#Research Inteligencia Artificial (IA) transforma los negocios
La tendencias de hoy sobre inteligencia artificial, la hiperautomatización y el análisis e inteligencia den las decisiones forman parte ineludible de la agenda de los C-Level para modelar los negocios en estos nuevos contextos desafiantes.
La inteligencia artificial, el aprendizaje automático y los algoritmos, se integran para brindar uno de los atributos de las empresas exponenciales en su proceso de transformación. La evolución de las tecnologías y los cambios de los modelos de negocios, ha evolucionado y revolucionado las industrias, en ese sentido se realiza esta publicación.
No es el fin sino una instancia intermedia para compartir conocimiento y experiencias, en lo que será una publicación que seguiremos actualizando poco a poco en las próximas semanas.
La inteligencia artificial (IA) es una de las tecnologías más importantes para los negocios, la economía y la sociedad y una fuerza impulsora detrás de la Cuarta Revolución Industrial. Los ejecutivos de C-suite necesitan comprender sus posibilidades y riesgos. Esto requiere un enfoque multifacético y una comprensión holística de la IA, que abarque aspectos técnicos, organizativos, normativos, sociales y también filosóficos. Este conjunto de herramientas proporciona un lugar único para que los ejecutivos corporativos identifiquen y comprendan los múltiples y complejos problemas que plantea la IA para su negocio y la sociedad. Proporciona un conjunto práctico de herramientas para ayudarlos a comprender el impacto de la IA en sus roles, hacer las preguntas correctas, identificar las compensaciones clave y tomar decisiones informadas sobre la estrategia, los proyectos y las implementaciones de la IA. (World Economic Forum, 2022)
👉 Accede a todas las publicaciones Research 👈
Contenido
- ¿Qué es la inteligencia artificial? (WEF, AWS, McKinsey y BDO)
- Artificial Intelligence Risk Management Framework (AI RMF 1.0)
- Gerd Leonhard: The Good Future... We need to talk about AI
- El estado del arte de la Inteligencia Artificial (McKinsey)
- Historia de la Inteligencia Artificial
- Entrevistas y videos de referencia
- ...
Última actualización 31/1/2023.
¿Qué es la inteligencia artificial?
World Economic Forum (2022), "Empowering AI Leadership: AI C-Suite Toolkit" (Consultado 13/1/2022)
Los debates sobre qué es la inteligencia artificial (IA) han tenido lugar desde que se acuñó el término en el famoso Proyecto de Investigación de Verano de Dartmouth sobre Inteligencia Artificial, un taller en 1956 considerado como el primer evento sobre la IA como campo. Se han propuesto muchas definiciones a lo largo de los años. Más allá de los posibles aspectos teóricos de cómo definir tanto "inteligencia" como "inteligencia artificial", existen importantes razones prácticas y comerciales para tener una definición común. Por ejemplo, una definición comúnmente aceptada de IA permite mediciones consistentes de inversiones en estas tecnologías o permite el desarrollo de regulaciones y el uso apropiado de prácticas de gestión de riesgos. Así, varias organizaciones globales han trabajado en cómo definir la IA en los últimos años. Por ejemplo, una definición propuesta por el Foro Económico Mundial (World Economic Forum) es “sistemas que actúan detectando, interpretando datos, aprendiendo, razonando y decidiendo el mejor curso de acción”, mientras que la OCDE define la IA como un “sistema basado en máquinas que puede, para un conjunto determinado de objetivos definidos por humanos, hacer predicciones, recomendaciones o decisiones que influyan en entornos reales o virtuales”. Por ejemplo, puede ser un sistema que recomiende productos en línea, prediga fallas en la infraestructura utilizada para el mantenimiento preventivo o decida cómo navegar un vehículo autónomo.
Si bien hay muchos tipos de algoritmos de IA y sistemas de IA, dos que se usan ampliamente en los negocios son aquellos que emplean principalmente reglas predeterminadas, y posiblemente definidas por humanos, para hacer predicciones, recomendaciones y decisiones, y aquellos que están aprendiendo estas "reglas" (que son en general funciones matemáticas) a partir de datos. Las organizaciones han empleado el primer tipo de IA durante años. Por ejemplo, una empresa de tarjetas de crédito que utiliza un conjunto de reglas, a menudo definidas por expertos, en función de las cuales las transacciones se clasifican como fraudulentas, está utilizando efectivamente el primer tipo de IA, si estas reglas se aplican (semi)automáticamente mediante una máquina. El segundo tipo de sistemas de IA se basa en lo que se denomina "aprendizaje automático". El aprendizaje automático (ML Machine Learning) es el núcleo de la mayoría de los sistemas de inteligencia artificial actuales.
