No tengas miedo de los autos: las tecnologías de inteligencia artificial aún no están listas para pensar de forma independiente
A pesar de
las advertencias de Ilon Musk hechas este verano, no tenemos muchas razones para perder el sueño, preocupándonos por Skynet y los terminadores. La Inteligencia Artificial (IA) aún está lejos de convertirse en un poder malicioso y omnisciente. El único apocalipsis que brilla para nosotros es que la esperanza de la gente para el aprendizaje automático y los sistemas expertos es demasiado fuerte, como lo demostraron los propietarios de Tesla que quitaron las manos del volante.
Los ejemplos de lo que AI está tratando de hacer pasar hoy en día, tecnologías como sistemas expertos y aprendizaje automático, son excelentes para crear software que pueda ayudar en las áreas de reconocimiento de secuencia, toma de decisiones automática y comunicación humano-computadora. Estas tecnologías han existido durante varias décadas, y la calidad de su trabajo depende de la calidad de los datos de entrada. Por lo tanto, es poco probable que en el futuro cercano, la IA reemplace las opiniones de las personas sobre temas importantes que requieren una respuesta más compleja que sí o no.
Los sistemas expertos, también conocidos como sistemas basados en reglas o sistemas basados en conocimiento, son computadoras programadas usando reglas explícitas desarrolladas por expertos humanos. Las computadoras pueden aplicar estas reglas, solo que mucho más rápido y sin interrupción, para llegar a las mismas conclusiones que los expertos humanos. Imagine que le pregunta al oncólogo cómo diagnostica el cáncer y luego programa el software médico para que siga los mismos pasos. En el caso de un diagnóstico específico, el oncólogo puede estudiar cuáles de las reglas se activaron en el proceso de configuración para confirmar el correcto funcionamiento del sistema experto.
Sin embargo, crear y mantener un sistema de tales reglas requiere mucho tiempo y conocimientos especiales, y el funcionamiento correcto de sistemas expertos demasiado complejos es difícil de confirmar. Y, por supuesto, tales sistemas no funcionan fuera de sus reglas.
Un caballo que sabe un truco.
El aprendizaje automático (MO) permite a las computadoras tomar una decisión, pero sin una programación explícita previa. En cambio, se les muestran cientos o miles de ejemplos de conjuntos de datos y se les dice cómo se pueden clasificar como "cáncer / no cáncer", "etapa 1 / etapa 2 / etapa 3".
Los algoritmos complejos se entrenan en estos conjuntos de datos y aprenden cómo hacer los diagnósticos correctos. El aprendizaje automático puede entrenarse en conjuntos de datos, incluso si el experto humano no puede explicar cómo se tomó la decisión. Al aumentar la cantidad y la calidad de los datos recopilados por varias organizaciones, el aprendizaje automático avanza la tecnología de inteligencia artificial en un conjunto de aplicaciones en constante expansión que prometen revolucionar las industrias, si se usan de manera correcta y sabia.
Pero MO tiene sus debilidades inherentes. Por ejemplo,
la ingeniería inversa no se puede hacer con el algoritmo. No se puede preguntar cómo se hizo un diagnóstico específico. Y no funcionará hacerle una pregunta al MO en el campo en el que no entrenó.
Un ejemplo clásico de MO será la clasificación de imágenes por tipo "gato / perro / ambos / ninguno de ellos". Después de dicho procesamiento, uno no puede preguntarle al MO si hay un caniche o un perro en la imagen; no puede adaptarse a nuevos problemas sin haber entrenado o agregado otro nivel de MO al sistema.
Las tecnologías de IA, cuando se consideran como automatización, pueden agregar mucho a la productividad empresarial. En algunas áreas de tareas, la IA funciona muy bien, especialmente cuando la solución requerida es bastante sencilla y no contiene demasiados matices.
Entonces comienza a surgir un patrón
Uno de los tipos de MO más utilizados es el reconocimiento de patrones basado en la agrupación y categorización de datos. Los usuarios de Amazon ya han sentido cómo se pueden usar los análisis basados en MO en las ventas: el mecanismo de referencia de Amazon utiliza la agrupación basada en las compras de los clientes y otros datos, identificando productos que pueden interesarle.
