No crea en la exageración sobre la IA en los negocios
Publicado: 2018-03-25Aunque los sistemas de IA ahora pueden aprender un juego y vencer a los campeones en cuestión de horas, son difíciles de aplicar a las aplicaciones comerciales
Para tomar prestada una frase clave del profesor de Duke Dan Ariely, la inteligencia artificial es como el sexo adolescente:
“Todo el mundo habla de ello, nadie sabe realmente cómo hacerlo, todo el mundo piensa que todo el mundo lo está haciendo, así que todo el mundo afirma que lo está haciendo”.
Aunque los sistemas de IA ahora pueden aprender un juego y vencer a los campeones en cuestión de horas, son difíciles de aplicar a las aplicaciones comerciales.
MIT Sloan Management Review y Boston Consulting Group encuestaron a 3000 ejecutivos de negocios y descubrieron que, si bien el 85 % de ellos creía que la IA brindaría a sus empresas una ventaja competitiva, solo uno de cada 20 la había incorporado “extensamente” en sus ofertas o procesos. El desafío es que implementar IA no es tan fácil como instalar software. Requiere experiencia, visión e información que no es fácilmente accesible.
Cuando observa aplicaciones conocidas de IA como AlphaGo Zero de Google, tiene la impresión de que es como magia: la IA aprendió el juego de mesa más difícil del mundo en solo tres días y venció a los campeones. Mientras tanto, la IA de Nvidia puede generar imágenes fotorrealistas de personas que parecen celebridades con solo mirar fotos de personas reales.
AlphaGo y Nvidia utilizaron una tecnología llamada redes antagónicas generativas, que enfrenta a dos sistemas de inteligencia artificial entre sí para permitirles aprender unos de otros. El truco fue que antes de que las redes se enfrentaran entre sí, recibieron mucho entrenamiento. Y, lo que es más importante, sus problemas y resultados estaban bien definidos.
Sin embargo, la mayoría de los problemas comerciales no se pueden convertir en un juego; tienes más de dos jugadores y no hay reglas claras. Los resultados de las decisiones comerciales rara vez son una clara ganancia o pérdida, y hay demasiadas variables. Por lo tanto, es mucho más difícil para las empresas implementar IA de lo que parece.
Recomendado para ti:
Cómo Metaverse transformará la industria automotriz india
¿Qué significa la disposición contra la especulación para las nuevas empresas indias?
Cómo las empresas emergentes de Edtech están ayudando a la fuerza laboral de la India a mejorar y prepararse para el futuro...
Acciones tecnológicas de la nueva era esta semana: los problemas de Zomato continúan, EaseMyTrip publica...
Startups indias toman atajos en busca de financiación
La plataforma de marketing digital Logicserve obtiene fondos de INR 80 Cr, cambia de marca como LS Dig...
Los sistemas de inteligencia artificial actuales hacen todo lo posible para emular el funcionamiento de las redes neuronales del cerebro humano, pero lo hacen de manera muy limitada. Usan una técnica llamada aprendizaje profundo, que ajusta las relaciones de las instrucciones de la computadora diseñadas para comportarse como neuronas. En pocas palabras, le dice a una IA exactamente lo que quiere que aprenda y le proporciona ejemplos claramente etiquetados, y analiza los patrones en esos datos y los almacena para aplicaciones futuras. La precisión de sus patrones depende de los datos, así que cuantos más ejemplos le des, más útil se vuelve.
Aquí radica un problema: una IA es tan buena como los datos que recibe. Y es capaz de interpretar esos datos solo dentro de los estrechos límites del contexto proporcionado. No “entiende” lo que ha analizado, por lo que no puede aplicar su análisis a escenarios en otros contextos. Y no puede distinguir causalidad de correlación. La IA se parece más a una hoja de cálculo de Excel con esteroides que a un pensador.
La mayor dificultad de trabajar con esta forma de IA es que lo que ha aprendido sigue siendo un misterio: un conjunto de respuestas indefinibles a los datos. Una vez que se entrena una red neuronal, ni siquiera su diseñador sabe exactamente cómo está haciendo lo que hace. Como explica el profesor de la Universidad de Nueva York, Gary Marcus, los sistemas de aprendizaje profundo tienen millones o incluso miles de millones de parámetros, identificables para sus desarrolladores solo en términos de su geografía dentro de una red neuronal compleja. Son una "caja negra", dicen los investigadores.
Hablando sobre los nuevos desarrollos en AlphaGo, el CEO de Google/DeepMind, Demis Hassabis , habría dicho: “No funciona como un humano y no funciona como un programa. Juega en una tercera forma, casi ajena”.
L as empresas no pueden permitirse el lujo de que sus sistemas tomen decisiones extrañas. Se enfrentan a requisitos reglamentarios y problemas de reputación y deben ser capaces de comprender, explicar y demostrar la lógica detrás de cada decisión que toman.
Para que la IA sea más valiosa, debe poder ver el panorama general e incluir muchas más fuentes de información que los sistemas informáticos que está reemplazando. Amazon es una de las pocas empresas que ya entendió e implementó la IA de manera efectiva para optimizar prácticamente cada parte de sus operaciones, desde la gestión de inventario y la operación del almacén hasta el funcionamiento de los centros de datos.
En la gestión de inventario, por ejemplo, las decisiones de compra las toman tradicionalmente personas experimentadas, llamadas compradores, departamento por departamento. Sus sistemas les muestran los niveles de inventario por tienda y usan su experiencia e instinto para hacer pedidos. La IA de Amazon consolida los datos de todos los departamentos para ver las tendencias más importantes y relacionarlos con datos socioeconómicos, consultas de servicio al cliente, imágenes satelitales de los estacionamientos de la competencia, predicciones de The Weather Company y otros factores. Otros minoristas están haciendo algunas de estas cosas, pero ninguno con tanta eficacia como Amazon.
Este tipo de enfoque también es la base de Echo y Alexa , los electrodomésticos basados en voz de Amazon. Según Wired, al reunir a todos sus equipos de desarrollo y hacer del aprendizaje automático un enfoque corporativo, Amazon está resolviendo un problema que tienen muchas empresas: islas de datos desconectadas. Los datos corporativos generalmente se almacenan en conjuntos de datos inconexos en diferentes sistemas informáticos. Incluso cuando una empresa tiene todos los datos necesarios para el aprendizaje automático, por lo general no están etiquetados, actualizados ni organizados de manera utilizable. El desafío es crear una gran visión sobre cómo juntar estos conjuntos de datos y usarlos de nuevas maneras, como lo ha hecho Amazon.
La IA avanza rápidamente y seguramente facilitará la limpieza e integración de datos. Pero los líderes empresariales aún deberán comprender lo que realmente hace y crear una visión para su uso. Ahí es cuando verán los grandes beneficios.
Esta publicación apareció por primera vez en wadhwa.com y se ha reproducido con autorización.