ML es un campo en la intersección de la informática, las matemáticas y la estadística. Se enfoca en el desarrollo de algoritmos que pueden analizar datos, generalmente de gran volumen y estructura compleja, para identificar cualquier regularidad que pueda usarse, por ejemplo, para hacer predicciones, recomendaciones o decisiones. Estas regularidades a veces se pueden expresar en forma de reglas simples, similar al ejemplo anterior de la tarjeta de crédito, pero las reglas se encuentran automáticamente a partir de los datos utilizando un algoritmo en lugar de ser definidas por un experto. Sin embargo, para muchas aplicaciones de ML, las reglas simples no son suficientes para que los sistemas de IA hagan predicciones o decisiones con precisión. En cambio, los algoritmos de ML de uso común en la actualidad encuentran funciones matemáticas complejas basadas en datos, que pueden considerarse, en cierto sentido, como "generalizaciones" de reglas, excepto que a menudo no son comprensibles para los humanos. Por ejemplo, un algoritmo puede encontrar una ecuación matemática compleja que usa las características de un solicitante de préstamo como entrada y, después de realizar todos los cálculos de acuerdo con la ecuación que encontró el algoritmo, produce una calificación crediticia para el solicitante que luego se puede usar para decidir el préstamo. aprobaciones. Estas ecuaciones son identificadas por los propios algoritmos de ML a partir de datos pasados que, por ejemplo en el caso del crédito, pueden ser datos de anteriores solicitantes, algunos de los cuales han incumplido préstamos y otros no.
Un tipo especial de ML son los llamados algoritmos de "aprendizaje profundo" (Deep Learning). Estos identifican ecuaciones matemáticas que son muy complejas en relación con otros algoritmos de IA, que a menudo involucran millones de cálculos y parámetros. El aprendizaje profundo generalmente se usa para algunos de los problemas más complejos, como la visión por computadora, el reconocimiento de voz o el procesamiento del lenguaje natural.
ML ha permitido el desarrollo de sistemas de IA que pueden realizar ciertas actividades humanas a menudo mejor que los humanos. De particular interés es la capacidad de los sistemas de IA para realizar tareas visuales, de habla y de lenguaje complejas. Hay subcampos especializados de la IA que se centran en estos problemas, como la visión artificial, el procesamiento del lenguaje natural y el reconocimiento de voz. El progreso en los últimos años, impulsado en gran medida por la disponibilidad de conjuntos de datos muy grandes (por ejemplo, de imágenes, texto, multimedia) y el desarrollo de algoritmos ML como los de aprendizaje profundo, ha sido significativo en la medida en que los sistemas de IA pueden "ver", “escuchar” o “hablar”, “entender” y “escribir”, y habilitar nuevas aplicaciones. Por ejemplo, los avances en visión artificial permiten el uso de sistemas de IA para reconocimiento facial en controles de seguridad, diagnósticos médicos basados en imágenes médicas o vigilancia e inspección visual para mantenimiento preventivo. Muchos de estos sistemas de IA especializados están actualmente disponibles como paquetes de software relativamente fáciles de reutilizar. De hecho, la capacidad de replicar, sintonizar, usar y reutilizar módulos tan ampliamente disponibles permite la democratización relativa de estas capacidades de IA a escala.
Los sistemas de IA basados en aprendizaje automático a veces también se denominan sistemas de autoaprendizaje. Incluso después de implementar un sistema de IA, las ecuaciones matemáticas o las reglas que utiliza el sistema para hacer predicciones, recomendaciones o decisiones pueden seguir cambiando en función de los nuevos datos que se proporcionan al sistema (por ejemplo, durante el uso). En ese sentido, los sistemas de IA cambian continuamente en términos de cómo hacen estas predicciones, recomendaciones o decisiones. Además, la combinación de ML u otros algoritmos de IA con tecnologías adicionales puede dar lugar a otros tipos de sistemas de IA. Por ejemplo, ML combinado con sensores o robots permite la creación de sistemas robóticos e Internet de las cosas (IoT) inteligentes.
