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 primera etapa de su desarrollo, es posible que debamos frenar un poco nuestro entusiasmo.

El valor de la IA ya se puede ver en una amplia gama de oficios que incluyen 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 la gestión del capital humano y el análisis del desempeño de las personas hasta el reclutamiento y más. Su potencial pasa por el hilo de toda la estructura empresarial Eco. 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 todavía es un acto en curso. 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 empresa y James Manyika, director, discutieron cuáles son las limitaciones de la IA y qué se está haciendo para aliviarlas.

Factores que limitan el potencial de la IA

Manyika señaló que las limitaciones de la IA son “puramente técnicas”. Los identificó como ¿cómo explicar qué está haciendo el algoritmo? ¿Por qué toma las decisiones, los resultados y las previsiones que hace? Luego existen limitaciones prácticas que involucran tanto a los datos como a 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 capacita proporcionándoles datos etiquetados. Enseñar a una máquina a identificar objetos en una fotografía o reconocer una variación en un flujo de datos que puede indicar que una máquina va a averiarse se realiza al alimentarlos con una gran cantidad de datos etiquetados que indican que en este lote de datos la máquina está a punto romperse y en esa colección de datos la máquina no está a punto de romperse y la computadora se da cuenta 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, la gente está revisando fotos de tráfico y rastreando los autos y los marcadores de carril para crear datos etiquetados que los autos autónomos pueden usar para crear el algoritmo necesario para conducir los autos.

Manyika señaló que sabe de estudiantes que van a una biblioteca pública a etiquetar arte para poder 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 de qué se trata.

Este proceso se está utilizando con fines médicos, señaló. Las personas están etiquetando fotografías de diferentes tipos de tumores para que cuando una computadora las 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 forma para que la computadora revise los datos etiquetados más rápido.

Las herramientas que ahora se están utilizando para hacer eso incluyen redes generativas de confrontación (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 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 la gente está experimentando actualmente con otras técnicas de aprendizaje automático. Por ejemplo, dijo que los investigadores del Laboratorio de Investigación de Microsoft están desarrollando etiquetado de flujo, un proceso que etiqueta los datos mediante el uso. En otras palabras, la computadora está tratando de interpretar los datos basándose en cómo se utilizan. Aunque el etiquetado de corrientes ha existido durante un tiempo, recientemente ha dado grandes pasos. Aún así, según Manyika, el etiquetado de datos es una limitación que necesita más desarrollo.

Otra limitación de la IA es la falta de datos. Para combatir el problema, las empresas que desarrollan IA están adquiriendo datos durante varios años. Para intentar reducir la cantidad de tiempo para recopilar datos, las empresas están recurriendo 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 trata con regulaciones y reguladores que pueden investigar la decisión de un algoritmo. Por ejemplo, si alguien ha salido de la cárcel bajo fianza y otro no, alguien querrá saber por qué. Se podría intentar 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 mirar 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 elemento de la fotografía es una camioneta o un automóvil, entonces si se cambia el parabrisas de la camioneta o la parte trasera del automóvil, entonces se cambia uno de esos los cambios marcan la diferencia. Eso demuestra que el modelo se centra en la parte trasera del coche o en el parabrisas del camión para tomar una decisión. Lo que sucede es que se están realizando experimentos con 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 va a determinar si una gran cantidad de policías en una comunidad limita el crimen y los datos provienen del vecindario con mucha presencia policial y un vecindario con poca o ninguna presencia policial, entonces la decisión de la computadora se basa en más datos del vecindario. con policía y sin ningún dato del barrio que no tenga policía. El vecindario sobremuestreado puede causar una conclusión sesgada. Por lo tanto, la dependencia de la inteligencia artificial puede resultar en una dependencia del sesgo inherente en 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 se preocupe; Los investigadores de IA están trabajando febrilmente en los problemas. Algunas cosas que se consideraban limitaciones en 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 qué es posible hoy.