Cada uno estaba como m\u00e1s en su \u2018bueno, hago mi dashboard para mi \u00e1rea o analizo los datos de mi equipo particularmente\u2019, como una competencia a ver qui\u00e9n manejaba una mayor cantidad de datos. Pero hoy la cosa pasa por otro lugar, pasa por tener la data AI ready \u00bfY qu\u00e9 es esa data AI ready? Que est\u00e9 curada, que est\u00e9 gobernada y que est\u00e9 disponible para que se pueda usar en toda la compa\u00f1\u00eda\u201d.<\/em><\/p>\n Yendo a un punto m\u00e1s t\u00e9cnico, la ejecutiva de Microsoft explica: \u201cTal vez estamos m\u00e1s acostumbrados a guardar en tablas y que esas tablas despu\u00e9s alimentan la soluci\u00f3n y eso tiene cierta forma y esperamos que tenga ciertas caracter\u00edsticas a la hora de implementarlas. Pero cuando hablamos, por ejemplo, de una imagen, un audio, un video, que son datos no estructurados y mucho m\u00e1s amplios y que cubren un espectro mayor, decimos, \u2018Bueno, tambi\u00e9n necesito enriquecer mis fuentes con esos datos y que sean parte del producto de la inteligencia artificial.\u2019 Entonces, lo que vemos es c\u00f3mo se redefine lo que se llama m\u00e1s com\u00fanmente como el modern data state o yo le suelo decir la plataforma de datos”.<\/em><\/p>\n \u201cEn esa plataforma de datos hoy tiene que poder convivir el mundo estructurado, el semiestructurado y el no estructurado y que garanticen la trazabilidad de punta a punta, que podamos nosotros identificar el linaje de esos datos que luego van a poder responder a construir esas soluciones\u201d.<\/p>\n En una \u00e9poca uno ten\u00eda una X cantidad de datos, un dataset<\/em> determinado, se trabajaba sobre ese dataset<\/em>, incluso para las redes neuronales hab\u00eda tablas. Y en esa \u00e9poca se hablaba tambi\u00e9n de normalizar las tablas. Pero ahora estamos hablando de millones de par\u00e1metros con lo cual se necesitan millones de datos para que la IA generativa d\u00e9 una respuesta consistente incluso en lenguaje natural.<\/p>\n \u201cPor eso hay que arrancar ordenando la casa, digamos”<\/em> \u2014precisa la ejecutiva de NaranjaX\u2014, “\u00bfy qu\u00e9 es ordenar la casa? Es justamente organizar los datos para que puedan estar disponibles para su consumo por la inteligencia artificial\u201d.<\/em><\/p>\n Ya nos qued\u00f3 muy claro que hay empresas que hacen Data Quality como parte de un portafolio m\u00e1s completo, y que hay otras que pueden hacer su propia limpieza de los datos. Pero tambi\u00e9n est\u00e1n aquellas que se dedican, entre otras cosas, a ofrecer el servicio de data cleansing.<\/p>\n Es el caso de Econat, una empresa de consultor\u00eda de sistemas que, entre sus ofertas, figura un servicio espec\u00edfico de Data Quality. Si bien sus mejores \u00e9xitos los est\u00e1n obteniendo en oil & gas, no hay industrias que no precisen, de vez en cuando, una buena barrida, y no debajo de alfombra precisamente.<\/p>\n Gabriel Katz<\/strong> es Business Development Manager del Grupo Econat<\/strong> y quien responde a nuestra requisitoria: \u201cLa calidad de los datos es el grado en que los datos cumplen con los requisitos necesarios para ser utilizados eficazmente en su prop\u00f3sito previsto. Implica que los datos deben ser precisos, completos, coherentes, actualizados y relevantes para garantizar su valor en contextos espec\u00edficos, como la toma de decisiones, an\u00e1lisis o automatizaci\u00f3n de procesos, inteligencia artificial. Los datos son un valor en s\u00ed, pero lo m\u00e1s importante es cu\u00e1l es el resultado que uno obtiene de la explotaci\u00f3n y el uso de esos datos. Entonces, antes de que habl\u00e1semos de inteligencia artificial, venimos hablando mucho de inteligencia de negocios\u201d.<\/em><\/p>\n La compa\u00f1\u00eda se enfoca en verificar y asegurar la calidad de los datos mediante un motor de reglas de validaci\u00f3n, configurado en colaboraci\u00f3n con el cliente. El objetivo es garantizar la consistencia y coherencia de los datos y reducir as\u00ed la probabilidad de que se manifiesten sesgos durante los procesos de an\u00e1lisis o toma de decisiones posteriores.<\/p>\n \u201cSi bien en los datos relativos al proceso de perforaci\u00f3n, terminaci\u00f3n y mantenimiento de pozos, por ejemplo, tenemos mucho know-how<\/em> \u2014contin\u00faa Katz\u2014, hay muchos detalles que los maneja en realidad el negocio. Entonces, por ejemplo, para definir la consistencia de un dato, normalmente lo que hace el usuario es pasar la regla a nivel sint\u00e1ctico, a nivel de texto y lo que se genera desde el desarrollo interno es el prompt que pasa a ser la regla de validaci\u00f3n que se incorpora al motor de validaci\u00f3n de datos. Es s\u00ed importante destacar que la etapa de correcci\u00f3n, en general, la realiza el cliente porque implica la manipulaci\u00f3n de datos de la empresa, que son propietarios y confidenciales\u201d.