Las capacidades de aprendizaje de los sistemas de IA son una fortaleza clave, pero también una fuente de nuevos riesgos potenciales. Es importante comprender la fragilidad de los sistemas de IA,6 por ejemplo, su posible exposición a los llamados "ataques adversarios" que pueden engañarlos para que tomen decisiones equivocadas. Un ejemplo bien conocido es la capacidad de engañar a un sistema de visión por computadora para que reconozca erróneamente un objeto o una cara en una imagen simplemente agregando ruido (un cierto tipo de distorsión visual) que es invisible para el ojo humano a esa imagen. Los sistemas de IA pueden verse significativamente afectados por problemas en los datos utilizados durante su aprendizaje. Por ejemplo, si esos datos capturan los sesgos pasados de las personas, los sistemas de IA resultantes pueden exacerbar estos sesgos cuando se implementan. De manera similar, si los datos utilizados no capturan la dinámica que puede estar ocurriendo en el futuro, los sistemas de IA pueden fallar en hacer frente a situaciones y escenarios novedosos. Es fundamental comprender las debilidades potenciales de los sistemas de IA y garantizar su uso justo, sólido, seguro y estable.
Fuente: World Economic Forum, 2022
AWS (2022), "El recorrido por el machine learning" (Consultado 13/1/2022)
Probablemente ha escuchado diferentes descripciones sobre la inteligencia
artificial (IA) y el
machine learning (ML), por lo que vamos a
retroceder un poco para repasar las definiciones exactas:
La
inteligencia artificial (IA) es una forma de describir a cualquier sistema
capaz de replicar tareas
que antes requerían la inteligencia humana.
Casi siempre, esto está relacionado con algún tipo de tarea compleja de toma
de decisiones en la
que normalmente se requeriría el criterio humano.
La mayoría de los casos de uso de la IA buscan un
resultado
probabilístico: hacer predicciones, clasificaciones o tomar decisiones con
un alto grado de
certeza y de manera similar al juicio humano.
En la actualidad, la gran mayoría de los sistemas de IA se crean con machine
learning. El machine
learning utiliza grandes cantidades de datos para
crear y validar la lógica de decisión. Esto se
conoce como modelo. El
sistema de IA suministra datos de entrada a ese modelo y, luego, el
modelo
elabora predicciones o clasificaciones similares a las humanas.
Esencialmente, el machine learning es
la tecnología subyacente que
impulsa los sistemas inteligentes.
La IA se puede crear sin machine learning, pero ahora mismo este es el
método principal para crear
sistemas de IA. Del mismo modo, el machine
learning puede utilizarse para otros fines además de la
IA, pero en la
actualidad, la mayor parte del machine learning está relacionado con la
IA.
- AWS (2022), "El recorrdio por el machine learning" (Consultado 13/1/2022)
- AWS (2022), "Datos, Análisis y Machine Learning" (Consultado 13/1/2022)
- AWS (2022), "Lo imprescindible de la inteligencia artificial y el aprendizaje automático" (Consultado 13/1/2022)
McKinsey (2021), "An executive's guide to AI" (Consultado 13/1/2022)
La IA generalmente se define como "la capacidad de una máquina para realizar funciones cognitivas que asociamos con la mente humana, como percibir, razonar, aprender, interactuar con el entorno, resolver problemas e incluso ejercitar la creatividad". Ejemplos de tecnologías que permiten que la IA resuelva problemas comerciales son la robótica y los vehículos autónomos, la visión por computadora, el lenguaje, los agentes virtuales y el aprendizaje automático.
Aprendizaje automático (ML Machine Learning). Los avances más recientes en IA se han logrado mediante la aplicación del aprendizaje automático a conjuntos de datos muy grandes. Los algoritmos de aprendizaje automático detectan patrones y aprenden a hacer predicciones y recomendaciones mediante el procesamiento de datos y experiencias, en lugar de recibir instrucciones de programación explícitas. Los algoritmos también se adaptan en respuesta a nuevos datos y experiencias para mejorar la eficacia con el tiempo.
Aprendizaje profundo (DL Deep Learning). El aprendizaje profundo es un tipo de aprendizaje automático que puede procesar una gama más amplia de recursos de datos, requiere menos preprocesamiento de datos por parte de humanos y, a menudo, puede producir resultados más precisos que los enfoques tradicionales de aprendizaje automático (aunque requiere una mayor cantidad de datos para hacerlo). En el aprendizaje profundo, las capas interconectadas de calculadoras basadas en software conocidas como "neuronas" forman una red neuronal. La red puede ingerir grandes cantidades de datos de entrada y procesarlos a través de múltiples capas que aprenden características cada vez más complejas de los datos en cada capa. Luego, la red puede tomar una determinación sobre los datos, saber si su determinación es correcta y usar lo que ha aprendido para tomar determinaciones sobre nuevos datos. Por ejemplo, una vez que aprende cómo se ve un objeto, puede reconocer el objeto en una nueva imagen.
