La Inteligencia Artificial es actualmente uno de los términos más mencionados en el mundo (la búsqueda de IA (iniciales de Inteligencia Artificial) en solo Google arroja más de mil millones de resultados). No debiera ser diferente: estamos en plena era de la cuarta revolución industrial y quien aspire por lo menos a mantenerse vigente un tiempo más debe conocer y entender de qué se trata y en especial cuál es su importancia.

Son muchas las preguntas que se tienen en torno a este tema. Hoy quiero compartir cinco preguntas (y respuestas) clave para entender de qué hablamos cuando nos referimos a Inteligencia Artificial y su poder transformador para la vida y los negocios (preguntas recopiladas de lo que suelen ser los cuestionarios enviados por periodistas en el último tiempo a una empresa líder en temas de Inteligencia Artificial como lo es SAS en el mundo):

¿Cómo la Inteligencia Artificial ha cambiado la vida de los seres humanos?

La inteligencia artificial (IA) hace posible que las máquinas aprendan de la experiencia, se ajusten a nuevas aportaciones y realicen tareas como seres humanos. La mayoría de los ejemplos de inteligencia artificial sobre los que se oye hablar hoy en día – desde computadoras que juegan ajedrez hasta automóviles de conducción autónoma – recurren a algoritmos y técnicas de aprendizaje profundo o más conocido como Deep Learning, al procesamiento de lenguaje natural y al reconocimiento de imágenes. Empleando los inmensos recursos de procesamiento computacional, se pueden procesar grandes volúmenes de datos para entrenar estos algoritmos dando paso a la Inteligencia Artificial Aplicada que cambia la vida de los seres humanos.

¿En qué aspectos de nuestra vida está presente la Inteligencia Artificial?

Es importante tener en cuenta especialmente dos aspectos:

La IA agrega conocimiento y autonomía de decisión a productos y servicios existentes. En la mayoría de los casos, la inteligencia artificial no se venderá como un aplicativo o producto independiente. En su lugar, las soluciones que ya utilizamos serán mejoradas con capacidades de inteligencia artificial, por ejemplo, como lo hizo Apple cuando agregó su asistente inteligente Siri como característica embebida en todos los productos de su portafolio. La automatización, las plataformas conversacionales, los bots y las máquinas inteligentes se pueden combinar con grandes cantidades de datos para mejorar muchas tecnologías en el hogar y en el lugar de trabajo, desde inteligencia de seguridad hasta el análisis de las inversiones.

En la actualidad, la inteligencia artificial aprovecha las capacidades del Big Data y logra una increíble precisión a través del uso de algoritmos de aprendizaje de máquina como las redes neuronales profundas para analizar grandes cantidades de información. Por ejemplo, los asistentes que usamos a diario como Alexa, Google Search y Google Photos, se basan en el uso de redes neuronales profundas y aprenden con cada interacción y se vuelven más precisos en cuanto más los usamos. En el campo de la medicina, las técnicas de inteligencia artificial basadas en visión por computador para la clasificación de imágenes y reconocimiento de objetos se pueden emplear para detectar cáncer en MRIs (imágenes de resonancia magnética) con la misma precisión que radiólogos altamente capacitados.

¿Qué es el machine learning y por qué es tan importante en la IA?

El machine Learning es un campo fundamental de la inteligencia artificial y se enfoca en habilitarle a las máquinas la capacidad de aprender similar a como lo hacemos los humanos. Los algoritmos de Machine Learning buscan relaciones entre distintas variables para modelar patrones en los datos y entregar resultados de manera automática a la máquina para que esta detecte dichos patrones simulando la capacidad de aprender a reconocerlos. Una vez que el algoritmo ha aprendido podrá aplicar ese conocimiento a un nuevo conjunto de datos. El ciclo de vida es hacer la pregunta, recolectar los datos, entrenar al algoritmo, probarlo, recolectar el feedback y usar este conocimiento para mejorar el algoritmo y obtener más precisión.

¿Por qué ahora es tan popular el Machine Learning?

El Machine Learning no es algo nuevo, de hecho, muchos de los algoritmos que usamos en la actualidad (Ej. Redes Neuronales, Arboles de Decisión, Redes Bayesianas, etc.) fueron inventados hace décadas, pero el resurgimiento del interés por el aprendizaje de máquina y otras técnicas modernas de aprendizaje profundo, se ha incrementado en los últimos años debido al volumen creciente de datos disponibles, a la reducción del costo en el procesamiento computacional y a la facilidad de acceder y almacenar información desde cualquier dispositivo.