Este tipo de análisis se ha utilizado en tiendas físicas durante años: algunas tiendas de comestibles colocan los alimentos en un escaparate junto a los productos comprados con mayor frecuencia. Pero MO puede automatizar tales tareas en tiempo casi real.
MO funciona perfectamente con el reconocimiento de todos los patrones: en el procesamiento de imágenes médicas, los servicios financieros (¿es una transacción fraudulenta con una tarjeta bancaria?), E incluso en la gestión de TI (si la carga del servidor es demasiado grande, intente estas configuraciones hasta que el problema desaparezca).
Este tipo de automatización basada en datos se utiliza fuera del mundo minorista para trabajar con otras tareas rutinarias. Por ejemplo, el inicio de Apstra tiene herramientas que utilizan MO y análisis en tiempo real para ajustar y optimizar automáticamente el rendimiento de los centros de datos, lo que no solo reduce la necesidad de empleados del departamento administrativo, sino que también reduce la necesidad de actualizar el equipo.
Otra startup,
Respond Software , ofrece sistemas expertos que pueden usarse en centros de seguridad corporativos para reconocer y tratar automáticamente los incidentes de seguridad. Y
Darktrace utiliza MO para determinar la actividad sospechosa en las redes: el sistema del sistema inmunitario de la empresa busca acciones que no coincidan con las que tuvieron lugar antes en la red y advierte a los oficiales de seguridad sobre cosas que pueden interesarles. El módulo Antigena puede automatizar la respuesta a los problemas detectados desconectando las conexiones de red que son similares a las maliciosas.
Inteligencia humana
MO también se puede utilizar para analizar más comunicación humana. Después de un extenso trabajo llevado a cabo por especialistas en procesamiento de datos y desarrolladores, los algoritmos MO han aprendido relativamente bien a
reconocer el "estado de ánimo" del texto , para determinar si suena positiva o negativamente. Comenzaron a aplicar esto al
"procesamiento de texto" de las redes sociales y el procesamiento de imágenes.
Microsoft
Project Oxford creó una API para probar las emociones de las personas en las fotos, y también creó una API para procesar texto que reconoce su estado de ánimo. IBM Watson también trabaja con dicho análisis en su producto
Tone Analyzer , que puede clasificar tweets, correos electrónicos y otros textos por emocionalidad.
Dichas tecnologías están integradas en sistemas de usuario que identifican las quejas de los usuarios sobre productos y servicios y envían información a las personas para obtener una respuesta. IBM se ha asociado con Genesys para integrar su sistema Watson en la
plataforma de experiencia del
cliente , para permitir que el personal responda a las preguntas de las personas directamente, y para conectar a las personas con las quejas de inmediato a quienes mejor puedan responderlas. El sistema tiene que aprender de las personas sobre la marcha, pero está mejorando constantemente la calidad de sus respuestas, aunque su eficacia aún no se ha probado.
Incluso el área eterna de la actividad humana, la gestión de recursos humanos, se beneficia de la inteligencia artificial para medir la productividad y la efectividad de los empleados, realizar evaluaciones de desempeño e incluso implementar chatbots inteligentes para ayudar a los empleados a establecer fechas de vacaciones o expresar sus preocupaciones sobre la gestión del lenguaje hablado. Las nuevas empresas de IA optimizan las operaciones de rutina de recursos humanos:
Butterfly ofrece asesoramiento y orientación,
Entelo ayuda a los reclutadores a buscar redes sociales en busca de candidatos,
Textio ayuda a escribir descripciones de trabajo más efectivas.
Pero la IA no funciona bien con la incertidumbre, incluidas las desviaciones en los datos de entrenamiento o las reglas de expertos. Diferentes médicos pueden hacer diferentes diagnósticos o recomendar diferentes tratamientos. ¿Qué necesita hacer un sistema de diagnóstico experto?