- McKinsey (2021), "How to build AI with (and for) everyone in your organization" (Consultado 13/1/2022)
BDO (2020), "Getting from A to AI: The Path to Data Analytics Maturity" (Consultado 13/1/2022)
La relación entre el análisis de datos y la IA puede parecer turbia a veces. Para aclarar la distinción, imagine que el análisis y la IA existen en un espectro. A medida que nos movemos del lado izquierdo al derecho de ese espectro, ganamos la capacidad no solo de aprender del pasado, sino también de predecir el futuro.
En el lado izquierdo del espectro está el análisis de datos. Los análisis permiten a las organizaciones extraer información de sus diversas fuentes de datos, brindando a los trabajadores información para tomar decisiones más inteligentes.
En el lado derecho está la inteligencia artificial (IA). El término es algo nebuloso; pero, como su nombre lo describe, la IA puede entenderse más fácilmente como una reproducción sintética de la cognición humana.
El cerebro humano es poderoso debido a los problemas que puede resolver, las conexiones que puede extraer de la experiencia pasada con las nuevas circunstancias y la forma en que puede reconocer patrones o la emoción detrás de los ojos de alguien. La inteligencia artificial, igualmente, es neuronal, cognitiva. La IA no es un producto o un resultado. Más bien, la IA es un habilitador con la extraña capacidad de impulsar la toma de decisiones en todos los aspectos de un negocio.
Dentro de AI se encuentra Aprendizaje Automático (ML Machine Learning), a través del cual los algoritmos pueden aprender de los datos que extraen, aplicando su nuevo conocimiento para mejorar el rendimiento.
Artificial Intelligence Risk Management Framework (AI RMF 1.0)
Gerd Leonhard: The Good Future... We need to talk about AI
The Good Future: Beautiful, inspiring short film by leading #Futurist Gerd Leonhard (2021)
El futuro no es algo que simplemente nos sucede, es algo que creamos todos los días, por acción o por inacción. Que el futuro sea bueno o malo depende totalmente de nosotros. Y lo más importante: ¡Como vemos el futuro, así actuamos, como actuamos, así nos convertimos!
Como futurista y conferencista, hablo con muchas personas de todo el mundo y de todos los ámbitos de la vida, y en los últimos años he notado una mayor proliferación de una visión bastante negativa del futuro, y no solo por el pandemia reciente.
Las personas a menudo citan problemas urgentes del cambio climático, el creciente populismo, la explosión de noticias falsas, las amenazas de automatización y el miedo al desempleo tecnológico , la inteligencia artificial fuera de control y las preocupantes tendencias de desigualdad como prueba de que el futuro será malo, y que tenemos razón en tenerle miedo. Y, por supuesto, Netflix, Hollywood y otros suelen señalarnos en la misma dirección: ¡la distopía y la perdición son seguras!
Siento disentir. Gerd Leonhard.
- Gerd Leonhard (2021) Transcript: The Good Future (Consultado 14/1/2022)
We need to talk about AI - a film by Futurist Gerd Leonhard: thoughts on artificial intelligence (2018)
- Gerd Leonhard (2021) Blog Artificial Intelligence (Consultado 14/1/2022)
El estado del arte de la Inteligencia Artificial (McKinsey, 2020)
- McKinsey (2020), "The State of AI in 2020" (Consultado 13/1/2022)
- McKinsey (2019), "Global AI Survey: AI proves its worth, but few scale impact" (Consultado 13/1/2022)
Historia de la Inteligencia Artificial
Artificial Intelligence, a brief timeline (World Economic Forum, 2022)
Entrevistas y videos relacionados
Continuará...
Referencias a analizar de Google
- Google: Advancing AI for everyone https://ai.google/
- Google: Learn from ML experts at Google https://ai.google/education/
- Google Research: Publication database https://research.google/pubs/
- Google: Productos de inteligencia artificial y aprendizaje automático https://cloud.google.com/products/ai
- Google: Primeros pasos con Google Cloud
Referencias a analizar de AWS
- AWS: Machine Learning en AWS https://aws.amazon.com/es/ai/
- AWS: Machine Learning en AWS https://aws.amazon.com/es/machine-learning/
- AWS: Formación técnica y certificación https://aws.amazon.com/es/training/?nc2=h_ql_le_tc_t
- AWS Training: Data analytics https://aws.amazon.com/es/training/learn-about/data-analytics/
- AWS Training: Machine Learning https://aws.amazon.com/es/training/learn-about/machine-learning/
Referencias
- OpenAPI: OpenAI’s API provides access to GPT-3, which performs a wide variety of natural language tasks, and Codex, which translates natural language to code https://openai.com/api/ | https://openai.com/blog/tags/research/
No hay comentarios.