{"id":3658,"date":"2018-05-14T14:55:58","date_gmt":"2018-05-14T14:55:58","guid":{"rendered":"http:\/\/face.unt.edu.ar\/web\/iadmin\/?p=3658"},"modified":"2018-05-14T15:01:15","modified_gmt":"2018-05-14T15:01:15","slug":"diez-cosas-que-todo-gerente-debe-saber-sobre-inteligencia-artificial-ai-colaboracion-prof-miguel-pero","status":"publish","type":"post","link":"https:\/\/face.unt.edu.ar\/web\/iadmin\/diez-cosas-que-todo-gerente-debe-saber-sobre-inteligencia-artificial-ai-colaboracion-prof-miguel-pero\/","title":{"rendered":"DIEZ COSAS QUE TODO GERENTE DEBE SABER SOBRE INTELIGENCIA ARTIFICIAL (AI) – Colaboraci\u00f3n Prof. Miguel Pero"},"content":{"rendered":"

DIEZ COSAS QUE TODO GERENTE DEBE SABER SOBRE INTELIGENCIA ARTIFICIAL (AI)<\/strong><\/p>\n

Extra\u00eddo de: Putting Artificial Intelligence to Work.<\/strong><\/p>\n

By<\/strong>\u00a0<\/strong>Philipp Gerbert<\/strong><\/a>,\u00a0<\/strong>Martin Hecker<\/strong><\/a>,\u00a0Sebastian Steinh\u00e4user, and\u00a0<\/strong>Patrick Ruwolt<\/strong><\/a><\/p>\n

Boston Consulting Group \u2013 Setiembre 2017<\/strong><\/p>\n

Traducci\u00f3n: Miguel A. Pero \u2013 Mayo 2018<\/strong><\/p>\n

En orden de tomar educadas decisiones en este campo de acelerado movimiento, todo gerente deber\u00eda tener una comprensi\u00f3n b\u00e1sica de AI. Aqu\u00ed hay diez hechos claves que le permitir\u00e1n estar adelante.<\/p>\n

1.AI es Inductiva<\/strong>.\u00a0 Los sistemas de AI aprenden de los datos y el feedback que reciben en respuesta a sus decisiones m\u00e1s tempranas. Sus predicciones y acciones son s\u00f3lo tan buenas como los datos sobre los que han sido entrenados. Esta caracter\u00edstica hace a los sistemas de AI muy diferentes de la tradicional programaci\u00f3n basada en la deducci\u00f3n. Un programa tradicional procesa data pero no aprende de ellos.<\/p>\n

2.Los algoritmos de AI son simples<\/strong>. Los algoritmos centrales de aprendizaje van desde unas cuantas a varios cientos de l\u00edneas de c\u00f3digo. La AI b\u00e1sica es f\u00e1cil de aprender, lo que es una raz\u00f3n por la que el progreso reciente ha sido tan r\u00e1pido. No se necesita ser un cient\u00edfico de la computaci\u00f3n para desarrollar una comprensi\u00f3n intuitiva de AI. La complejidad viene cuando se aplica AI a los problemas del mundo real.<\/p>\n

3<\/strong>.AI trabaja a una velocidad y escala super humana<\/strong>. En el cerebro, las se\u00f1ales electr\u00f3nicas viajan un mill\u00f3n de veces m\u00e1s r\u00e1pido que las se\u00f1ales qu\u00edmicas, de ah\u00ed que la AI puede tragar montones de datos y aprender y actuar muy r\u00e1pidamente. Cuando los microsegundos importan, como sucede en algunos mercados electr\u00f3nicos, AI puede ser la \u00fanica opci\u00f3n realista para los participantes y reguladores.<\/p>\n

4.El lenguaje y la visi\u00f3n son accesibles a la AI.<\/strong> Entre los importantes avances m\u00e1s recientes en AI se encuentran la capacidad de las m\u00e1quinas para interactuar con humanos, acceder a conocimiento humano y navegar f\u00edsicamente el mundo real. Aunque estas habilidades son todav\u00eda imperfectas ya son \u00fatiles en muchas situaciones-y contin\u00faan mejorando r\u00e1pidamente.<\/p>\n

5. AI supera las tradicionales barreras de complejidad<\/strong>. AI puede manejar tanto problemas lineales (esencialmente generalizaciones de l\u00edneas rectas) como problemas no lineales (todo lo dem\u00e1s). Esta doble habilidad abre una multitud de oportunidades de optimizaci\u00f3n en campos como log\u00edstica, producci\u00f3n y eficiencia de energ\u00eda.<\/p>\n

6. Los submarinos no nadan<\/strong>. Aunque descansan en heur\u00edsticas similares, como prueba y error, las m\u00e1quinas 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 desempe\u00f1ar\u00edan en un puesto particular. As\u00ed como los ingenieros no dise\u00f1an autom\u00f3viles para moverse igual que lo hace un caballo, el manejo aut\u00f3nomo no deber\u00eda emular las acciones de los conductores humanos.<\/p>\n

7. AI es dif\u00edcil de interrogar<\/strong>. En orden de entender porqu\u00e9 una m\u00e1quina tom\u00f3 una particular decisi\u00f3n, se debe dise\u00f1ar el sistema de manera que sea trazable o rastreable el proceso de toma de decisi\u00f3n de la m\u00e1quina. Tambi\u00e9n 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 or\u00edgenes son dif\u00edciles de rastrear.<\/p>\n

8.La acci\u00f3n es descentralizada pero el aprendizaje es centralizado<\/strong>. La arquitectura de AI combina centralizaci\u00f3n y descentralizaci\u00f3n. As\u00ed, los autom\u00f3viles de manejo aut\u00f3nomo pueden manejarse sin chofer, pero transmiten sus datos a un centro de datos centralizado. Luego el sistema usa los datos agregados de cada autom\u00f3vil en la flota para impulsar el aprendizaje del sistema central y los autos reciben peri\u00f3dicas actualizaciones de software sobre la base de ese aprendizaje del sistema central.<\/p>\n

9. El valor comercial proviene de los datos y del entrenamiento. <\/strong>Muchas empresas no entienden la importancia de los datos y el entrenamiento para el \u00e9xito de la AI. Con frecuencia, para la construcci\u00f3n de un sistema inteligente m\u00e1s crucial es mejor data que mejores algoritmos desnudos, tanto como la nutrici\u00f3n y la protecci\u00f3n con frecuencia supera a la naturaleza en los seres humanos.<\/p>\n

10. La interacci\u00f3n hombre-m\u00e1quina cambia.<\/strong> Los esfuerzos para optimizar las interacciones entre humanos y m\u00e1quinas han evolucionado bien m\u00e1s all\u00e1 de entrenar a los humanos para usar programas de computaci\u00f3n est\u00e1ticos. Aumentar el desempe\u00f1o de los humanos con AI y viceversa -introduciendo un humano en el loop de la resoluci\u00f3n algor\u00edtmica de un problema-son desaf\u00edos crecientemente comunes y complementarios.<\/p>\n

 <\/p>\n

BLOQUES COMPONENTES DE UN SISTEMA DE INTELIGENCIA ARTIFICIAL.<\/strong><\/p>\n

Extra\u00eddo de: Putting Artificial Intelligence to Work.<\/strong><\/p>\n

By<\/strong>\u00a0<\/strong>Philipp Gerbert<\/strong><\/a>,\u00a0<\/strong>Martin Hecker<\/strong><\/a>,\u00a0Sebastian Steinh\u00e4user, and\u00a0<\/strong>Patrick Ruwolt<\/strong><\/a><\/p>\n

Boston Consulting Group \u2013 Setiembre 2017<\/strong><\/p>\n

Traducci\u00f3n: Miguel A. Pero \u2013 Mayo 2018<\/strong><\/p>\n

\u00a0<\/strong>Diez Bloques son necesarios para dise\u00f1ar y ensamblar sistemas de AI. Los vendedores proporcionan la funcionalidad b\u00e1sica que posee cada bloque de construcci\u00f3n, pero las compa\u00f1\u00edas, con frecuencia modifican los bloques para crear aplicaciones a medida. Con frecuencia, los casos m\u00e1s simples de uso de AI consisten de un \u00fanico bloque, pero con el tiempo, con frecuencia evolucionan para combinar dos o m\u00e1s bloques. El cuadro de m\u00e1s abajo, organiza los bloques de construcci\u00f3n de acuerdo a si pertenecen primariamente a data, procesamiento o acci\u00f3n.<\/strong><\/p>\n

Visi\u00f3n de M\u00e1quina<\/strong> es la clasificaci\u00f3n y rastreo de objetos del mundo real sobre la base de visi\u00f3n, rayos-x, laser, u otras se\u00f1ales. El reconocimiento \u00f3ptico de caracteres fue un \u00e9xito temprano de la visi\u00f3n de m\u00e1quina, pero descifrar un texto manuscrito todav\u00eda es un trabajo en progreso.<\/p>\n

La calidad de la visi\u00f3n por m\u00e1quina depende del rotulado por el hombre de una gran cantidad de im\u00e1genes de referencia. La forma m\u00e1s simple para que las m\u00e1quinas empiecen el aprendizaje es a trav\u00e9s del acceso a estos datos etiquetados o rotulados. Durante los pr\u00f3ximos cinco a\u00f1os una visi\u00f3n de computadora basada en video ser\u00e1 capaz de reconocer acciones y predecir movimiento-por ejemplo, en sistemas de vigilancia.<\/p>\n

