¿Qué traerá la inteligencia artificial en 2020?

Como experto, a menudo me preguntan: ¿qué traerá este año? No tengo una bola de cristal para mirar hacia el futuro, ni un sistema basado en inteligencia artificial (IA) para este tipo de predicciones, pero hay algunas tendencias interesantes que ciertamente quiero compartir.

No discutiré las cifras de crecimiento de los casos de uso de IA, o si los que no la usan se colapsarán, o si estallará la “burbuja de AI” y vendrá un nuevo invierno de IA. Se han hecho muchos progresos, pero no lo suficiente como para desviar el próximo obstáculo: y así es como se obtiene conocimiento sobre el dominio de tu negocio con la ayuda de AI.

Entonces, ¿qué nos traerá la IA en el futuro cercano? Permíteme discutir tres temas importantes:

Machine learning llegó para quedarse

“La IA ya está comenzando a transformar la forma en que las organizaciones hacen negocios, gestionan sus relaciones con los clientes y estimulan las ideas y la creatividad que impulsan la innovación”. (Capgemini)

Hace tres años, los buenos casos de uso para machine learning eran difíciles de encontrar. Ahora, las historias de éxito están en todas partes. El machine learning, deep learning, las redes neuronales y todas las demás variantes ahora abundan. Entonces, pase lo que pase este año, el machine learning llegó para quedarse, y será aún más exitoso a medida que más empresas comiencen a usar IA para sus actividades diarias.

Todos estos algoritmos de IA ahora constituyen una parte integral de muchas herramientas basadas en datos. Para los analistas de datos, usar la inteligencia artificial está a solo un clic de distancia. ¿Pero esto implica que la IA se usa correctamente? Me temo que no, porque:

• La calidad de los datos sigue siendo un problema importante. Sin la calidad de los datos, el sesgo y los prejuicios están a la vuelta de la esquina y la salida de la IA no será precisa. La calidad y la ética de los datos están entrelazadas.
• La ética a menudo se considera algo extra, pero debe estar en la base de cualquier implementación de inteligencia artificial, o, para el caso, en el corazón de cualquier otro proyecto de big data.
• Todavía no hay suficiente enfoque en la calidad de los resultados de la IA. Los métodos estadísticos como la precisión, la precisión, la recuperación y la definición F1 son definitivamente buenos indicadores. Pero aún necesitamos una barra para medir. Muchas organizaciones realmente no tienen idea de cómo medir la calidad de las decisiones que toman.

Pero hay más en los procesos comerciales que la ejecución de tareas. ¿Cómo podemos determinar si nuestra IA es realmente una mejora sobre las acciones basadas en humanos? Esto sigue siendo una discusión abierta.

Actualmente, vemos que el aprendizaje automático se usa en aplicaciones muy estrechas, para hacer que los pasos del proceso sean más eficientes o para aliviar trabajos tediosos. Pero cómo la IA contribuirá a un retorno significativo de la inversión también ha sido una gran pregunta, tanto el año pasado como en 2020.

Las discusiones sobre ética continuarán

“La ética de la inteligencia artificial no es solo un complemento para sentirse bien, un deseo pero no una necesidad. AI ha sido considerado uno de los grandes desafíos de derechos humanos del siglo XXI “. (Khari Johnson)

El año pasado, las discusiones sobre la ética de la IA realmente despegaron. Aunque principalmente académica, la discusión ahora se centra no solo en las consecuencias (im) morales de la IA, por ejemplo, la discriminación, la pérdida de empleo, la desigualdad, etc. El enfoque ahora está en los valores. ¿Hay algo como “AI para bien”? ¿Como sociedad realmente queremos dar poderes decisivos a las máquinas? ¿Y esas máquinas son justas y abiertas? ¿Y qué hay de los cheques y saldos?

Estas discusiones no se centran solo en la IA. También se refieren al uso de big data. Ciudades inteligentes, reconocimiento facial, detección de fraude: estas son todas las áreas donde se debe discutir y evaluar la privacidad y la conveniencia. Esto requerirá la evaluación del lado ético desde el comienzo del proyecto. ¿Será la ética de la IA un deber oneroso o una verdadera ventaja competitiva? Aún no lo sé

Veremos el surgimiento de marcos éticos. Al igual que los marcos de cumplimiento para la contabilidad, estos marcos ofrecerán formas de evaluar las implicaciones éticas de la IA. Como cualquier marco, no son excusa para no pensar de manera independiente y sistemática sobre la IA. Los marcos no garantizan un buen resultado. Y surgirá la discusión sobre cómo utilizar estos marcos en un contexto empresarial.

Alcanzando el conocimiento

“En cambio, deep learning nos ha dado máquinas con habilidades realmente impresionantes, pero sin inteligencia. La diferencia es profunda y radica en la ausencia de un modelo de realidad “. (Judea Pearl)

Machine learning, incluido deep learning y las redes neuronales, es muy exitoso. Todos estos métodos son muy buenos para extraer información de los datos. Sí, soy consciente de los numerosos errores que comete el machine learning y de cómo se le puede engañar, principalmente el reconocimiento de imágenes. Debemos aprender de estos errores mejorando los algoritmos y los procesos de aprendizaje. Pero la IA es mucho más que machine learning. La computación cognitiva, la IA simbólica y el razonamiento contextual también son IA. Necesitamos reevaluar el uso de estas otras técnicas de IA para nuestras aplicaciones.

Este año, continuaremos abriendo la caja negra de machine learning. Los algoritmos, interpretables, proporcionarán información sobre cómo llegaron a sus decisiones. Pero la IA en un contexto empresarial no podrá evaluar la corrección y la imparcialidad de las decisiones.

Machine learning es bueno para extraer información de los datos, pero es pésimo para extraer conocimiento de la información. Para que los datos se conviertan en información, deben ser contextualizados, categorizados, calculados y condensados. La información es clave para el conocimiento. El conocimiento está estrechamente relacionado con el hacer e implica conocimiento y comprensión. Esto plantea la pregunta filosófica de décadas de la IA: “¿Los sistemas de IA realmente entienden lo que están haciendo?”

Realmente creo que el siguiente paso en la IA solo se puede dar una vez que incorporamos cierto nivel de conocimiento o comprensión de la IA. Para hacer eso, tendremos que dar un paso más hacia la IA humana. Por ejemplo, mediante el uso de IA simbólica (o IA clásica). Esta es la rama de la investigación de IA que se ocupa de intentar representar explícitamente el conocimiento humano en una forma declarativa (es decir, hechos y reglas). La combinación de estas técnicas más antiguas con redes neuronales en forma híbrida llevará a la IA aún más lejos. Esto significa que la causalidad, la representación del conocimiento, etc., son factores clave necesarios para llevar la IA al siguiente nivel, un próximo nivel que será aún más emocionante que los logros que la IA ha alcanzado este año.

Para más información escríbenos connect.mx@capgemini.com