Nuestros sitios
Ver edición digital Título de la edición actual
Comparte
Compartir

Digital

¿Qué tan ‘razonable’ es tu Inteligencia Artificial?

En un mundo donde las palabras de moda van y vienen, la IA ha sido notablemente duradera. Desde que surgió por primera vez como un concepto en 1950, ha habido un flujo relativamente constante de tecnologías, productos, servicios y empresas que pretenden ser parte de ella.


Mit Sloan 31 Jul 2020
¿Qué tan ‘razonable’ es tu Inteligencia Artificial?

Es muy probable que una solución, en la que está invirtiendo, hoy se denomine habilitada por la Inteligencia Artificial o impulsada por el aprendizaje automático. ¿Pero esto es cierto?

La realidad actual, para la mayoría de las organizaciones, es que la IA y el aprendizaje automático forman una parte del pastel analítico general. De hecho, una investigación realizada por la firma de inversión con sede en Londres, MMC Ventures, reveló que el 40% de las nuevas empresas de Europa no usaban ninguna clase de IA.

Definimos la Inteligencia artificial como cualquier sistema basado en computadoras que observa, analiza y aprende. La clave es que estos sistemas son iterativos, se vuelven mejores y más precisos a medida que recopilan y analizan más datos, sin la intervención explícita de los humanos. Como el término lo indica, estas son máquinas que aprenden, por simple que sea el aprendizaje.

¿Qué no es IA?

Así como es importante definir qué caracteriza a un sistema como éste, es igualmente importante identificar lo que no es. Confundir las técnicas avanzadas de análisis e informática para la Inteligencia Artificial y el aprendizaje automático, a menudo puede generar desorden, y la siguiente sección detalla algunas de las falacias más comunes que los líderes deben comprender.

  1. Sólo porque un sistema trabaje con base en algoritmos y estadísticas avanzadas, no significa que sea Inteligencia Artificial. Estos algoritmos se codifican, utilizando modelos estadísticos estándar, como correlación o regresión, que son muy buenos para identificar líneas de tendencia en datos bien definidos. Estas líneas de tendencia les permiten ofrecer predicciones de estados futuros, basados en un conjunto de estados pasados. Sin embargo, la verdadera Inteligencia Artificial puede trabajar con datos que no están bien estructurados, bien definidos o solamente sean datos numéricos. Algunos de los mayores provienen de ideas generadas con lenguaje natural, imágenes y datos de video.
  2. Sólo porque un sistema sea capaz de responder preguntas, no significa que sea Inteligencia Artificial. Existen muchas tecnologías, como los agentes de conversación, que tienen la capacidad de responder las preguntas que se les plantean. Recordemos la popularidad de los sistemas de apoyo a la decisión en los años 80 y 90. Estas herramientas proporcionan respuestas automatizadas para una variedad de problemas, a través de paneles digitales, y las versiones de estos sistemas existen incluso para tareas como la gestión de inventarios y las proyecciones de ventas. En la mayoría de los casos, hacen coincidir la pregunta con una base de datos de respuestas preconcebidas (piense en una función de “ayuda” de software) o calculando la respuesta, sustentada en la aplicación de un algoritmo a los datos. Algunos van más allá buscando en Internet, si no se encuentra nada apropiado en la base de datos. La mayoría de estos sistemas no tienen la capacidad de colocar la pregunta en contexto, ni aprenden de la precisión de las respuestas pasadas. Por lo tanto, no podrían calificar como sistemas con IA.
  • Sólo porque un sistema se anuncie como Inteligencia Artificial, no lo clasifica en tal categoría. Nos hemos encontrado con muchas compañías emergentes (startups), vendedores y proveedores de “análisis”, que se promocionan como proveedores de soluciones de Inteligencia Artificial o aprendizaje automático de vanguardia. Desafortunadamente, nos hemos decepcionado con la mayoría. Si bien pueden ser buenos en métodos estadísticos avanzados, no pueden construir modelos de aprendizaje a partir de datos estructurados y no estructurados, especialmente cuando se trata de grandes volúmenes de datos, que generalmente se necesitan para construir modelos útiles.

¿Qué es aquello que realmente hace la IA? En primer lugar, se requiere de observación. Esto significa que necesita poder aumentar su base de datos de información y conocimientos. Un conjunto de datos rico, pero estático, no es suficiente, porque se vuelve obsoleto en el momento en que se crea. Por lo tanto, un verdadero sistema de Inteligencia Artificial puede detectar su propio entorno y aumentar su base de conocimiento casi en tiempo real. La mayoría de los automóviles Tesla tienen, al menos, 21 sensores, que incluyen cámaras, sensores ultrasónicos y radar. El propósito de estos sensores es observar el entorno del automóvil y proporcionar información en tiempo real al poderoso sistema de conducción autónomo a bordo. OrangeShark, una startup de marketing digital, rastrea de cerca varias métricas del rendimiento publicitario anterior y ajusta automáticamente la ubicación de los anuncios, apuntando a aspectos del contenido creativo para la creación a futuro de nueva publicidad.

