Tres pasos importantes para empezar con IA
David Petersson presenta tres pasos que cambiarán su forma de pensar sobre la IA y ayudarán a su negocio a comenzar con la IA.
Cada problema de TI tiene una curva de aprendizaje y un punto de inflexión, y ¡ajá! Un momento en que la solución se revela. Trabajando en proyectos de inteligencia artificial (IA), experimenté lo mismo: Llegó el momento en que me di cuenta de lo diferente que es la lógica en IA respecto a la programación de software tradicional. Había adquirido la mentalidad de IA que me permitió comenzar realmente con la IA.
A medida que la IA se vuelve estándar en todas las industrias, su organización deberá hacer lo mismo.
La IA a veces se denomina «software 2.0» debido a la forma fundamentalmente diferente en que se programa. En lugar de decirle a la computadora qué hacer, debemos dejar que la computadora aprenda sola. Para hacerla «más inteligente», debemos alimentarlo con más y mejores datos de entrenamiento. Luego, la IA se «programa a sí misma» al detectar patrones en ese conjunto de datos.
Debido a esto, a veces es difícil para nosotros saber qué aprendió realmente la IA. Ha habido casos en los que una IA que fue entrenada para detectar ovejas realmente aprendió a detectar pasto, o una IA entrenada para detectar criminales juzgando sus caras realmente estaba funcionando como un detector de sonrisas. Estos son ejemplos extremos, pero los menos propensos a errores son en realidad peores, ya que llevan nuestro sesgo racial o de género al algoritmo de decisión de la IA, donde es aún más difícil de detectar.
Por lo tanto, hacer una IA correcta es importante. Aquí hay tres consejos sobre cómo comenzar con la IA.
1. Establezca expectativas realistas de lo que la IA puede y no puede hacer por su negocio
Para comenzar con la IA, primero debe tener expectativas razonables de lo que la IA puede hacer por su negocio.
Desafortunadamente, la exageración de los medios y los proveedores en torno a la IA hace que sea difícil formar expectativas razonables. Las advertencias sobre un apocalipsis de IA, por ejemplo, hacen que las máquinas parezcan mucho más inteligentes de lo que son, lo que lleva a expectativas equivocadas que, cuando no se realizan, hacen que todo el proyecto falle.
La mayoría de los proyectos miden la inteligencia artificial en su precisión en comparación con el desempeño de los humanos en la misma situación. Una red neuronal, por ejemplo, detectó cáncer con una precisión del 94%, superando a los radiólogos humanos. Si bien la industria de la salud es particularmente sensible y necesita una IA súper precisa, el caso no es válido para muchas otras industrias. Un motor de recomendación de video, por ejemplo, funcionaría bien con una tasa de precisión del 80%. Otros proyectos podrían estar bien con una precisión del 30% al 40%.
Xun Wang.
«La IA puede ser lo suficientemente buena, incluso si proporciona un aumento del 2% o tiene solo un 30% de precisión», afirmó Xun Wang, CTO de Bloomreach, una plataforma de experiencia digital impulsada por la IA. «La pregunta no es si es lo suficientemente bueno; es cómo utilizar una tecnología o componente de inteligencia artificial dentro de un sistema más grande para dar algún tipo de impulso incremental».
Entonces, la medida no es el porcentaje de precisión de IA per se, sino cuánto la IA está ayudando a su negocio. En lugar de esperar que la IA reemplace completamente a su personal, la medida real debería ser cuánto los aumenta, les facilita el trabajo, aumenta su precisión y les libera tiempo.
2. Encuentre el valor en los datos de la compañía
Para comenzar con la IA, necesita datos: datos de calidad. La necesidad de buenos datos, y muchos de ellos, en la IA puede parecer obvia, ya que esta es una tecnología que requiere datos para funcionar. Pero me sorprende lo fácil que se pierde el paso de recopilación de datos.
Creo que esto se debe a que la profesión de TI aún no ha adoptado una mentalidad de inteligencia artificial. Para cultivar una mentalidad de IA, los CIO deben estudiar los procesos de su negocio, descubrir los datos que recopilan (o necesitan recopilar) y encontrar formas de optimizar o mejorar el negocio a través de la IA en consecuencia.
Estos datos pueden estar en su CRM, en los registros de análisis de su sitio web o en tickets de soporte. Con la mentalidad de IA, comenzará a pensar en estos datos de manera diferente. No serán los contenidos de esos datos los que importen, sino los patrones y las características que puede extraer de ellos.
