Consejos de Andrew Ng para IA para la empresa: 6 cosas que debe hacer

En un futuro cercano, algunas de las mayores ganancias de la IA provendrán de encontrar nuevas formas de mejorar los procesos de negocios, en lugar de un algoritmo de gran éxito.

Eso es según Andrew Ng, uno de los pioneros detrás del desarrollo de IA en Google y Baidu, y ahora CEO y cofundador de Landing AI.

Hablando en la Conferencia EmTech en San Francisco, Ng dijo que espera que gran parte del crecimiento económico del desarrollo de IA se produzca fuera de las industrias de software tradicionales, en campos como el comercio minorista, el transporte y la logística. Por lo tanto, Landing AI, fundada en 2017, ha creado un "libro de jugadas de IA" para ayudar a las empresas de diferentes industrias a aprovechar la IA, una tecnología valiosa pero, desde luego, difícil de implementar. Un producto reciente de Landing AI es deeplearning.ai, un programa educativo para ayudar a que esta técnica de IA sea más accesible.

Para las empresas que aún no han desarrollado un libro de jugadas de inteligencia artificial, Ng recomendó que comiencen con un proyecto piloto y que estén preparados para recibir el escepticismo de sus colegas. Incluso en Google, Ng dijo que tenía muchos escépticos cuando comenzó a implementar proyectos de aprendizaje profundo. Su estrategia fue comenzar con un grupo en Google que ya estaba usando otras técnicas de IA (el equipo de habla) para demostrar el potencial del aprendizaje profundo.

«Una de las mejores cosas que puede hacer es comenzar un proyecto piloto para lograr ganancias rápidas, y eso ayuda a los equipos a desarrollar experiencia y ganar fe», dijo Ng.

Aquí hay un resumen de sus consejos sobre cómo hacer despegar su libro de jugadas de inteligencia artificial en compañías no tecnológicas.

1. Comience por una lluvia de ideas

Un error común que las empresas cometen al lanzar una estrategia de desarrollo de IA es ir con la primera selección del CEO para un primer proyecto. En cambio, Ng dijo que un mejor enfoque es comenzar con una lluvia de ideas con entre 6 a 12 ideas y someterlas a una revisión técnica y comercial exhaustiva. Los gerentes de negocios deben encargarse de hacer modelos de hoja de cálculo del valor proyectado de una idea. La diligencia debida técnica evalúa si el proyecto es factible en términos de algoritmos y datos.

«Es difícil tener buenos juicios sobre lo que IA puede y no puede hacer», dijo Ng. Los CEOs tienden a ser demasiado optimistas, en parte porque la comunidad científica y la prensa tienden a compartir más historias sobre cómo la IA tiene éxito que donde falla. Esto conduce a una percepción de que la IA puede hacer cualquier cosa.

Ng cree que la percepción de la gerencia sobre el desarrollo de la IA ha generado expectativas poco realistas en torno a, por ejemplo, los chatbots que han resultado en muchos proyectos fallidos. Para ayudar a reducir estos mitos de la IA, Ng trabajó en un programa de curso gratuito llamado IA para todos para hacer que los conceptos básicos de la IA sean más comprensibles para las personas no técnicas. Un aspecto del curso consiste en identificar ejemplos de lo que IA puede y no puede hacer.

«No creo que todas las compañías puedan entregar grandes ganancias en el corto plazo, pero muchas sí pueden», dijo Ng.

El programa también incluye orientación sobre cómo pensar sobre el tipo de datos necesarios para que la IA funcione bien. El hecho de que una empresa tenga un lago de datos no significa que los datos sean adecuados para AI. No es cierto que tener más datos siempre garantice la ganancia, dijo Ng. Una compañía de salud invirtió mucho dinero en la adquisición de compañías de salud para sus datos. Pero Ng dijo que no han encontrado una manera de usar estos datos de manera significativa.

2. Dése cuenta de que la IA se rompe de nuevas maneras

Otra clave para hacer que un libro de jugadas de IA despegue es entender cómo los sistemas de IA pueden fallar. Uno de los desafíos del aprendizaje automático es que los flujos de trabajo son diferentes. Como resultado, los investigadores de IA todavía están tratando de averiguar cómo comunicar a las empresas las condiciones del sistema que pueden llevar a una falla, lo que, en algunos casos, puede tener graves consecuencias: un diagnóstico médico fallido o un avión estrellado.

Por ejemplo, la prensa se da cuenta rápidamente de cómo un nuevo algoritmo de IA puede ofrecer evaluaciones de rayos X más confiables que los humanos. Pero Ng señaló que estos informes suelen dejar de mencionar que la IA solo funciona en los últimos equipos de rayos X con imágenes perfectamente capturadas. Los médicos superan a la IA en las máquinas de rayos X más antiguas, o cuando se toma una imagen del paciente en un ángulo diferente a aquél con que se entrenó la IA.