<\/em><\/p>\n La IA depende de informaci\u00f3n precisa, consistente y confiable para aprender patrones y comportamientos de manera efectiva. Si los datos utilizados son incompletos, err\u00f3neos o sesgados, el modelo entrenado producir\u00e1 resultados inexactos o poco \u00fatiles. Por tanto, garantizar la alta calidad de los datos es esencial para obtener modelos de IA robustos y con buen desempe\u00f1o.<\/p>\n Y sigue el ejecutivo: \u201cEl factor humano desempe\u00f1a un rol esencial tanto en la fase de construcci\u00f3n y mantenimiento del modelo de validaci\u00f3n, como en el seguimiento y an\u00e1lisis de los hallazgos, asegurando que el sistema evolucione de acuerdo con los cambios del negocio y sus necesidades espec\u00edficas\u201d.<\/em><\/p>\n Garantizar la calidad de los datos es esencial para cualquier organizaci\u00f3n. Para eso, es necesario realizar una inversi\u00f3n en herramientas de gesti\u00f3n de datos, as\u00ed como capacitar al personal en pr\u00e1cticas de calidad de datos. Adem\u00e1s, es imprescindible realizar esfuerzos continuos para monitorizar y mejorar la calidad de los datos. Los errores y la falta de calidad en los datos pueden llevar a consecuencias costosas, como decisiones empresariales err\u00f3neas, p\u00e9rdidas financieras y da\u00f1os a la reputaci\u00f3n de la empresa.<\/p>\n Si de Inteligencia Artificial se trata, no podemos olvidarnos de que hay dos campos. Por un lado, el de los datos que se utilizan para entrenarla. Por el otro, el uso de la GenAI para automatizar y facilitar la calidad de esos datos. En resumen, es evidente que la garant\u00eda de la calidad de los datos representa una inversi\u00f3n que se justifica por los beneficios indiscutibles que aporta en t\u00e9rminos de reducci\u00f3n de riesgos, mejora en la toma de decisiones y aumento de la eficiencia empresarial.<\/p>\n Varios años atrás —más de 15, si la memoria no me falla—, con el advenimiento de Business Intelligence y Data Analytics, se empezó a hablar de “data cleansing” que, en el fondo, no era más que una forma más sofisticada de la famosa “normalización” de las bases de datos. Como ocurre con muchas de las innovaciones —que no lo son tanto, pero le dan argumentos a la gente de marketing—, la ahora denominada “Data Quality” estuvo en el candelero un tiempo y después se “esfumó” tan silenciosamente como apareció. Usted me dirá “eso siempre existió” o “la limpieza de los datos siempre formó parte del servicio de desarrollo y operación de aplicaciones basadas en bases de datos” —perdón por la redundancia— y quizá tenga razón. Pero apareció otro contendiente en el mercado, y ese contendiente no sólo requiere, exige que los datos sean correctos, veraces, verificables… es decir, datos limpios y sin mácula: ChatGPT o, más precisamente, la Inteligencia Artificial Generativa. Y, de repente, Data Quality se hizo indispensable. Los expertos en datos Si hay una empresa que construyó su ecosistema a partir del manejo de los datos, esa es Oracle. Por supuesto, no podían dejar de tener sus procesos de Data Quality en funcionamiento. “En Oracle, la calidad de los datos se evalúa según su precisión, completitud, consistencia, actualidad y adecuación al uso previsto” arranca Mario Cuniberti, vicepresidente de Tecnología y Transformación para Multi-Country Región de Oracle. Oracle ofrece herramientas para la limpieza y preprocesamiento de datos. “Estas herramientas permiten definir y verificar reglas de calidad de datos, como validaciones de rango, longitud de datos, valores nulos, duplicados y más. Además, facilitan la corrección de datos mediante transformaciones y estandarizaciones automatizadas” explica Cuniberti. Aunque muchas de estas tareas pueden automatizarse, la intervención humana sigue siendo crucial para definir las reglas de calidad, supervisar los procesos y tomar decisiones informadas sobre la gestión de los datos. En un contexto de entrenamiento de una IA, “es esencial que los datos sean de alta calidad para garantizar resultados precisos y confiables. La calidad de los datos afecta directamente la eficacia de los modelos de IA, ya que si estos son deficientes pueden llevar a modelos inexactos o sesgados” sostiene Cuniberti. Además, “la API de detección de sesgos de datos —continúa el ejecutivo— permite identificar y cuantificar sesgos en conjuntos de datos, utilizando métricas como el desequilibrio de clases, la paridad estadística y la disparidad demográfica condicional. Además, ofrece métodos de mitigación, como el reponderamiento, para abordar estos sesgos antes de entrenar modelos de aprendizaje automático”. Los que usan los datos Pocas semanas atrás, confluyeron en un mismo evento NaranjaX y Microsoft. Aprovechamos, entonces, para conversar con las responsables de datos de ambas compañías. Gisele Cabrera es Chief Data & Analytics Officer