Hoy en día la AI es una realidad aún incipiente. Se podría hacer una analogía entre el estado de la AI de hoy y la electricidad de hace un siglo. La electricidad es una tecnología en sí misma pero además aplicada a otros campos los transformó y potenció. Por ejemplo, la electricidad aplicada a la comunicación implicó el desarrollo del telégrafo, aplicada a la agricultura implicó la refrigeración, etc.
Algo parecido podemos esperar de la AI en los próximos años, una transformación en múltiples campos y en una manera que aún es difícil de imaginar.
AI, los algoritmos y aplicaciones actuales
Dentro del campo AI, hay varios términos de moda. Si los colocamos en orden descendente atendiendo a su aplicabilidad a día de hoy obtendríamos una gráfica como la siguiente.
- Aprendizaje supervisado: Es una familia de algoritmos de Machine Learning (ML) Consiste en crear un modelo AI que es entrenado en base a unos datos de entrada de los que se conoce el valor objetivo.
- Transferencia de aprendizaje: Entrenar un modelo requiere datos y computo. Transfer Learning consiste en utilizar un modelo AI ya entrenado y transformarlo para aplicarlo en otro dominio parecido al original sin tener que pasar por todas las fases del modelado ni requerir tantos datos. Por ejemplo, si hemos recopilado miles de imágenes de gatos y hemos conseguido un modelo que es bueno reconociendo gatos, tal vez podríamos transformarlo en un algoritmo para reconocer perros sin necesidad de recopilar miles de imágenes y realizar el modelado.Los algoritmos de tipo aprendizaje supervisado son los que más aplicación práctica tienen a día de hoy. Por ejemplo en teléfonos móviles para el reconocimiento del usuario y desbloqueo. Reconocimiento de voz y transcripción o traducción a otros idiomas. Identificación de risk rating en bancos, etc.
- Aprendizaje no supervisado: Es otra familia de algoritmos ML. Se parte también de un conjunto de datos de entrenamiento, pero en este caso no se conoce el valor objetivo sino que el algoritmo busca relaciones ocultas entre los datos, creando por ejemplo agrupaciones.
- Reforzamiento del aprendizaje: Otra familia de algoritmos ML. En este caso el agente aprende a partir de la experiencia, de manera dinámica a través de varios episodios de entrenamiento. En cada episodio se suceden cambios de estado que retornan un feedback al agente. El algoritmo busca maximizar la recompensa que otorga dicho feedback. El volumen de episodios y capacidad de cómputo que requieren este último tipo de algoritmo y el estrecho campo en el que ha demostrado éxito (robótica) hace que las expectativas estén por encima de la realidad a día de hoy.
¿Por qué ahora?
AI no es algo nuevo. Sin embargo ha habido una expansión en los últimos 4 o 5 años. Y es que se han producido dos circunstancias que han potenciado esta tecnología.
Como puede verse en el gráfico, los algoritmos AI tradicionales tenían un comportamiento asintótico respecto a los datos. Más datos de entrenamiento no suponían mejoras substanciales en el modelo.
Sin embargo últimamente la digitalización ha hecho crecer la disponibilidad de grandes cantidades de datos. Así mismo las nuevas técnicas de cómputo distribuido aplicadas sobre los datos ha dado lugar al BIG DATA. Aplicando AI sobre big data surge nueva generación de algoritmos Deep Learning capaces de sacar partido de los grandes volúmenes de datos mejorando resultados sobre los algoritmos AI tradicionales.
Como impactará la tecnología AI en el corto plazo.
El progresivo despliegue de la AI tendrá impacto en el mercado laboral. Como regla general, aquellos trabajos en los que las personas toman decisiones de “menos de un segundo” son susceptibles de ser automatizados mediante AI.
Por otro lado las organizaciones y empresas demandarán perfiles especializados que aún no abundan en el mercado.
Datos y algoritmos, los ladrillos y el cemento de la AI.
La tecnología AI necesita de dos elementos básicos. Algoritmos y Datos.
Desarrollar algoritmos AI “ad hoc” no es una tarea al alcance de cualquiera. Afortunadamente los hay muy buenos y disponibles open source. También se pueden comprar.
Así pues el trabajo para la empresa que quiere implantar AI está en el lado de los datos. Su captura y tratamiento para luego entrenar y crear el modelo AI.
Hay fuentes Open Data, pero muy probablemente será necesario conjugar estos datos provenientes de fuentes públicas con los propios del dominio o del negocio de la empresa.
Las empresas más maduras en la gestión de sus datos, con Data Warehouse corporativos y con cultura analítica, parten con ventaja en la carrera hacia la AI.
AI, no solo para los grandes.
Los líderes actualmente en AI son grandes empresas en el sector tecnológico, como Amazon o Google. Son empresas que disponen de gran cantidad de datos, capacidad para procesarlos y recursos para implantar esta nueva tecnología. Un sistema AI de transcripción de voz a texto necesita un entrenamiento de 50.000 horas (5 años). Es difícil hacer planes de negocio a tan largo plazo.
Podría parecer que no hay sitio para los pequeños en este escenario, pero no es así. Es posible crear un modelo AI que brinde resultados aceptables con relativamente pocos datos, sacarle rendimiento económico e ir mejorándolo progresivamente a medida que el negocio crezca.
El cambio cultural.
La implantación de una nueva tecnología como esta en la empresa implica un cambio cultural. Del mismo modo que una tienda con una página web no es un compañía de internet, una empresa de tecnología con algoritmos Machine Learning no la convierte per se en una compañía AI.
Es necesario un cambio cultural profundo. Un cambio cultural que se plasmará por ejemplo en nuevos puestos de trabajo con perfiles específicos de AI. En nuevos métodos de trabajo, ya que el ciclo de vida de un proyecto AI no es como el de un desarrollo. En otras formas de relacionarse y tomar las decisiones.
Una forma de implantar AI en la empresa podría ser mediante centros de excelencia en AI que den servicio al resto de las unidades de negocio de la organización.