Reconocimiento de Voz<\/strong> involucra la transformaci\u00f3n de se\u00f1ales auditivas en texto. En un entorno relativamente tranquilo (silencioso), aplicaciones como Siri y Alexa pueden identificar la mayor\u00eda de las palabras en un vocabulario general. A medida que el vocabulario se hace m\u00e1s espec\u00edfico, se hacen necesarios programas m\u00e1s particularizados como Nuance\u2019s Power Scribe para los radi\u00f3logos. Todav\u00eda estamos unos cuantos a\u00f1os lejos de producir un asistente virtual que pueda tomar notas exactas en ambientes ruidosos con muchas personas hablando al mismo tiempo.<\/p>\n

Procesamiento de Lenguaje Natural<\/strong> es el an\u00e1lisis gramatical e interpretaci\u00f3n sem\u00e1ntica de un texto. Esta capacidad reconoce spam, noticias falsas y a\u00fan sentimientos como felicidad, tristeza y agresi\u00f3n. Hoy, NLP (Natural Languaje Processing) puede proporcionar un resumen b\u00e1sico de un texto y en algunas instancias inferir intenci\u00f3n. Por ejemplo, los chat bots intentan categorizar a los que llaman sobre la base de lo que perciben es la intenci\u00f3n del que llama. Es probable que NLP mejore significativamente en los pr\u00f3ximos a\u00f1os, sin embargo, la completa comprensi\u00f3n de textos complejos permanece como uno de los santos griales de la inteligencia artificial.<\/p>\n

Procesamiento de Informaci\u00f3n<\/strong>, cubre todos los m\u00e9todos de b\u00fasqueda, extracci\u00f3n de conocimientos y procesamiento de textos no estructurados con el prop\u00f3sito de proporcionar respuestas a consultas o b\u00fasquedas. Estrechamente relacionado a NPL, este bloque de construcci\u00f3n involucra la b\u00fasqueda de miles de millones de documentos o la construcci\u00f3n de rudimentarios gr\u00e1ficos de conocimiento que identifican relaciones en un texto. (Usando datos de una entrada en Wikipedia por Angela Merkel, tal gr\u00e1fico puede etiquetar a Merkel como una mujer, el canciller de Alemania y alguien que se ha encontrado con Donald Trump). Podr\u00eda implicar tambi\u00e9n razonamiento sem\u00e1ntico-por ejemplo, determinar que Trump es presidente de U.S.A a partir de la sentencia \u201cTrump es la Merkel de U.S.A\u201d. No obstante, el r\u00e1pido crecimiento de bases de datos de conocimientos, este tipo de aprendizaje basado en razonamiento es probable que permanezca rudimentario en los pr\u00f3ximos a\u00f1os siguientes.<\/p>\n

Aprendizaje de los datos<\/strong>, es esencialmente aprendizaje de m\u00e1quina (machine learning)-la capacidad de predecir valores o clasificar informaci\u00f3n sobre la base de datos hist\u00f3ricos. Si bien el aprendizaje de m\u00e1quina es un elemento en otros bloques de construcci\u00f3n como visi\u00f3n de m\u00e1quina y NLP, es tambi\u00e9n un bloque de construcci\u00f3n por derecho propio. Es la base de sistemas como las recomendaciones de pel\u00edculas por Netflix, programas de ciberseguridad que emplean detecci\u00f3n de anomal\u00edas y modelos est\u00e1ndar de regresi\u00f3n para predecir la deserci\u00f3n de clientes, dados datos sobre la deserci\u00f3n previa.<\/p>\n

Un desaf\u00edo en las aplicaciones empresariales involucra la remoci\u00f3n del sesgo humano en los datos. Por ejemplo, los sistemas dise\u00f1ados para identificar el fraude, predecir el crimen o calcular calificaci\u00f3n crediticia codifican los sesgos impl\u00edcitos de agentes, oficiales de polic\u00eda y funcionarios de bancos. La limpieza de los datos puede ser desafiante.<\/p>\n

Finalmente, los modelos de aprendizaje de m\u00e1quinas son inherentemente cajas negras. Los cient\u00edficos de datos pueden necesitar dise\u00f1ar transparencia en esos sistemas, especialmente en entornos regulados, a\u00fan si hacerlo involucra algunos trade-offs en el desempe\u00f1o. Debido a la intensa investigaci\u00f3n en marcha en este campo, es probable que la transparencia mejore en los pr\u00f3ximos a\u00f1os.<\/p>\n

