DIEZ COSAS QUE TODO GERENTE DEBE SABER SOBRE INTELIGENCIA ARTIFICIAL (AI)
Extraído de: Putting Artificial Intelligence to Work.
By Philipp Gerbert, Martin Hecker, Sebastian Steinhäuser, and Patrick Ruwolt
Boston Consulting Group – Setiembre 2017
Traducción: Miguel A. Pero – Mayo 2018
En orden de tomar educadas decisiones en este campo de acelerado movimiento, todo gerente debería tener una comprensión básica de AI. Aquí hay diez hechos claves que le permitirán estar adelante.
1.AI es Inductiva. Los sistemas de AI aprenden de los datos y el feedback que reciben en respuesta a sus decisiones más tempranas. Sus predicciones y acciones son sólo tan buenas como los datos sobre los que han sido entrenados. Esta característica hace a los sistemas de AI muy diferentes de la tradicional programación basada en la deducción. Un programa tradicional procesa data pero no aprende de ellos.
2.Los algoritmos de AI son simples. Los algoritmos centrales de aprendizaje van desde unas cuantas a varios cientos de líneas de código. La AI básica es fácil de aprender, lo que es una razón por la que el progreso reciente ha sido tan rápido. No se necesita ser un científico de la computación para desarrollar una comprensión intuitiva de AI. La complejidad viene cuando se aplica AI a los problemas del mundo real.
3.AI trabaja a una velocidad y escala super humana. En el cerebro, las señales electrónicas viajan un millón de veces más rápido que las señales químicas, de ahí que la AI puede tragar montones de datos y aprender y actuar muy rápidamente. Cuando los microsegundos importan, como sucede en algunos mercados electrónicos, AI puede ser la única opción realista para los participantes y reguladores.
4.El lenguaje y la visión son accesibles a la AI. Entre los importantes avances más recientes en AI se encuentran la capacidad de las máquinas para interactuar con humanos, acceder a conocimiento humano y navegar físicamente el mundo real. Aunque estas habilidades son todavía imperfectas ya son útiles en muchas situaciones-y continúan mejorando rápidamente.
5. AI supera las tradicionales barreras de complejidad. AI puede manejar tanto problemas lineales (esencialmente generalizaciones de líneas rectas) como problemas no lineales (todo lo demás). Esta doble habilidad abre una multitud de oportunidades de optimización en campos como logística, producción y eficiencia de energía.
6. Los submarinos no nadan. Aunque descansan en heurísticas similares, como prueba y error, las máquinas y nos humanos resuelven las tareas de diferentes maneras. La meta en una empresa es resolver un problema no crear robots que imiten la manera en que los humanos se desempeñarían en un puesto particular. Así como los ingenieros no diseñan automóviles para moverse igual que lo hace un caballo, el manejo autónomo no debería emular las acciones de los conductores humanos.
7. AI es difícil de interrogar. En orden de entender porqué una máquina tomó una particular decisión, se debe diseñar el sistema de manera que sea trazable o rastreable el proceso de toma de decisión de la máquina. También puede ser necesario evitar algoritmos muy avanzados, como los que se usan en aplicaciones de deep-learning (aprendizaje profundo). Tales aplicaciones son crecientemente capaces de respuesta intuitivas o creativas cuyos orígenes son difíciles de rastrear.
8.La acción es descentralizada pero el aprendizaje es centralizado. La arquitectura de AI combina centralización y descentralización. Así, los automóviles de manejo autónomo pueden manejarse sin chofer, pero transmiten sus datos a un centro de datos centralizado. Luego el sistema usa los datos agregados de cada automóvil en la flota para impulsar el aprendizaje del sistema central y los autos reciben periódicas actualizaciones de software sobre la base de ese aprendizaje del sistema central.
9. El valor comercial proviene de los datos y del entrenamiento. Muchas empresas no entienden la importancia de los datos y el entrenamiento para el éxito de la AI. Con frecuencia, para la construcción de un sistema inteligente más crucial es mejor data que mejores algoritmos desnudos, tanto como la nutrición y la protección con frecuencia supera a la naturaleza en los seres humanos.
