El valor de la inteligencia artificial estrechamente enfocada en aplicaciones específicas

Es fácil dejarse llevar por la emoción en torno a la inteligencia artificial (IA), pero también es fácil creer que todo es solo una exageración. La verdad se encuentra en algún punto intermedio. Como sugirió el legendario tecnólogo Mike Olson: "La atención desmedida que se presta a la AGI y los automóviles autónomos, entre otras cosas, ciega [a] las aplicaciones de IA de enfoque estrecho". Con "enfoque estrecho" se refería al anuncio de DeepMind de haber publicado "las estructuras predichas de casi todas las proteínas catalogadas conocidas científicamente".

¿Estrecho? Para nada. Este avance abre dramáticamente el acceso a las estructuras de las proteínas, acelerando así el descubrimiento científico en campos tan diversos como la medicina y el cambio climático. Pero la IA utilizada es estrecha en el sentido de que no se trata de una máquina pensante que analiza las estructuras proteínicas. Como he escrito, normalmente el mejor aprendizaje automático (ML) es simplemente un patrón de coincidencias a una escala que ningún humano podría replicar.

Considerémoslo un recordatorio de que, aunque la IA/ML no nos haya regalado automóviles autónomos, eso no significa que no haya logrado avances impresionantes. El truco está en enfocar cómo usamos la IA, sin abandonar su promesa.

El enfoque adecuado

El enfoque correcto para la IA es utilizar las máquinas para lo que son buenas y complementar esto con la inteligencia humana. Las máquinas pueden procesar cantidades masivas de información mucho más allá de lo que cualquier persona podría hacer, y luego presentar esa información a las personas de manera que sea más fácil de entender y analizar. No se trata de humanos contra máquinas, sino de humanos colaborando con las máquinas.

VER: Política de Ética de la Inteligencia Artificial (Newsmatic Premium)

El mercado de software de automatización robótica de procesos (RPA) crecerá un 19

También se necesita mucha cantidad de datos. De hecho, por muy buenas que sean las máquinas y por inteligentes que sean las personas, el mapeo de todas las proteínas conocidas simplemente no habría sido posible sin datos, como señaló Ewan Birney, subdirector general de EMBL. "Todo el talento de IA en el mundo... no puede resolver fácilmente problemas científicos... sin datos, y muchos datos". Entonces, ¿de dónde obtuvieron los científicos de DeepMind los datos? Afortunadamente, en esta área en particular, existe una tradición de compartir datos, como explicó Birney: "Aquí, la norma establecida desde hace mucho tiempo en la comunidad de biología molecular para compartir datos, en particular en la biología estructural, es un facilitador clave".

Aplicado a los proyectos de ciencia de datos dentro de cualquier organización, esto destaca la necesidad de contar con máquinas que operen a gran escala, científicos de datos expertos y muchos datos. Cuando estas tres cosas se combinan, la IA tiene el potencial de volverse verdaderamente mágica, aunque, como se mencionó anteriormente, no al estilo de una "máquina pensante". Aún así, es crucial orientar los modelos hacia problemas "estrechos" que aprovechen las fortalezas de las máquinas, como el reconocimiento de patrones.

Además, como ha enfatizado Arijit Sengupta, CEO de Aible, los científicos de datos deben ser pragmáticos en cuanto a sus modelos. Sengupta ha llevado a cabo una competencia regular entre estudiantes de secundaria y estudiantes universitarios de ciencia de datos profesionales en la Universidad de Berkeley. Los estudiantes de secundaria casi siempre superan a los universitarios, dijo, por la misma razón por la que la mayoría de los proyectos de IA corporativos fracasan: "A los científicos de datos y a los ingenieros de aprendizaje automático se les enseña a enfocarse en el 'rendimiento del modelo' (cuán bien hace un algoritmo determinado con un conjunto de datos específico al realizar una predicción), en lugar del 'rendimiento empresarial' (cuánto dinero, en ingresos adicionales o ahorro de costos, puede generar la aplicación de IA a un conjunto de datos específico)". En el caso de la competencia, los estudiantes de secundaria se centran mejor en los resultados económicos de sus modelos, mientras que los universitarios "se obsesionan con entrenar algoritmos sofisticados".

En otras palabras, es más conveniente mantener las cosas simples y concentrarse en áreas en las que la IA está ganando fortaleza.

VER: Kit de contratación: Arquitecto de Inteligencia Artificial (Newsmatic)

Entonces, ¿en qué áreas deberían las empresas considerar utilizar IA a corto plazo? Según un informe de Stanford, "Un Estudio de Inteligencia Artificial de Cien Años", hemos logrado "un progreso notable" en IA desde 2016, con mejoras particulares en tres áreas clave:

IA: La clave para reducir devoluciones de productos en empresas

• Aprendizaje de forma auto-supervisada o auto-motivada
• Aprendizaje continuo para resolver problemas de diferentes dominios sin requerir un extenso entrenamiento para cada uno
• Generalización entre tareas, adaptando el conocimiento y las habilidades del sistema adquiridas para una tarea a situaciones nuevas

Con estos parámetros en mente, las empresas pueden pasar de "fallar en su mayoría" con la IA a "tener éxito en su mayoría". Solo se trata de utilizar la IA de manera inteligente.

Divulgación: Trabajo en MongoDB, pero las opiniones aquí expresadas son mías.

En Newsmatic nos especializamos en tecnología de vanguardia, contamos con los artículos mas novedosos sobre Inteligencia artificial, allí encontraras muchos artículos similares a El valor de la inteligencia artificial estrechamente enfocada en aplicaciones específicas , tenemos lo ultimo en tecnología 2023.