Por lo tanto, un nuevo sistema de IA no funciona en el mundo real porque las empresas no han creado un buen proceso para abordar estas condiciones «límite», dijo Ng. La ingeniería de software tradicional ha desarrollado procesos como lo ágil, scrum y la revisión de código para abordar estos problemas. Pero el mundo de la IA todavía está tratando de encontrar la mejor manera de implementar procesos comparables.

3. Prepárese para pequeños datos

Es importante tener en cuenta cómo adquiere sus datos. Aunque los grandes conjuntos de datos pueden ser útiles para ciertas aplicaciones, big data por su propio bien está ligeramente sobrevaluado, dijo Ng. A corto plazo, muchas empresas podrían ver un mayor beneficio del desarrollo de IA al construir sistemas que funcionan con datos pequeños.

La mayor parte del trabajo de la inteligencia artificial se ha centrado en crear algoritmos que funcionen con conjuntos de datos más grandes, porque es relativamente fácil. Pero es mucho más difícil construir algoritmos que puedan entrenarse en unos pocos cientos de imágenes que en unos pocos millones de imágenes. Por ejemplo, el equipo de Ng está trabajando en un proyecto para utilizar la visión artificial para analizar los defectos de fabricación en los teléfonos celulares, y (afortunadamente) estas compañías no han fabricado millones de teléfonos rotos para analizar.

Por lo tanto, están trabajando en el desarrollo de algoritmos para detectar productos defectuosos de unos pocos cientos de imágenes. Otros proyectos analizan el análisis de imágenes de malezas en un campo y muchas imágenes de problemas poco frecuentes de atención médica.

«Esa capacidad está a la vanguardia de hacia dónde va la IA», dijo Ng. Las compañías que desarrollen las capacidades para lanzar proyectos sobre pequeños conjuntos de datos estarán en una mejor posición que los competidores que dependen de conjuntos de datos más grandes.

4. Construya asociaciones y entendimiento de inteligencia artificial en toda la empresa

La escasez de talento de la IA es un problema que enfrentan muchas empresas. Ng dijo que su plan secreto detrás de escribir sobre los fundamentos de la guía de IA es en realidad agudizar la crisis de talento de IA: Una vez que las personas de la empresa entienden claramente cómo el desarrollo de AI puede aportar valor en una unidad de negocios en particular, dijo que querrán contratar más ingenieros. «Le he dicho a los ingenieros que si quieres que tu compañía adopte la IA, una de las mejores cosas que puedes hacer es lograr que tu gerencia tome [el curso] IA para todos», dijo.

5. Mida el impacto de la IA

Ng cree que el seguimiento de la publicidad en línea no es la aplicación más inspiradora de la IA, pero el impacto de la IA se mide fácilmente en esta área. El valor de IA puede ser más difícil de medir para otros casos de uso de IA. Sin embargo, Ng abogó porque las empresas consideren muchas métricas, como reducir el costo mediante el uso de IA, o generar valor con nuevas ofertas comerciales de IA, o medir las tendencias de ingresos en las unidades de negocios que adoptan IA, pero estar preparadas para la dificultad de rastrear estas métricas de negocio críticas . Por ejemplo, si IA mejora la experiencia del usuario, puede ser difícil conectar esta mejora con los ingresos, ya que los cambios en los ingresos pueden deberse a muchos factores.

6. Manténgalo simple

Ng es huraño ante las perspectivas de la investigación de vanguardia de la IA en dominios como la computación cuántica y la inteligencia general artificial que, por cierto, predijo que podría estar a una distancia de 500 a 500.000 años. Mientras tanto, ve suficientes oportunidades donde la IA podría aumentar el impacto en el negocio en uno o dos años, y ha decidido enfocarse en esto. «Lo único mejor que una gran oportunidad a largo plazo [de IA] es una gran oportunidad a corto plazo, y ahora tenemos muchos de esas», dijo.

Él espera ver algunas de las mayores ganancias económicas fuera de Silicon Valley por parte de las industrias existentes que hacen que sus procesos de negocios sean un poco más eficientes y agrega que, por ejemplo, una compañía de café puede ver más ganancias al desarrollar una estrategia de inteligencia artificial que mediante el uso de la optimización del motor de búsqueda.

A corto plazo, Ng sugirió que todas las empresas encuentren la manera de comenzar con un proyecto pequeño con un par de ingenieros, en lugar de un gran plan a 10 años. «Eso le enseña a su organización lo que se siente al hacer estos proyectos de inteligencia artificial y ganar impulso», dijo.