A continuación se muestra cómo funciona esta estrategia y por qué se está volviendo más importante integrarla a medida que aumentan las necesidades de privacidad y evolucionan los esfuerzos de estandarización.

¿Qué es?

La detección de anomalías examina puntos de datos para detectar valores atípicos y otros patrones inusuales en los datos. Las empresas lo utilizan para prevenir fraudes, infracciones y exponer información confidencial y, al mismo tiempo, monitorear otras actividades anormales. Puede que el método detrás de esto no sea nuevo, pero está ganando atención a medida que hay más datos disponibles: ofrece una forma más eficiente de monitorear los datos en comparación con el seguimiento manual.

¿Como funciona? ¿Qué es un ejemplo?

La detección de anomalías examina todos los datos y busca cualquier cambio que haya ocurrido, ya sea en el tipo de datos o en el volumen de datos establecido por parámetros definidos. El objetivo es detectar irregularidades en los datos donde algo falla, como un aumento o disminución del gasto a distintos ritmos. También podrían ser actividades y eventos que se consideran fuera del comportamiento normal definido.

“Estás buscando puntos de datos, y todos ellos están muy adaptados a lo que las marcas individuales están experimentando”, dijo recientemente a Digiday Michael Neveu, director senior de aprendizaje automático y soluciones de inteligencia artificial para Media.Monks.

¿Por qué la gente habla de eso ahora?

El uso de la IA y el aprendizaje automático puede provocar más anomalías de este tipo. Por ejemplo, herramientas como Bard y OpenAI pueden producir “mentiras” o cometer errores, explicó David DiCamillo, CTO de Code and Theory. Esas plataformas tienden a tomar datos de diversas fuentes para escupir respuestas a los humanos, por lo que también agregan descargos de responsabilidad que recuerdan a las personas que verifiquen las fuentes y verifiquen la información. Según DiCamillo, también se denominan alucinaciones y se consideran desviaciones del funcionamiento normal de los sistemas de inteligencia artificial.

“El cerebro de la IA es sólo los datos con los que está programada, por lo que si hay anomalías en los datos, entonces podemos esperar tener algún nivel de alucinación”, dijo DiCamillo.

¿Por qué es importante?

La detección de anomalías es parte de un conjunto de herramientas que puede ayudar a las agencias y socios a mejorar procesos como la previsión, la gestión de inventario y la experiencia del cliente, afirmó Ram Singh, director de medios de rendimiento de Crossmedia.

“Hacer esto correctamente tiene más beneficios posteriores”, afirmó Singh. “Una gestión estricta del rendimiento a través de una detección y estandarización tan avanzadas ayuda a mejorar la previsión, la planificación de ingresos y mano de obra, la gestión de inventario, la experiencia del cliente… [using these models] para detectar problemas rápidamente [allows us to] devolver los ahorros al cliente o utilizarlos para mejorar el servicio al cliente y financiar soluciones más avanzadas para impulsar el rendimiento más allá de los objetivos”.

Las marcas también están interesadas en herramientas de detección de anomalías para proteger la seguridad de la marca y monitorear las métricas de cumplimiento de datos y privacidad. Esta estrategia les ayuda a encontrar cambios significativos y responder rápidamente a medida que crece el volumen de datos y fuentes.

DiCamillo añadió que el desarrollo de la IA requerirá un seguimiento constante de los datos irregulares. “Nos gusta decirles a los clientes que implementar la IA es como darle la bienvenida a un cachorro a su casa: uno que nunca crecerá, necesitará supervisión constante y nunca aprenderá a ir al baño”, dijo. “Sus herramientas de inteligencia artificial necesitan mantenimiento y supervisión constantes para funcionar como se espera”.

¿Cómo aprovechan las agencias la detección de anomalías?

Lo están utilizando para prácticas de estandarización de datos y aprovechando el aprendizaje automático para crear modelos para detectar y responder a problemas rápidamente. En última instancia, esto ayuda al rendimiento de los medios y “la detección de anomalías es esencial para los procesos de estandarización”, dijo Singh.

También hay una serie de herramientas de IA, como Fiddler y Arize AI, que ayudan a analizar datos y monitorear la información producida por IA. Por ahora, no existe un software único que detecte todos estos datos atípicos, por lo que seguirá requiriendo supervisión humana, explicó DiCamillo. Mientras tanto, las agencias también tendrán que seguir confiando en sus analistas y en los comentarios de los usuarios para detectar anomalías.

“Recomendamos auditorías periódicas del sistema, registros de actividades y el mantenimiento de pistas de auditoría detalladas”, dijo DiCamillo.

Estos pueden ayudar a sacar a la luz anomalías y permitir a las agencias hacer ajustes y reentrenar sus modelos y algoritmos, especialmente a medida que la influencia de la IA sobre la recopilación y el análisis de datos toma forma en el negocio de las agencias.