La realidad y los conceptos erróneos sobre el futuro de la Inteligencia Artificial (IA).

Una inmersión profunda en cuatro declaraciones recurrentes sobre la IA.

La IA claramente tiene un papel clave en el mundo de los negocios, ahora y en el futuro. Tiene un potencial sin precedentes de aumento de la eficiencia y nuevos modelos de negocio. Debido a que la IA es diferente a cualquier otra tecnología, también tiene el potencial de tener consecuencias inesperadas y alteraciones a una escala sin precedentes. Ninguna empresa debe desplegar la IA a ciegas y sin estrategia, y ningún consejo responsable puede permitirse no comprometerse y comprender su potencial.

La inteligencia artificial (IA) está cambiando la forma en que las máquinas y las personas trabajan juntas. Está mejorando las interacciones con los clientes en todas las industrias e impulsando mejoras operativas y de procesos. Más del 40% de las compañías esperan que la IA sea un «cambio de juego». Por ejemplo, el gobierno alemán también quiere acelerar la adopción y el desarrollo de las tecnologías de la IA. Tiene previsto invertir 3.000 millones de euros en investigación de la IA para el 2025.  Pero el 77% de las empresas también dicen que la adopción de negocios es un desafío. Hasta la fecha, pocas salas de juntas están dispuestas a sopesar los riesgos y oportunidades asociados a la IA.

La IA es diferente de otras innovaciones tecnológicas. Para tener una visión más completa de las capacidades y oportunidades disponibles, en este artículo me dirijo a cuatro afirmaciones que los clientes me dirigen con mayor frecuencia:

«La IA impulsa la innovación y el éxito de los negocios».

En el corazón de la IA y otras tecnologías líderes están los datos. Por lo general no hay escasez de datos a este respecto; hay más que suficiente en esta época de aumento de los volúmenes de datos. Según Statista, el gran mercado mundial de datos crecerá hasta los 103.000 millones de dólares en 2027, más del doble del tamaño del mercado en 2018.

Los modelos de IA dependen de la calidad de los datos, además de la cantidad, que debe ser garantizada.  Además, el desafío para la mayoría de las organizaciones es capturar y crear correlaciones significativas de los datos almacenados en silos en toda la empresa, los datos de fuentes externas y los datos que se transfieren a la empresa en tiempo real.

La gestión de grandes datos requiere un compromiso y una planificación a largo plazo para manejar el crecimiento futuro. Pensar demasiado poco puede llevar mucho tiempo para que una inversión de la IA dé resultados económicos y haga el negocio.

La elección de la plataforma, las herramientas o la integración deficiente también puede hacer perder un tiempo valioso y añadir un costo y una complejidad considerables a la aplicación y la gestión en curso. Las estrategias de gobernanza y seguridad a nivel de empresa son fundamentales para evitar problemas de reglamentación y cumplimiento cuando se desarrollan nuevas tecnologías. Como en otras áreas, la tecnología de la IA está evolucionando más rápido que la regulación. Pero la evolución de los datos (a veces diseñados sobre una base de país por país) y las regulaciones de la IA aumentarán. Dado que ninguna junta responsable puede permitirse el lujo de no estar preparada y, sin embargo, aprovechar el potencial, se considera, por ejemplo, la posibilidad de incluir la estrategia de IA en la evaluación anual de las políticas de ética y conducta de toda la empresa.

«IA significa una revolución en la inteligencia».

Aunque la IA ha crecido a pasos agigantados recientemente, sigue siendo sólo «inteligente» en el sentido estricto de la palabra. Probablemente sería más útil pensar en lo que hemos logrado como una revolución en las estadísticas computacionales, en lugar de una revolución en la inteligencia.

Hasta ahora, la mayor parte del progreso ha sido en lo que a menudo se llama «IA estrecha» (en alemán: schwache Künstliche Intelligenz). Las técnicas de aprendizaje de máquinas se utilizan para desarrollar algoritmos y sistemas para resolver problemas específicos, como el procesamiento del lenguaje natural.

Los problemas más complejos están en el área de la llamada «IA general». El reto es desarrollar una IA que pueda resolver problemas generales de la misma manera que los humanos. Muchos investigadores creen que esto está todavía a décadas de convertirse en una realidad.