Por «datos» no nos referimos solo a la demografía o al comportamiento de navegación. La IA es increíblemente tonta porque no tiene idea de lo que hace, pero también es extremadamente inteligente para detectar patrones en los que no podríamos haber pensado. Lo que le falta a la inteligencia artificial en comprensión humana lo compensa en velocidad de cálculo.
Por ejemplo, en el campo de la comprensión del lenguaje natural, los investigadores han alimentado a la IA con gigabytes de texto. Su objetivo era que la IA encontrara similitudes y relaciones entre las palabras, por ejemplo, la relación entre las palabras «mujer» y «hombre» tiene una estructura similar a la que existe entre una «reina» y un «rey». A principios de julio, los científicos utilizaron este mecanismo para estudiar toneladas de resúmenes científicos para descubrir compuestos químicos previamente ignorados.
Una vez que comience con IA, verá cada «lago de datos» como una oportunidad de optimización de IA: Tiene los datos de los bloques de construcción; agregar IA permite explorar los datos para descubrir el potencial sin explotar. Por ejemplo, uno podría desarrollar un sistema de soporte que recomendaría soluciones a los problemas de los clientes o usuarios antes de publicar algo en los operadores en función del contexto de lo que están escribiendo y no solo en palabras clave de activación. O a través del análisis de sentimientos, detecte la gravedad de los problemas del cliente y asigne a su personal superior a los casos más urgentes en consecuencia.
Por supuesto, habrá casos en los que encuentre la necesidad de IA, pero no tiene los datos necesarios. En esos casos, puede comenzar a recopilar datos internamente, o adquirir o comprar los datos necesarios de fuentes de terceros para comenzar más rápido.
3. Comience con algoritmos simples y manténgase al día
Cuando comienza con la IA, es importante pensar en pequeño.
Ruslan Gavrilyuk.
«Comience con los procesos que tienen las menores barreras para superar la inercia y los que permiten el mejor seguimiento de resultados», recomendó Ruslan Gavrilyuk, cofundador y presidente del proveedor de inteligencia de mercado TeqAtlas. «Comience de a poco, automatice un proceso a la vez y continúe solo después de resultados visibles».
Una razón para comenzar con poco se relaciona con la necesidad de entrenar a una IA. Nada es más frustrante que entrenar a una IA durante horas y aprender al final que los resultados no son confiables. Por esa razón, los algoritmos más simples, que se entrenan mucho más rápido, ofrecen una ayuda significativa para mostrar si está en el camino correcto.
«Tenga en cuenta que lleva tiempo obtener resultados visibles, y mucho más el retorno de la inversión», continuó Gavrilyuk. No intente lograr aprendizaje profundo o redes convolucionales en su primera carrera.
Del mismo modo, su equipo de IA debe preparar los datos, lo cual es más fácil decir que hacer. Para utilizar una máxima frecuentemente citada en el mundo de BI: «entra basura, sale basura». Es fácil obtener anuncios o notas de las barras laterales al raspar páginas web, que son completamente irrelevantes para el contenido de la página principal. Del mismo modo, la calidad de los datos es importante. Cuando Open AI entrenó su modelo «monstruoso« GPT-2, solo se basó en artículos con votos positivos en Reddit.
Incluso durante la capacitación, sus desarrolladores de IA deben echar un vistazo a cómo el modelo de IA comprende los datos. Un motor de filtrado de correo no deseado, por ejemplo, puede mostrar qué palabras es más probable que cuenten como correo no deseado y las que no: Una mirada rápida debajo del capó revelaría si la IA está en el camino correcto.
Solo después de que los datos estén limpios y el modelo de IA y el algoritmo se entiendan bastante bien, los desarrolladores de IA deben intentar optimizarlos al pasar a algoritmos más avanzados, como redes neuronales convolucionales o redes neuronales recurrentes. Y en ese momento, Gavrilyuk recomienda que «alquile poder y almacenamiento computacional, en lugar de comprarlo y mantenerlo».
El momento de comenzar con la IA es ahora
Según una investigación realizada por TeqAtlas, las personas no comprenden las aplicaciones de IA. Las barreras culturales impiden que las empresas adopten IA, ya que muchos líderes empresariales consideran que la tecnología es su rival que elimina trabajo
o carecen de confianza en términos de entregar controles a las máquinas.
Pero la IA no solo es muy emocionante, también es muy necesaria, especialmente a medida que aumenta la competencia. Si sabe cuáles son los requisitos para comenzar con la IA, qué debe esperar razonablemente y cómo llegar allí, sabrá cómo aprovechar el poder de esta nueva tecnología y la emoción se traducirá en resultados comerciales.