Agentes de planeaci\u00f3n y exploraci\u00f3n<\/strong> pueden ayudar a identificar la mejor secuencia de acciones para alcanzar una meta. Los autom\u00f3viles de conducci\u00f3n aut\u00f3noma descansan fuertemente en este bloque para la navegaci\u00f3n. Identificar la mejor secuencia de acciones se hace vastamente m\u00e1s dif\u00edcil a medida que agentes y acciones adicionales entran en el cuadro. Un subcampo de acelerado crecimiento, aprendizaje de refuerzo, (reinforcement learning )enfatiza la recepci\u00f3n de una ocasional sanci\u00f3n o recompensa en vez de instrucciones expl\u00edcitas. Aprendizaje de refuerzo fue instrumental en el \u00e9xito de Google DeepMind en el juego de Go y est\u00e1 tambi\u00e9n estrechamente asociado con la manera en que el cerebro humano aprende a trav\u00e9s de prueba y error.<\/p>\n

Generaci\u00f3n de imagen<\/strong> es lo opuesto de visi\u00f3n de m\u00e1quina; crea im\u00e1genes sobre la base de modelos. Todav\u00eda est\u00e1 en su infancia, este bloque de construcci\u00f3n puede, por ejemplo, completar im\u00e1genes en las que el fondo no aparece o puede alterar una fotograf\u00eda para dejarla en un estilo como, digamos, Vincent van Gogh. La generaci\u00f3n de im\u00e1genes es el motor detr\u00e1s de herramientas de realidad virtual y aumentada como las m\u00e1scaras de Snapchat. Actualmente es una meta de Fusi\u00f3n y Adquisici\u00f3n (M&A) para las grandes compa\u00f1\u00edas de tecnolog\u00eda.<\/p>\n

Generaci\u00f3n de voz<\/strong> cubre tanto la generaci\u00f3n de texto basado en datos y la s\u00edntesis de voz basada en texto. Hoy, Alexa ejemplifica las capacidades de generaci\u00f3n de texto a voz. Este bloque de construcci\u00f3n est\u00e1 empezando a permitir a las organizaciones period\u00edsticas\u00a0 automatizar la escritura de b\u00e1sicos reportes de juegos y ganancias, tales como res\u00famenes de juegos y noticias financieras. Durante los siguientes cinco a\u00f1os, la generaci\u00f3n de voz probablemente sea capaz de incorporar ritmos, stress y entonaci\u00f3n que hagan parecer natural al discurso. Tambi\u00e9n en el futuro cercano se har\u00e1 m\u00e1s personalizada la generaci\u00f3n de m\u00fasica.<\/p>\n

Manejo y control<\/strong>, 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 flu\u00eddas como untar el pan o la alimentaci\u00f3n a personas ancianas. A medida que las empresas globalmente vuelcan dinero en este campo, los robots se har\u00e1n mucho mejores en recoger \u00edtems noveles en los dep\u00f3sitos y desplegar movimiento y flexibilidad tipo humana.<\/p>\n

Navegaci\u00f3n y movimiento<\/strong>, cubre las formas en que los robots se mueven a trav\u00e9s de un dado entorno f\u00edsico. Los autos sin conductores y los drones lo hacen relativamente bien con sus ruedas y rotores, pero caminar sobre las piernas-en especial un \u00fanico par de piernas- es un desaf\u00edo mucho m\u00e1s dif\u00edcil. Robots que puedan con fluidez subir escaleras o abrir puertas no arribar\u00e1n por unos cuantos a\u00f1os m\u00e1s. Sin embargo, los robots de cuatro patas requieren menos equilibrio y modelos actuales ya son capaces de navegar entornos que son efectivamente inaccesibles a veh\u00edculos con ruedas.<\/p>\n

\u00a0<\/strong><\/p>\n

Miguel A. Pero<\/strong><\/p>\n

Mayo 2018<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

DIEZ COSAS QUE TODO GERENTE DEBE SABER SOBRE INTELIGENCIA ARTIFICIAL (AI) Extra\u00eddo de: Putting Artificial Intelligence to Work. By\u00a0Philipp Gerbert,\u00a0Martin Hecker,\u00a0Sebastian Steinh\u00e4user, and\u00a0Patrick Ruwolt Boston Consulting Group \u2013 Setiembre 2017 Traducci\u00f3n: Miguel A. Pero \u2013 Mayo 2018 En orden de tomar educadas decisiones en este campo de acelerado movimiento, todo gerente deber\u00eda tener una comprensi\u00f3n […]<\/p>\n","protected":false},"author":7,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[19],"tags":[],"_links":{"self":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts\/3658"}],"collection":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/comments?post=3658"}],"version-history":[{"count":5,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts\/3658\/revisions"}],"predecessor-version":[{"id":3663,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/posts\/3658\/revisions\/3663"}],"wp:attachment":[{"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/media?parent=3658"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/categories?post=3658"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/face.unt.edu.ar\/web\/iadmin\/wp-json\/wp\/v2\/tags?post=3658"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}