Todo el mundo está entusiasmado con la inteligencia artificial. Se han logrado grandes avances en la tecnología y en la técnica del aprendizaje automático. Sin embargo, en esta etapa temprana de su desarrollo, es posible que tengamos que frenar un poco nuestro entusiasmo.
El valor de la IA ya se puede ver en una amplia gama de oficios, incluidos marketing y ventas, operaciones comerciales, seguros, banca y finanzas, y más. En resumen, es una forma ideal de realizar una amplia gama de actividades comerciales, desde administrar el capital humano y analizar el desempeño de las personas hasta el reclutamiento y más. Su potencial pasa por el hilo conductor de toda la Ecoestructura empresarial. Ya es más que evidente que el valor de la IA para toda la economía puede valer billones de dólares.
A veces podemos olvidar que la IA es todavía un acto en progreso. Debido a su infancia, todavía existen limitaciones en la tecnología que deben superarse antes de que estemos realmente en el nuevo y valiente mundo de la IA.
En un podcast reciente publicado por McKinsey Global Institute, una firma que analiza la economía global, Michael Chui, presidente de la compañía y James Manyika, director, discutieron cuáles son las limitaciones de la IA y qué se está haciendo para paliarlas.
Factores que limitan el potencial de la IA
Manyika señaló que las limitaciones de la IA son «puramente técnicas». Los identificó como ¿cómo explicar lo que está haciendo el algoritmo? ¿Por qué toma las decisiones, los resultados y los pronósticos que hace? Luego están las limitaciones prácticas que involucran los datos así como su uso.
Explicó que en el proceso de aprendizaje, le estamos dando datos a las computadoras no solo para programarlas, sino también para capacitarlas. «Les estamos enseñando», dijo. Se les entrena proporcionándoles datos etiquetados. Enseñar a una máquina a identificar objetos en una fotografía o a reconocer una variación en un flujo de datos que puede indicar que una máquina se va a averiar se realiza alimentándola con una gran cantidad de datos etiquetados que indican que en este lote de datos la máquina está a punto de fallar. romperse y en esa colección de datos la máquina no está a punto de romperse y la computadora determina si una máquina está a punto de romperse.
Chui identificó cinco limitaciones de la IA que deben superarse. Explicó que ahora los humanos están etiquetando los datos. Por ejemplo, las personas revisan fotos del tráfico y rastrean los automóviles y los marcadores de carril para crear datos etiquetados que los automóviles autónomos pueden usar para crear el algoritmo necesario para conducir los automóviles.
Manyika señaló que sabe de estudiantes que van a una biblioteca pública a etiquetar el arte para que se puedan crear algoritmos que la computadora usa para hacer pronósticos. Por ejemplo, en el Reino Unido, grupos de personas están identificando fotos de diferentes razas de perros, utilizando datos etiquetados que se utilizan para crear algoritmos para que la computadora pueda identificar los datos y saber qué son.
Este proceso se está utilizando con fines médicos, señaló. La gente está etiquetando fotografías de diferentes tipos de tumores para que cuando una computadora los escanee, pueda entender qué es un tumor y qué tipo de tumor es.
El problema es que se necesita una cantidad excesiva de datos para enseñar a la computadora. El desafío es crear una manera para que la computadora revise los datos etiquetados más rápido.
Las herramientas que ahora se utilizan para hacer eso incluyen redes antagónicas generativas (GAN). Las herramientas usan dos redes: una genera las cosas correctas y la otra distingue si la computadora está generando las cosas correctas. Las dos redes compiten entre sí para permitir que la computadora haga lo correcto. Esta técnica le permite a una computadora generar arte al estilo de un artista en particular o generar arquitectura al estilo de otras cosas que se han observado.
Manyika señaló que las personas actualmente están experimentando con otras técnicas de aprendizaje automático. Por ejemplo, dijo que los investigadores de Microsoft Research Lab están desarrollando el etiquetado de secuencias, un proceso que etiqueta los datos a través del uso. En otras palabras, la computadora está tratando de interpretar los datos en función de cómo se están utilizando. Aunque el etiquetado de corrientes ha existido por un tiempo, recientemente ha logrado grandes avances. Aún así, según Manyika, el etiquetado de datos es una limitación que necesita más desarrollo.
Otra limitación de la IA son los datos insuficientes. Para combatir el problema, las empresas que desarrollan IA adquieren datos durante varios años. Para tratar de reducir la cantidad de tiempo para recopilar datos, las empresas recurren a entornos simulados. La creación de un entorno simulado dentro de una computadora le permite ejecutar más pruebas para que la computadora pueda aprender muchas más cosas más rápido.
Luego está el problema de explicar por qué la computadora decidió lo que hizo. Conocido como explicabilidad, el problema se relaciona con las regulaciones y los reguladores que pueden investigar la decisión de un algoritmo. Por ejemplo, si alguien salió de la cárcel bajo fianza y otro no, alguien querrá saber por qué. Uno podría tratar de explicar la decisión, pero ciertamente será difícil.
Chui explicó que se está desarrollando una técnica que puede proporcionar la explicación. Llamado LIME, que significa explicación agnóstica del modelo interpretable localmente, implica observar partes de un modelo y entradas y ver si eso altera el resultado. Por ejemplo, si está mirando una foto y tratando de determinar si el artículo en la fotografía es una camioneta o un automóvil, entonces si se cambia el parabrisas de la camioneta o la parte trasera del automóvil, entonces ¿alguna de esas cosas? los cambios marcan la diferencia. Eso muestra que el modelo se enfoca en la parte trasera del automóvil o en el parabrisas del camión para tomar una decisión. Lo que sucede es que se están realizando experimentos en el modelo para determinar qué marca la diferencia.
Finalmente, los datos sesgados también son una limitación para la IA. Si los datos que ingresan a la computadora están sesgados, entonces el resultado también está sesgado. Por ejemplo, sabemos que algunas comunidades están sujetas a más presencia policial que otras comunidades. Si la computadora debe determinar si una gran cantidad de policías en una comunidad limita el crimen y los datos provienen del vecindario con fuerte presencia policial y de un vecindario con poca o ninguna presencia policial, entonces la decisión de la computadora se basa en más datos del vecindario. con policia y no si hay datos del barrio que no tienen policia. El vecindario sobremuestreado puede causar una conclusión sesgada. Por lo tanto, la confianza en la IA puede resultar en una confianza en el sesgo inherente a los datos. El desafío, por lo tanto, es encontrar una manera de «eliminar el sesgo» de los datos.
Entonces, como podemos ver el potencial de la IA, también debemos reconocer sus limitaciones. No te preocupes; Los investigadores de IA están trabajando febrilmente en los problemas. Algunas cosas que se consideraban limitaciones de la IA hace unos años no lo son hoy debido a su rápido desarrollo. Es por eso que debe verificar constantemente con los investigadores de IA lo que es posible hoy.
business intelligence
Viajes Universitarios by Viajes Fin de Curso
Transformación digital by Inteligencia de Negocios
#potencial #las #limitaciones #inteligencia #artificial
Comentarios recientes