En este momento, preocuparse por la mala IA es un poco como preocuparse por la superpoblación en Marte. El mayor peligro aquí son los propios humanos. Ningún objeto o algoritmo es nunca intrínsecamente bueno o malo. Lo que importa es cómo se usan. Una impresora 3D puede imprimir prótesis o incluso armas. El GPS fue inventado para disparar misiles nucleares y ahora ayuda a repartir pizzas. Formarse una opinión sobre un algoritmo significa entender la relación entre los humanos y las máquinas.

«La decisión de un algoritmo no puede ser rastreada».

Los algoritmos basados en reglas contienen instrucciones escritas por humanos y por lo tanto son fáciles de entender.  Teóricamente, cualquiera puede abrirlos y seguir la lógica de lo que pasa dentro. Pero los algoritmos basados en reglas tienen un gran inconveniente: sólo funcionan para los problemas para los que los humanos saben escribir instrucciones. También tienen una escalabilidad limitada. Los algoritmos de aprendizaje automático, por otro lado, resultan ser notablemente buenos en problemas en los que escribir una lista de instrucciones no funciona. El camino que toma la máquina para resolverlo a menudo no tiene mucho sentido para un observador humano.

«La inteligencia artificial (IA) es muy propensa a los errores y distorsiona los datos».

Hay una excitante paradoja en la relación de los humanos con las máquinas. Aunque se ha demostrado que muchas personas confían demasiado en cosas que no entienden, rechazan los algoritmos tan pronto como saben que un algoritmo puede cometer errores. Los investigadores lo conocen como aversión a los algoritmos. La gente es menos tolerante con los errores de un algoritmo que con los suyos propios, incluso si sus propios errores son más grandes.

Los sistemas de IA son tan buenos como los datos que les damos. Los datos deficientes o de mala calidad también pueden contener implícitamente sesgos raciales, de género o ideológicos. Imagina el impacto en la marca de un proveedor de crédito si se descubriera que rechaza rutinariamente las solicitudes debido a la parcialidad en su formación en IA. Por lo tanto, es fundamental desarrollar y entrenar estos sistemas con datos imparciales, y desarrollar algoritmos que sean fáciles de explicar. Varios grupos de investigación, entre ellos IBM Research, ya están elaborando métodos para reducir el sesgo («sesgo») que puede estar presente en un conjunto de datos de capacitación.

Además, para crear confianza entre los humanos y las máquinas, necesitamos adoptar políticas e invertir en sistemas que promuevan el codesarrollo y el aprendizaje compartido. Por ejemplo, las Directrices Éticas para una IA digna de confianza, elaboradas por el Grupo de Expertos Independientes en IA de la Comisión Europea, ofrecen un conjunto de nuevos principios para las empresas que operan en la Unión Europea. A medida que más y más productos y software incorporan la inteligencia de las máquinas, debemos buscar formas de construir ciclos de aprendizaje virtuosos y éticos entre la empresa que lo produce y las personas que lo utilizan.

La IA claramente tiene un papel clave en los negocios, ahora y en el futuro. Tiene un potencial sin precedentes de aumento de la eficiencia y nuevos modelos de negocio. Debido a que la IA es diferente a cualquier otra tecnología, también tiene el potencial de tener consecuencias inesperadas y alteraciones a una escala sin precedentes. Ninguna empresa debe desplegar la IA a ciegas y sin estrategia, y ningún consejo responsable puede permitirse no comprometerse y comprender su potencial.

Britta Daffner ist seit über einem Jahrzehnt in der Technologie- und Daten-Industrie zu Hause. Ihr Credo: Innovation und Digitalisierung von Unternehmen vorantreiben – durch Technologie und Führung. Dafür befähigt sie als Abteilungsleiterin im Bereich „Artificial Intelligence & Data Science“ in der Beratungssparte von IBM Unternehmen dabei, das volle Potential aus Daten zu nutzen. Daneben ist sie Autorin des Buches "Die Disruptions-DNA, sowie Coach und Mentor von Leadern, die in der Konzern- und Wirtschaftswelt etwas verändern wollen.

Los comentarios están cerrados.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More