de Naranja X opina que “estamos viviendo un momento único en todas nuestras vidas donde la tecnología disruptiva y la inteligencia artificial, ya no es cosa del futuro, vino para quedarse. Pero ¿qué pasa con todo este sueño, no? De automatizar e ir hacia la inteligencia artificial necesito una base sólida, necesito una base robusta con datos confiables, con datos de calidad, con datos bien gobernados porque si no, de otra manera, no es posible generar impacto a partir del uso de esa tecnología o de esa inteligencia artificial”. Por su parte, Yamila Zakhem, Digital Apps, Data & AI Sales Director for Spanish South America de Microsoft, agrega: “El concepto y sobre todo en el momento en el que estamos hablando es central, todo lo que tiene que ver con la calidad, pero también con la disponibilidad y uso de los datos, ¿no? Lo que hoy decimos es que el resultado de una implementación de inteligencia artificial o que las soluciones basadas en inteligencia artificial son tan buenas como los datos que tenemos por detrás para poder construirlos. De alguna manera todo tenía que ver con la definición de los modelos, que en el ámbito de datos estructurados está como mucho más determinado”. “Cuando yo arranqué allá por el 2008″ —relata Cabrera— “ya desde aquel momento fue muy difícil posicionar estratégicamente todo este tema del gobierno y de la calidad de los datos. Cada uno estaba como más en su ‘bueno, hago mi dashboard para mi área o analizo los datos de mi equipo particularmente’, como una competencia a ver quién manejaba una mayor cantidad de datos. Pero hoy la cosa pasa por otro lugar, pasa por tener la data AI ready ¿Y qué es esa data AI ready? Que esté curada, que esté gobernada y que esté disponible para que se pueda usar en toda la compañía”. Yendo a un punto más técnico, la ejecutiva de Microsoft explica: “Tal vez estamos más acostumbrados a guardar en tablas y que esas tablas después alimentan la solución y eso tiene cierta forma y esperamos que tenga ciertas características a la hora de implementarlas. Pero cuando hablamos, por ejemplo, de una imagen, un audio, un video, que son datos no estructurados y mucho más amplios y que cubren un espectro mayor, decimos, ‘Bueno, también necesito enriquecer mis fuentes con esos datos y que sean parte del producto de la inteligencia artificial.’ Entonces, lo que vemos es cómo se redefine lo que se llama más comúnmente como el modern data state o yo le suelo decir la plataforma de datos”. “En esa plataforma de datos hoy tiene que poder convivir el mundo estructurado, el semiestructurado y el no estructurado y que garanticen la trazabilidad de punta a punta, que podamos nosotros identificar el linaje de esos datos que luego van a poder responder a construir esas soluciones”. En una época uno tenía una X cantidad de datos, un dataset determinado, se trabajaba sobre ese dataset, incluso para las redes neuronales había tablas. Y en esa época se hablaba también de normalizar las tablas. Pero ahora estamos hablando de millones de parámetros con lo cual se necesitan millones de datos para que la IA generativa dé una respuesta consistente incluso en lenguaje natural. “Por<\/p>\n","protected":false},"author":254,"featured_media":177045,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[65],"tags":[712,128,573,394],"class_list":["post-181617","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-inteligencia-artificial","tag-grupo-econat","tag-microsoft","tag-naranja-x","tag-oracle"],"_links":{"self":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/181617","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/users\/254"}],"replies":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/comments?post=181617"}],"version-history":[{"count":0,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/posts\/181617\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/media\/177045"}],"wp:attachment":[{"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/media?parent=181617"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/categories?post=181617"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.itsitio.com\/ar\/wp-json\/wp\/v2\/tags?post=181617"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Los expertos en datos<\/span><\/h2>\n
![\"width=\"](\"https:\/\/www.itsitio.com\/ar\/wp-content\/uploads\/sites\/4\/2025\/07\/Imagen-de-WhatsApp-2025-07-07-a-las-11.20.53_56b21abb-e1752003575196.webp\")
<\/p>\nLos que usan los datos<\/span><\/h2>\n
![\"width=\"](\"https:\/\/www.itsitio.com\/ar\/wp-content\/uploads\/sites\/4\/2025\/07\/Imagen-de-WhatsApp-2025-07-07-a-las-11.20.49_85d0c6c6-e1752003682139.webp\")
<\/p>\nLos que trabajan de limpiar los datos<\/span><\/h2>\n
![\"Gabriel](\"https:\/\/www.itsitio.com\/ar\/wp-content\/uploads\/sites\/4\/2025\/07\/Imagen-de-WhatsApp-2025-07-07-a-las-11.20.52_6609e249-e1752003781733.webp\")
Leer mas<\/span><\/h3>\n
\n