La aplicación ampliamente discutida de MO está filtrando aplicaciones para la universidad. AI se capacitó en datos de varios años de solicitudes, incluyendo calificaciones para el rendimiento escolar, revisiones de la escuela e incluso ensayos, e informó qué estudiantes fueron aceptados y cuáles fueron rechazados.
El propósito del experimento era reproducir el trabajo de las personas que aceptaban estudiantes, y el sistema funcionó, pero también reprodujo sus defectos, por ejemplo, una tendencia a ciertos grupos raciales, clases socioeconómicas e incluso actividades como la participación en equipos deportivos. Resultado: éxito técnico, y el resto es un fracaso épico.
Hasta que haya un avance en el procesamiento de ambigüedades o contradicciones en las reglas e inclinaciones en los datos de entrenamiento, la IA será difícil de desarrollar.
Ayuda necesaria
Para mejorar el rendimiento, los sistemas MO necesitan capacitación sobre buenos datos. Pero para comprender estos datos, en muchos casos las personas necesitan preprocesar la información: asignar los metadatos y el formato necesarios, así como dirigir los algoritmos MO a las partes necesarias de los datos para obtener mejores resultados.
Muchos de los avances en las áreas aplicadas de MO e IA se han producido debido al trabajo realizado por expertos humanos en muchas áreas, con el objetivo de proporcionar mejores datos en grandes volúmenes.
Los datos históricos satelitales económicos y las
mejoras en los datos meteorológicos hacen posible que el Ministerio de Educación pueda predecir los problemas de los cultivos en los países en desarrollo.
Descartes Labs , utilizando los datos de los satélites LANDSAT 8, construyó un mosaico de 3,1 billones de píxeles, indicando la tierra cultivable del planeta y rastreando el crecimiento de las plantas. Al combinar estos datos con datos meteorológicos, el MO de la compañía pudo predecir con precisión los rendimientos de maíz y soja en los Estados Unidos en ciertos distritos. Con el aumento en el volumen de imágenes satelitales de bajo costo y datos de sensores meteorológicos penetrantes, los sistemas predictivos continuarán mejorando su precisión con la ayuda de especialistas en procesamiento de datos y otros expertos humanos.
Las predicciones de un tipo diferente pueden cambiar el trabajo de las empresas comerciales. Un
estudio reciente de la Universidad Tecnológica de Nyang, Singapur, mostró que los pronósticos basados en MO que usan redes neuronales pueden predecir con mayor precisión las solicitudes de producción, lo que permite a las empresas planificar mejor la producción que los sistemas expertos u otras tecnologías predictivas basadas solo en datos históricos. Esto es especialmente notable en industrias con una demanda inestable, en la que la demanda es demasiado grande o demasiado pequeña, y muy raramente - mediana. Tales sistemas pueden encontrar patrones por sí mismos, sin explicaciones preliminares sobre el método de modelado de datos.
Dichos sistemas, cada vez más sofisticados y utilizando cada vez más tipos de datos, pueden dar a las empresas y organizaciones la capacidad de encontrar patrones en conjuntos de datos cada vez más grandes. Pero si podemos usar la IA para ayudar a tomar decisiones en áreas donde ya sabemos qué hacer, no podemos enviar agentes de IA a lo desconocido sin proporcionarles la supervisión de personas que puedan elaborar reglas expertas o crear nuevos conjuntos de datos de entrenamiento desde cero.
Aunque algunos sistemas de inteligencia artificial, como IBM Watson o Amazon Alexa, pueden absorber grandes cantidades de datos no estructurados de Internet y usarlos para buscar en el texto o crear una base de conocimiento para responder preguntas, por ahora no ayudará a crear nuevos conjuntos de datos de capacitación para el reconocimiento de patrones. La imagen de ciencia ficción de las computadoras que encuentran independientemente sus propios conjuntos de datos es inalcanzable para la IA de hoy, así como para el mañana. Las decisiones y las preguntas seguirán siendo creadas por las personas.
Alan Zeychik es el jefe del grupo de investigación Camden Associates, que trabaja en Phoenix, pc. Arizona Ex desarrollador y analista de sistemas, fue fundador y editor jefe de Software Development Times.