Por qué el aprendizaje profundo no está reemplazando a las personas

Hace algunos años, me subí al tren de "el aprendizaje automático eliminará la necesidad de los radiólogos". No fue mi predicción más inteligente. En mi fracaso, sin embargo, me uno a los expertos más importantes en aprendizaje profundo, como Geoffrey Hinton, quien en 2016 proclamó que era "completamente obvio [que] en cinco años, el aprendizaje profundo lo haría mejor" que los radiólogos capacitados.

Estaba equivocado. Yo estaba equivocado. Y como industria, todos seguimos equivocándonos sobre la rapidez con la que progresará el aprendizaje profundo, una rama del aprendizaje automático.

O más bien "progresar", porque el aprendizaje profundo está progresando y rápidamente. Sin embargo, lo que no está haciendo es avanzar hasta el punto de desplazar a las personas. La clave para apreciar el aprendizaje profundo, escribió Gary Marcus, científico y fundador de Geometric Intelligence, una empresa de aprendizaje automático adquirida por Uber en 2016, es reconocer que esta herramienta de reconocimiento de patrones es "mejor cuando todo lo que necesitamos son resultados aproximados, donde los riesgos son bajos y los resultados perfectos son opcionales".

En otras palabras, cuando las máquinas pueden ser utilizadas como complemento, no como reemplazo, de las personas.

Jugando a las fortalezas del aprendizaje profundo

El aprendizaje profundo es esencialmente una forma de encontrar patrones a gran escala. Ningún humano puede examinar enormes cantidades de datos para descubrir patrones en ellos, pero las máquinas pueden hacerlo. En cambio, las máquinas tienen dificultades cuando se les presenta un valor atípico que podría ser fácilmente identificado por un humano pero que contradice los datos con los que fueron entrenadas las máquinas. Las máquinas no pueden razonar, las personas sí pueden. (Bueno, la mayoría de las personas... ¡la mayoría del tiempo!)

Jared Kaplan de OpenAI ha argumentado que el problema no es el razonamiento, sino más bien la escala. Cuantos más datos ingreses en las máquinas, más cerca estarán las máquinas de replicar el razonamiento humano. Esta visión es incorrecta.

NVIDIA revoluciona la predicción del clima y anuncia avances en inteligencia artificial

No tienes que creerme a mí. Solo mira a tu alrededor. Elige cualquier sistema de IA/AP que desees. Ninguno de ellos se ha acercado siquiera a copiar la inteligencia humana simple, porque no logran comprender realmente lo que significan los datos. Esto no quiere decir que sea inútil. Muy al contrario. No, más bien argumento que deberíamos permitir que las personas sean personas y las máquinas sean máquinas, y encontrar formas de combinar nuestras fortalezas respectivas.

Enfrentando la realidad del aprendizaje automático real

También deberíamos dejar de intentar convertir el ML/aprendizaje profundo en la solución para problemas que podrían resolverse más fácilmente con matemáticas simples, siguiendo el razonamiento de Noah Lorang ("los científicos de datos en su mayoría solo hacen aritmética"). O como afirmó el científico aplicado de Amazon, Eugene Yan, "la primera regla del aprendizaje automático es comenzar sin aprendizaje automático".

Si nos esforzamos por comprender los datos, en lugar de simplemente analizar números, debemos ser más conscientes de cómo empleamos las máquinas (es decir, el ML/I.A.) a nuestra disposición. Parafraseando nuevamente a Lorang, "el conocimiento de Lorang sobre la ciencia de datos sigue siendo tan válido hoy como cuando lo pronunció hace unos años: 'Hay un conjunto muy pequeño de problemas empresariales que se pueden resolver mejor con aprendizaje automático; la mayoría de ellos solo necesitan buenos datos y una comprensión de lo que significan'". Por lo tanto, en lugar de sobrecargar los modelos de aprendizaje profundo/ML con expectativas, deberíamos recurrir a "consultas SQL para obtener datos, aritmética básica en esos datos (calcular diferencias, percentiles, etc.), graficar los resultados y escribir párrafos de explicación o recomendación".

Sabes: el tipo de cosas que hemos hecho durante décadas, mucho antes de que el aprendizaje profundo se pusiera de moda.

Volviendo a Yan. Para un proyecto exitoso de ML, "necesitas datos. Necesitas una tubería robusta para respaldar tus flujos de datos. Y sobre todo, necesitas etiquetas de alta calidad". Este último punto destaca la necesidad de conocer tus datos: para etiquetarlos bien, necesitas comprenderlos hasta cierto punto. Todo esto debe suceder antes de comenzar a alimentar aleatoriamente datos en un algoritmo de aprendizaje profundo, rezando por obtener resultados.

Esto, una vez más, destaca la necesidad de una mayor simbiosis entre humanos y máquinas. Ninguno reemplaza al otro. Como escribió recientemente Mary Shacklett de Newsmatic, "la gran IA no funciona en el vacío. Coordina con los tomadores de decisiones humanos y opera en un modo simbiótico con los humanos para llegar a una decisión u operación óptima". Como tal, sería útil si dejáramos de exagerar el futuro del aprendizaje profundo, el aprendizaje automático y la inteligencia artificial y en su lugar nos centramos en la necesidad presente de integrar mejor la ingeniosidad humana con la coincidencia de patrones impulsada por máquinas.

El auge del oro de la inteligencia artificial: inversión en IA se duplica en 2021

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

En Newsmatic nos especializamos en tecnología de vanguardia, contamos con los artículos mas novedosos sobre Inteligencia artificial, allí encontraras muchos artículos similares a Por qué el aprendizaje profundo no está reemplazando a las personas , tenemos lo ultimo en tecnología 2023.