En segundo lugar, la Inteligencia Artificial necesita analizar; es decir, darle sentido a su entorno. Un sistema de ese tipo necesita analizar la información que observa y recopila, incluso si esa información está muy desordenada. Por lo tanto, necesita tener herramientas avanzadas para encontrar señales en conjuntos de datos escandalosos. Las computadoras a bordo de un Tesla analizan las imágenes, los blips y otros datos que recopila para dar sentido a su entorno, lo que permite la automatización de varias decisiones de manejo.

Gong.io ayuda a los vendedores en entornos de transacciones comerciales de negocio a negocio (B2B)[1], de alto impacto mediante el análisis de varios aspectos de llamadas de ventas, incluidos el sentimiento y el tono de voz. Utilizando estos datos, las empresas y los profesionales de ventas pueden llegar a muchas ideas contradictorias. Por ejemplo, las llamadas con un sentimiento más positivo en realidad están asociadas con tasas de cierre más bajas que las llamadas con un sentimiento menos positivo.

En tercer lugar, un sistema de Inteligencia Artificial necesita aprender. Este tercer criterio es el diferenciador más importante entre los sistemas de IA y la ciencia de datos simple. La capacidad de probar, aprender y mejorar solo está disponible para los sistemas de aprendizaje automático más avanzados de la actualidad. Dichos sistemas pueden hacer suposiciones de manera proactiva, crear y probar hipótesis y aprender de ellas. Así, se vuelven más precisos con el tiempo. La tecnología de conducción autónoma de Tesla se vuelve más inteligente con cada kilómetro que pasa en la carretera. Lo hace observando y analizando los datos de cientos de miles de automóviles Tesla y luego aprendiendo de estos datos para mejorar las capacidades de conducción autónoma. Puede aprender a distinguir entre un animal en el medio del camino y una bolsa de plástico que es arrastrada por el viento, descubriendo que necesita detenerse en primera instancia, pero puede continuar conduciendo con seguridad en la segunda.

Varios sistemas de recomendación actuales, ya sea Netflix o Stitch Fix, comienzan haciendo recomendaciones genéricas (cuando tienen poco conocimiento sobre sus preferencias). Con el tiempo, aprenden de sus elecciones y mejoran para hacer recomendaciones más personalizadas y personalizadas, una capacidad que los sistemas sin aprendizaje automático carecerían.

Si no está seguro de que su sistema genere Inteligencia Artificial o si está pensando en comprar uno, hemos desarrollado una lista de preguntas clave.

¿Mi sistema de Inteligencia Artificial es realmente Inteligencia Artificial? ¿Utiliza gran cantidad de datos en una variedad de formatos? Sólo necesita de una pequeña cantidad de datos. Probablemente no sea IA.

Le resulta difícil manejar datos desestructurados o desordenados, como texto de forma libre, imágenes o videos. Probablemente no sea IA.

Utiliza grandes cantidades de datos en diferentes formatos, ya sea a través de entrada manual o sensores automáticos. Probablemente sea IA.  

¿Actualiza los datos que usa con el tiempo? Los datos que utiliza son estáticos. Probablemente no sea IA.

No se actualiza con nuevos datos con frecuencia. Probablemente no sea IA.

Se actualiza con nuevos datos en tiempo casi real. Probablemente sea IA.  

¿Adapta su lógica de toma de decisiones con el tiempo? Su lógica subyacente de toma de decisiones no cambia. Probablemente no sea IA.

Su lógica de toma de decisiones subyacente sólo cambia con las actualizaciones programadas. Probablemente no sea IA.

Mejora iterativamente su lógica de toma de decisiones casi en tiempo real hasta el punto de que es casi imposible entender cómo llega a un resultado dado. Probablemente sea IA.  

¿Se ajusta a posibles sesgos? No intenta evaluar o medir un posible sesgo. Probablemente no sea IA.

No se ajusta automáticamente a los sesgos, incluso si los ve. Probablemente no sea IA.

Mide y ajusta de manera proactiva los posibles sesgos. Posiblemente sea IA.

Por supuesto, las organizaciones primero necesitan identificar los problemas correctos para resolver y sólo luego tratar de determinar si las técnicas de IA / aprendizaje automático son las soluciones correctas para esos problemas. La IA puede ser muy útil para resolver problemas comerciales desafiantes; sin embargo, el porcentaje real de casos de uso en los que es significativamente mejor que la simple ciencia de datos, o la comprensión humana, es bastante baja.

En la mayoría de los casos, las mejores ideas pueden generarse utilizando las herramientas más simples. Nunca permita que la herramienta dicte cómo resolverá un problema. Pero si decide que necesita Inteligencia Artificial, asegúrese de que el producto que está construyendo o comprando se ajuste a sus medidas.

Versión al español: Armando Cintra Benítez

A partir de:

https://sloanreview.mit.edu/article/how-intelligent-is-your-ai/


[1] Abreviatura utilizada para el término Business to business, que hace referencia a las transacciones comerciales entre compañías, como un fabricante y el distribuidor de un producto, o un distribuidor y un comercio minorista. (Nota del traductor)