Aunque muchos algoritmos de aprendizaje basado en máquina han estado entre nosotros por largo tiempo, la posibilidad de aplicar automáticamente cálculos matemáticos complejos al big data – una y otra vez, cada vez más rápido – es un logro reciente. Éstos son algunos ejemplos ampliamente publicados de aplicaciones de machine learning:

• El automóvil de conducción autónoma de Google está basado en Machine Learning: Técnicas de aprendizaje profundo y aprendizaje por refuerzo.
• Ofertas de recomendación en línea como las de Amazon y Netflix, utilizan algoritmos de Machine Learning como máquinas de factorización y modelos de análisis de secuencia y análisis de similaridad.
• Saber la opinión que sus clientes tienen en alguna red social como Twitter, se basa en el uso de técnicas de procesamiento de lenguaje natural (NLP, por sus iniciales en inglés), de redes neuronales recurrentes y de redes neuronales profundas.
• Sistemas automáticos para la detección de fraudes, utilizan algoritmos de análisis de detección de anomalías, modelos de redes neuronales y modelos de redes de relacionamiento (grafos).

¿Cuáles son las tecnologías que habilitan a la Inteligencia Artificial?

Varias tecnologías habilitan y dan soporte a la inteligencia artificial:

• Las unidades de procesamiento gráfico (GPU) son fundamentales para la inteligencia artificial porque aportan gran poder de cómputo requerido para el procesamiento iterativo. Entrenar redes neurales requiere big data, además de poder de cómputo.

 

• Internet de las Cosas genera cantidades masivas de datos de dispositivos conectados, la mayoría de ellos no analizados. La automatización de modelos con inteligencia artificial nos permite usar una mayor parte de ellos.

 

• Se están desarrollando algoritmos avanzados y se combinan en nuevas formas para analizar más datos con mayor rapidez y en múltiples niveles. Este procesamiento inteligente es clave para identificar y anticipar eventos poco comunes, entender sistemas complejos y optimizar escenarios únicos.

 

• Las APIs, o interfaces de programación de aplicaciones, son paquetes portables de código que hacen posible agregar funcionalidad de inteligencia artificial a productos y paquetes de software existentes. Éstas pueden agregar recursos de reconocimiento de imágenes a sistemas de seguridad domésticos y capacidades de preguntas y repuestas que describen datos, crean leyendas y encabezados, o resaltan patrones e insights interesantes en los datos.

 

¿Por qué se habla de que es necesario que cada vez más personas estudien carreras relacionadas como la IA?

La Inteligencia artificial junto con la analítica de datos hacen parte de una de las innovaciones más importantes que han revolucionando el mundo, por eso es importante que cada vez más personas adquieran conocimientos relacionados a esta materia. Muchos científicos de datos iniciaron sus carreras como estadísticos o analistas de datos. Pero conforme el big data (y las tecnologías de almacenaje y procesamiento del big data como Hadoop) comenzaron a crecer y evolucionar, esos roles también evolucionaron. Los datos dejaron de ser una idea de último momento de la que TI debe encargarse. Es información clave que requiere análisis, curiosidad creativa y un don para traducir ideas de alta tecnología en nuevas formas de generar utilidades en diferentes entornos. Sus aplicaciones son enormes y pueden ser de gran utilidad para empresas de distintos sectores.

¿Cuáles son actualmente esas carreras vinculadas a la IA?

El rol del científico de datos tiene orígenes académicos. Hace algunos años, las universidades comenzaron a reconocer que los empleadores deseaban contratar personas que fueran programadores y supieran trabajar en equipo. Los profesores modificaron sus clases para dar cabida a este requisito – y se desarrollaron algunos programas, como el Instituto de Analítica Avanzada de la Universidad Estatal de Carolina del Norte y se prepararon para producir en serie la siguiente generación de científicos de datos. Ahora hay más de 60 programas similares en universidades de todo el país.

Las carreras están enfocadas en aspectos como:

• Estadística y machine learning.
• Ingeniería de datos
• Lenguajes de codificación como SAS, R o Python.
• Bases de datos como MySQL y Postgres.
• Visualización de datos y tecnologías de reporte.
• Big Data
• Cloud

En esta sesión de webinar on-demand también se puede conocer un poco más sobre cómo Innovar dentro de las organizaciones con IA. Visita esta página: SAS AI Latam Tour | Inteligencia Artificial | SAS