10. La interacción hombre-máquina cambia. Los esfuerzos para optimizar las interacciones entre humanos y máquinas han evolucionado bien más allá de entrenar a los humanos para usar programas de computación estáticos. Aumentar el desempeño de los humanos con AI y viceversa -introduciendo un humano en el loop de la resolución algorítmica de un problema-son desafíos crecientemente comunes y complementarios.
BLOQUES COMPONENTES DE UN SISTEMA DE INTELIGENCIA ARTIFICIAL.
Extraído de: Putting Artificial Intelligence to Work.
By Philipp Gerbert, Martin Hecker, Sebastian Steinhäuser, and Patrick Ruwolt
Boston Consulting Group – Setiembre 2017
Traducción: Miguel A. Pero – Mayo 2018
Diez Bloques son necesarios para diseñar y ensamblar sistemas de AI. Los vendedores proporcionan la funcionalidad básica que posee cada bloque de construcción, pero las compañías, con frecuencia modifican los bloques para crear aplicaciones a medida. Con frecuencia, los casos más simples de uso de AI consisten de un único bloque, pero con el tiempo, con frecuencia evolucionan para combinar dos o más bloques. El cuadro de más abajo, organiza los bloques de construcción de acuerdo a si pertenecen primariamente a data, procesamiento o acción.
Visión de Máquina es la clasificación y rastreo de objetos del mundo real sobre la base de visión, rayos-x, laser, u otras señales. El reconocimiento óptico de caracteres fue un éxito temprano de la visión de máquina, pero descifrar un texto manuscrito todavía es un trabajo en progreso.
La calidad de la visión por máquina depende del rotulado por el hombre de una gran cantidad de imágenes de referencia. La forma más simple para que las máquinas empiecen el aprendizaje es a través del acceso a estos datos etiquetados o rotulados. Durante los próximos cinco años una visión de computadora basada en video será capaz de reconocer acciones y predecir movimiento-por ejemplo, en sistemas de vigilancia.
Reconocimiento de Voz involucra la transformación de señales auditivas en texto. En un entorno relativamente tranquilo (silencioso), aplicaciones como Siri y Alexa pueden identificar la mayoría de las palabras en un vocabulario general. A medida que el vocabulario se hace más específico, se hacen necesarios programas más particularizados como Nuance’s Power Scribe para los radiólogos. Todavía estamos unos cuantos años lejos de producir un asistente virtual que pueda tomar notas exactas en ambientes ruidosos con muchas personas hablando al mismo tiempo.
Procesamiento de Lenguaje Natural es el análisis gramatical e interpretación semántica de un texto. Esta capacidad reconoce spam, noticias falsas y aún sentimientos como felicidad, tristeza y agresión. Hoy, NLP (Natural Languaje Processing) puede proporcionar un resumen básico de un texto y en algunas instancias inferir intención. Por ejemplo, los chat bots intentan categorizar a los que llaman sobre la base de lo que perciben es la intención del que llama. Es probable que NLP mejore significativamente en los próximos años, sin embargo, la completa comprensión de textos complejos permanece como uno de los santos griales de la inteligencia artificial.
Procesamiento de Información, cubre todos los métodos de búsqueda, extracción de conocimientos y procesamiento de textos no estructurados con el propósito de proporcionar respuestas a consultas o búsquedas. Estrechamente relacionado a NPL, este bloque de construcción involucra la búsqueda de miles de millones de documentos o la construcción de rudimentarios gráficos de conocimiento que identifican relaciones en un texto. (Usando datos de una entrada en Wikipedia por Angela Merkel, tal gráfico puede etiquetar a Merkel como una mujer, el canciller de Alemania y alguien que se ha encontrado con Donald Trump). Podría implicar también razonamiento semántico-por ejemplo, determinar que Trump es presidente de U.S.A a partir de la sentencia “Trump es la Merkel de U.S.A”. No obstante, el rápido crecimiento de bases de datos de conocimientos, este tipo de aprendizaje basado en razonamiento es probable que permanezca rudimentario en los próximos años siguientes.
Aprendizaje de los datos, es esencialmente aprendizaje de máquina (machine learning)-la capacidad de predecir valores o clasificar información sobre la base de datos históricos. Si bien el aprendizaje de máquina es un elemento en otros bloques de construcción como visión de máquina y NLP, es también un bloque de construcción por derecho propio. Es la base de sistemas como las recomendaciones de películas por Netflix, programas de ciberseguridad que emplean detección de anomalías y modelos estándar de regresión para predecir la deserción de clientes, dados datos sobre la deserción previa.
Un desafío en las aplicaciones empresariales involucra la remoción del sesgo humano en los datos. Por ejemplo, los sistemas diseñados para identificar el fraude, predecir el crimen o calcular calificación crediticia codifican los sesgos implícitos de agentes, oficiales de policía y funcionarios de bancos. La limpieza de los datos puede ser desafiante.
Finalmente, los modelos de aprendizaje de máquinas son inherentemente cajas negras. Los científicos de datos pueden necesitar diseñar transparencia en esos sistemas, especialmente en entornos regulados, aún si hacerlo involucra algunos trade-offs en el desempeño. Debido a la intensa investigación en marcha en este campo, es probable que la transparencia mejore en los próximos años.
Agentes de planeación y exploración pueden ayudar a identificar la mejor secuencia de acciones para alcanzar una meta. Los automóviles de conducción autónoma descansan fuertemente en este bloque para la navegación. Identificar la mejor secuencia de acciones se hace vastamente más difícil a medida que agentes y acciones adicionales entran en el cuadro. Un subcampo de acelerado crecimiento, aprendizaje de refuerzo, (reinforcement learning )enfatiza la recepción de una ocasional sanción o recompensa en vez de instrucciones explícitas. Aprendizaje de refuerzo fue instrumental en el éxito de Google DeepMind en el juego de Go y está también estrechamente asociado con la manera en que el cerebro humano aprende a través de prueba y error.
Generación de imagen es lo opuesto de visión de máquina; crea imágenes sobre la base de modelos. Todavía está en su infancia, este bloque de construcción puede, por ejemplo, completar imágenes en las que el fondo no aparece o puede alterar una fotografía para dejarla en un estilo como, digamos, Vincent van Gogh. La generación de imágenes es el motor detrás de herramientas de realidad virtual y aumentada como las máscaras de Snapchat. Actualmente es una meta de Fusión y Adquisición (M&A) para las grandes compañías de tecnología.
Generación de voz cubre tanto la generación de texto basado en datos y la síntesis de voz basada en texto. Hoy, Alexa ejemplifica las capacidades de generación de texto a voz. Este bloque de construcción está empezando a permitir a las organizaciones periodísticas automatizar la escritura de básicos reportes de juegos y ganancias, tales como resúmenes de juegos y noticias financieras. Durante los siguientes cinco años, la generación de voz probablemente sea capaz de incorporar ritmos, stress y entonación que hagan parecer natural al discurso. También en el futuro cercano se hará más personalizada la generación de música.
Manejo y control, se refiere a interacciones con objetos del mundo real. Por ejemplo, los robots ya aprenden de los humanos en la planta, pero tienen problemas con tareas noveles o fluídas como untar el pan o la alimentación a personas ancianas. A medida que las empresas globalmente vuelcan dinero en este campo, los robots se harán mucho mejores en recoger ítems noveles en los depósitos y desplegar movimiento y flexibilidad tipo humana.
Navegación y movimiento, cubre las formas en que los robots se mueven a través de un dado entorno físico. Los autos sin conductores y los drones lo hacen relativamente bien con sus ruedas y rotores, pero caminar sobre las piernas-en especial un único par de piernas- es un desafío mucho más difícil. Robots que puedan con fluidez subir escaleras o abrir puertas no arribarán por unos cuantos años más. Sin embargo, los robots de cuatro patas requieren menos equilibrio y modelos actuales ya son capaces de navegar entornos que son efectivamente inaccesibles a vehículos con ruedas.
Miguel A. Pero
Mayo 2018
