ATENCIÓN: este contenido tiene más de 2 años de antigüedad y, debido a su temática, podría contener información desactualizada o inexacta en la actualidad.
Alrededor de la inteligencia artificial (IA) se ha creado cierto halo místico provocado en gran medida por el gran desconocimiento que existe en este campo, especialmente en los medios de comunicación. Todos hemos leído frases del tipo: "con la IA se automatizarán la gran parte de los trabajos y la gente se quedará sin empleo" o, "los robots se apoderarán del mundo", o, "se trata de una tecnología de ciencia ficción", etc.
Como vemos, la ignorancia nos lleva a los extremos, los hay que piensan que la IA dominará el mundo y otros que piensan que no es más que una palabra de moda. Nosotros creemos que la verdad está en algún lugar en el medio. Y, de hecho, consideramos que solamente si comprendemos completamente cómo funciona la inteligencia artificial (IA) y dónde se encuentran sus limitaciones, esta nos será útil.
Solamente si comprendemos completamente cómo funciona la inteligencia artificial (IA) y dónde se encuentran sus limitaciones, esta nos será útil.
Es por ello que, a continuación, intentaremos desmentir algunos mitos y errores comunes que se dan en este campo.
Mito #1: IA (inteligencia artificial), ML (machine learning), DL (deep learning), distintas palabras mismo significado
IA es un término general que incluye un amplio conjunto de técnicas de ingeniería informática, que van desde ML y sistemas basados en reglas hasta técnicas de optimización y procesamiento del lenguaje natural.
Dentro de la IA, existe un subconjunto llamado aprendizaje automático (ML), que se define como el campo de estudio que permite que las máquinas aprendan sin estar programadas explícitamente. Las máquinas aprenden a través de un proceso llamado "entrenamiento" gracias a la información que les proporcionamos.
Por último, las técnicas de aprendizaje profundo (Deep Learning) son un tipo de aprendizaje automático (ML) que proporciona avances sorprendentes. Sus técnicas se basan en el uso de lo que se llaman redes neuronales artificiales.
🔗
Nuestro tutor José Manuel Alarcón te aclara estos conceptos en:
Aclarando conceptos: Inteligencia Artificial, Machine Learning, Deep Learning, Big Data y Ciencia de Datos
Mito #2: la IA solo sirve para reemplazar trabajos repetitivos
La IA ofrece soluciones para obviamente reemplazar tareas repetitivas, pero va más allá, y permite a las empresas tomar decisiones más precisas usando predicciones, clasificaciones y agrupaciones que le ayuda a resolver problemas complejos.
Algunos ejemplos en los que se usa actualmente IA serían:
- Escribir artículos
- Determinar el precio de las habitaciones de hotel y los asientos de avión
- Asesoramiento sobre gestión patrimonial ("roboadvisors")
- Determinar cuándo y por cuánto se deben pagar las reclamaciones de seguros
- Determinar qué anuncios mostrar a los internautas
- Ejecutar transacciones de divisas
🔗
Nuestro tutor experto en IA, Francisco Charte, te explica en general los tipos de problemas que podemos resolver con técnicas de Aprendizaje Automático (Machine Learning).
Y nuestro tutor experto en IA, David Charte, te cuenta algunas aplicaciones prácticas reales del Machine Learning:
Mito #3: la IA es imparcial
Las tecnologías de IA se basan en datos, reglas y otras aportaciones de los científicos de datos y desarrolladores de software que no dejan de ser humanos y, como tal, están intrínsecamente sesgados de una forma u otra, con lo que dicho sesgo se acaba transmitiendo a la tecnología.
Por el momento, no hay forma de eliminar completamente los prejuicios; sin embargo, tenemos que hacer todo lo posible para reducirlo al mínimo. Aunque no se puede eliminar el sesgo al 100%, si podemos tratar de reducirlo. Algunas recomendaciones serían:
- Evaluar frecuentemente los conjuntos de datos que se utilizan para el entrenamiento y validación en ML.
- Se puede reducir el sesgo de selección / confirmación creando un equipo de expertos en IA haciendo que se revisen el trabajo mutuamente.
🔗
Nuestro tutor experto en IA, Francisco Charte, te cuenta qué peligro implican los sesgos en los modelos de Inteligencia Artificial.
Mito #4: mi empresa no necesita usar IA
La mayoría de las empresas deberían investigar cómo esta tecnología se puede aplicar a una amplia variedad de problemas y considerar el impacto potencial de la IA aplicada sobre su estrategia a medio-largo plazo.
Incluso, aunque la IA no suponga una solución inmediata a sus problemas, las organizaciones deberían revisar de forma periódica la decisión de no implementar IA, ya que en muchos sentidos esta opción podría colocar a la empresa en clara desventaja competitiva.
La Comisión Europea publicó hace unos meses un resumen cuantitativo sobre la adopción de tecnologías de inteligencia artificial (IA) entre las empresas europeas. Para ello realizó una encuesta en 30 países (UE-27 junto con Noruega, Islandia y Reino Unido) a más de 9 500 empresas.
🔗
Si no sabes por dónde empezar a plantearte esto, hemos escrito este artículo que te explica por dónde empezar a implementar inteligencia artificial o aprendizaje automático en una PYME.
Mito #5: IA aprende por sí misma
Las aproximaciones de machine learning pueden, por lo general, determinar automáticamente los parámetros necesarios. El programa o modelo de machine learning obtenido es el resultado de un proceso de optimización de parámetros matemáticos, que se ejecuta principalmente de forma autónoma. Sin embargo, antes de que esto suceda, los científicos de datos experimentados acotan el problema, preparan los datos, determinan los conjuntos de datos apropiados, eliminan el sesgo potencial en los datos de entrenamiento y, lo más importante, actualizan continuamente el software para permitir la integración de nuevos conocimientos y datos en el próximo ciclo de aprendizaje.
Actualmente, la mayoría de estas tareas no se pueden automatizar. Se necesita personal experimentado para realizar estas tareas. Todo el ciclo debe ejecutarse manualmente (nuevamente) para permitir la integración de nuevos conocimientos y datos en la siguiente iteración del modelo. En el estudio europeo al que se hacía referencia anteriormente, la falta de personal cualificado era la mayor preocupación de todas las organizaciones.
🔗
Nuestro tutor experto en IA, Francisco Charte, te cuenta cómo es ese proceso de extraer conocimiento a partir de bases de datos.
Esperamos que después de leer este post y los enlaces sugeridos tengas los conceptos más claros y, al menos, no sigas pensando que la IA va a terminar con el mundo ni tampoco que es cosa de ciencia ficción.
Y si luego quieres aprender en serio a implementar IA, no te pierdas nuestro espectacular Máster de Machine Learning y Ciencia de Datos.
Fecha de publicación: