Esta forma omnipresente y poderosa de inteligencia artificial está cambiando todas las industrias. Esto es lo que necesita saber sobre el potencial y las limitaciones del aprendizaje automático y cómo se utiliza.
El aprendizaje automático está detrás de los chatbots y el texto predictivo, las aplicaciones de traducción de idiomas, los programas que Netflix te sugiere y cómo se presentan tus feeds de redes sociales.
Impulsa vehículos y máquinas autónomos que pueden diagnosticar condiciones médicas basadas en imágenes.
Cuando las empresas de hoy implementan programas de inteligencia artificial, lo más probable es que utilicen el aprendizaje automático, tanto que los términos a menudo se usan indistintamente y, a veces, de manera ambigua. El aprendizaje automático es un subcampo de la inteligencia artificial que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente.
“Solo en los últimos cinco o 10 años, el aprendizaje automático se ha convertido en una forma crítica, posiblemente la forma más importante, de hacer la mayoría de las partes de la IA”, dijo el profesor Sloan del MIT.Thomas W Malone, el director fundador del Centro de Inteligencia Colectiva del MIT . “Es por eso que algunas personas usan los términos IA y aprendizaje automático casi como sinónimos… la mayoría de los avances actuales en IA han involucrado el aprendizaje automático”.
Con la creciente ubicuidad del aprendizaje automático, es probable que todos en los negocios lo encuentren y necesitarán algunos conocimientos prácticos sobre este campo. Una encuesta de Deloitte de 2020 encontró que el 67 % de las empresas utilizan el aprendizaje automático y el 97 % lo utilizan o planean utilizarlo el próximo año.
Desde la fabricación hasta el comercio minorista y desde la banca hasta las panaderías, incluso las empresas heredadas están utilizando el aprendizaje automático para desbloquear nuevos valores o aumentar la eficiencia. “El aprendizaje automático está cambiando, o cambiará, en todas las industrias, y los líderes deben comprender los principios básicos, el potencial y las limitaciones”, dijo el profesor de informática del MIT, Aleksander Madry , director del Centro MIT para el aprendizaje automático implementable .
Si bien no todos necesitan conocer los detalles técnicos, deben comprender lo que hace la tecnología y lo que puede y no puede hacer, agregó Madry. “No creo que nadie pueda darse el lujo de no estar al tanto de lo que está sucediendo”.
Eso incluye ser consciente de las implicaciones sociales, sociales y éticas del aprendizaje automático. “Es importante involucrarse y comenzar a comprender estas herramientas, y luego pensar en cómo las va a usar bien. Tenemos que usar estas [herramientas] para el bien de todos”, dijo la Dra. Joan LaRovere ,
MBA ’16, médica de cuidados intensivos cardíacos pediátricos y cofundadora de la organización sin fines de lucro The Virtue Foundation. “La IA tiene mucho potencial para hacer el bien, y realmente necesitamos mantener eso en nuestras lentes mientras pensamos en esto. ¿Cómo usamos esto para hacer el bien y mejorar el mundo?”
¿Qué es el aprendizaje automático?
El aprendizaje automático es un subcampo de la inteligencia artificial, que se define ampliamente como la capacidad de una máquina para imitar el comportamiento humano inteligente. Los sistemas de inteligencia artificial se utilizan para realizar tareas complejas de una manera similar a la forma en que los humanos resuelven problemas.
El objetivo de la IA es crear modelos informáticos que muestren “comportamientos inteligentes” como los humanos, según Boris Katz ,científico investigador principal y director del Grupo InfoLab en CSAIL. Esto significa máquinas que pueden reconocer una escena visual, comprender un texto escrito en lenguaje natural o realizar una acción en el mundo físico.
El aprendizaje automático es una forma de usar la IA. Fue definido en la década de 1950 por el pionero de la IA
Arthur Samuel como
“el campo de estudio que le da a las computadoras la capacidad de aprender sin ser programadas explícitamente”.
La definición es cierta, según Michael Shulman profesor en MIT Sloan y jefe de aprendizaje automático en Kensho que se especializa en inteligencia artificial para las comunidades de finanzas e inteligencia de EE. UU. Comparó la forma tradicional de programar computadoras, o “software 1.0”, con la cocción, donde una receta requiere cantidades precisas de ingredientes y le dice al panadero que mezcle durante un tiempo exacto. De manera similar, la programación tradicional requiere la creación de instrucciones detalladas para que la computadora las siga.
Pero en algunos casos, escribir un programa para que la máquina lo siga lleva mucho tiempo o es imposible, como entrenar a una computadora para que reconozca imágenes de diferentes personas. Si bien los humanos pueden hacer esta tarea fácilmente, es difícil decirle a una computadora cómo hacerlo. El aprendizaje automático adopta el enfoque de dejar que las computadoras aprendan a programarse a sí mismas a través de la experiencia.
El aprendizaje automático comienza con datos: números, fotos o texto, como transacciones bancarias, imágenes de personas o incluso artículos de panadería , registros de reparación, datos de series temporales de sensores o informes de ventas. Los datos se recopilan y preparan para usarse como datos de entrenamiento, o la información sobre la que se entrenará el modelo de aprendizaje automático. Cuantos más datos, mejor es el programa.
A partir de ahí, los programadores eligen un modelo de aprendizaje automático para usar, proporcionan los datos y dejan que el modelo de computadora se entrene para encontrar patrones o hacer predicciones. Con el tiempo, el programador humano también puede modificar el modelo, incluido el cambio de sus parámetros, para ayudar a impulsarlo hacia resultados más precisos. (El sitio web AI Weirdness de la científica investigadora Janelle Shane es una mirada entretenida a cómo aprenden los algoritmos de aprendizaje automático y cómo pueden equivocarse, como sucedió cuando un algoritmo intentó generar recetas y creó Chocolate Chicken Chicken Cake).
Algunos datos se extraen de los datos de entrenamiento para usarlos como datos de evaluación, lo que prueba qué tan preciso es el modelo de aprendizaje automático cuando se muestran nuevos datos. El resultado es un modelo que se puede utilizar en el futuro con diferentes conjuntos de datos.
Los algoritmos exitosos de aprendizaje automático pueden hacer cosas diferentes, escribió Malone en un informe de investigación reciente sobre la IA y el futuro del trabajo , que fue coescrito por la profesora del MIT y directora de CSAIL Daniela Rus y Robert Laubacher, director asociado del Centro de Inteligencia Colectiva del MIT. .
“La función de un sistema de aprendizaje automático puede ser descriptiva , lo que significa que el sistema usa los datos para explicar lo que sucedió; predictivo , lo que significa que el sistema usa los datos para predecir lo que sucederá; o prescriptivo , lo que significa que el sistema usará los datos para hacer sugerencias sobre qué acción tomar”, escribieron los investigadores.
Hay tres subcategorías de aprendizaje automático:
Los modelos de aprendizaje automático supervisados se entrenan con conjuntos de datos etiquetados, lo que permite que los modelos aprendan y se vuelvan más precisos con el tiempo. Por ejemplo, se entrenaría un algoritmo con imágenes de perros y otras cosas, todas etiquetadas por humanos, y la máquina aprendería formas de identificar imágenes de perros por sí misma. El aprendizaje automático supervisado es el tipo más común utilizado en la actualidad.
En el aprendizaje automático no supervisado , un programa busca patrones en datos no etiquetados. El aprendizaje automático no supervisado puede encontrar patrones o tendencias que las personas no buscan explícitamente. Por ejemplo, un programa de aprendizaje automático no supervisado podría analizar los datos de ventas en línea e identificar diferentes tipos de clientes que realizan compras.
El aprendizaje automático de refuerzo entrena a las máquinas a través de prueba y error para tomar la mejor acción mediante el establecimiento de un sistema de recompensas. El aprendizaje por refuerzo puede entrenar modelos para jugar juegos o entrenar vehículos autónomos para conducir diciéndole a la máquina cuándo tomó las decisiones correctas, lo que le ayuda a aprender con el tiempo qué acciones debe tomar.
En el resumen de Work of the Future, Malone señaló que el aprendizaje automático es más adecuado para situaciones con muchos datos: miles o millones de ejemplos, como grabaciones de conversaciones anteriores con clientes, registros de sensores de máquinas o transacciones en cajeros automáticos. Por ejemplo, Google Translate fue posible porque “entrenó” sobre la gran cantidad de información en la web, en diferentes idiomas.
En algunos casos, el aprendizaje automático puede obtener información o automatizar la toma de decisiones en los casos en que los humanos no podrían hacerlo, dijo Madry. “Puede que no solo sea más eficiente y menos costoso tener un algoritmo que haga esto, sino que a veces los humanos literalmente no pueden hacerlo”, dijo.
La búsqueda de Google es un ejemplo de algo que los humanos pueden hacer, pero nunca a la escala y velocidad a la que los modelos de Google pueden mostrar respuestas potenciales cada vez que una persona escribe una consulta, dijo Malone. “Ese no es un ejemplo de computadoras que dejan a la gente sin trabajo. Es un ejemplo de computadoras que hacen cosas que no habrían sido remotamente factibles económicamente si tuvieran que ser hechas por humanos”.
El aprendizaje automático también está asociado con varios otros subcampos de inteligencia artificial:
Procesamiento natural del lenguaje
El procesamiento del lenguaje natural es un campo del aprendizaje automático en el que las máquinas aprenden a comprender el lenguaje natural tal como lo hablan y escriben los humanos, en lugar de los datos y números que normalmente se usan para programar computadoras. Esto permite que las máquinas reconozcan el idioma, lo entiendan y respondan, así como crear texto nuevo y traducir entre idiomas. El procesamiento del lenguaje natural permite tecnología familiar como chatbots y asistentes digitales como Siri o Alexa.
Redes neuronales
Las redes neuronales son una clase específica de algoritmos de aprendizaje automático de uso común. Las redes neuronales artificiales están modeladas en el cerebro humano, en el que miles o millones de nodos de procesamiento están interconectados y organizados en capas.
En una red neuronal artificial, las células o nodos están conectados, y cada célula procesa entradas y produce una salida que se envía a otras neuronas. Los datos etiquetados se mueven a través de los nodos o celdas, y cada celda realiza una función diferente. En una red neuronal entrenada para identificar si una imagen contiene un gato o no, los diferentes nodos evaluarían la información y llegarían a una salida que indica si una imagen presenta un gato.
Aprendizaje profundo
Las redes de aprendizaje profundo son redes neuronales con muchas capas. La red en capas puede procesar grandes cantidades de datos y determinar el “peso” de cada enlace en la red; por ejemplo, en un sistema de reconocimiento de imágenes, algunas capas de la red neuronal pueden detectar características individuales de una cara, como ojos, nariz, o boca, mientras que otra capa podría decir si esas características aparecen de una manera que indica una cara.
Al igual que las redes neuronales, el aprendizaje profundo se basa en la forma en que funciona el cerebro humano y potencia muchos usos del aprendizaje automático, como vehículos autónomos, chatbots y diagnósticos médicos.
“Cuantas más capas tenga, más potencial tendrá para hacer bien las cosas complejas”, dijo Malone.
El aprendizaje profundo requiere una gran cantidad de poder de cómputo, lo que plantea preocupaciones sobre su sostenibilidad económica y ambiental.
Cómo las empresas están utilizando el aprendizaje automático
El aprendizaje automático es el núcleo de los modelos de negocio de algunas empresas, como en el caso del algoritmo de sugerencias de Netflix o el motor de búsqueda de Google, Otras empresas se están involucrando profundamente con el aprendizaje automático, aunque no es su principal propuesta comercial.
Otros todavía están tratando de determinar cómo usar el aprendizaje automático de manera beneficiosa. “En mi opinión, uno de los problemas más difíciles del aprendizaje automático es descubrir qué problemas puedo resolver con el aprendizaje automático”, dijo Shulman. “Todavía hay una brecha en el entendimiento”.
En un artículo de 2018 , los investigadores de la Iniciativa del MIT sobre la economía digital describieron una rúbrica de 21 preguntas para determinar si una tarea es adecuada para el aprendizaje automático. Los investigadores descubrieron que el aprendizaje automático no afectará a ninguna ocupación, pero es probable que no se apodere por completo de ninguna ocupación. Los investigadores descubrieron que la forma de desencadenar el éxito del aprendizaje automático era reorganizar los trabajos en tareas discretas, algunas que se pueden realizar mediante el aprendizaje automático y otras que requieren un ser humano.
Las empresas ya están utilizando el aprendizaje automático de varias maneras, entre ellas:
Algoritmos de recomendación.
Los motores de recomendación detrás de las sugerencias de Netflix y YouTube, la información que aparece en su feed de Facebook y las recomendaciones de productos se basan en el aprendizaje automático. “[Los algoritmos] están tratando de aprender nuestras preferencias”, dijo Madry. “Quieren saber, como en Twitter, qué tweets queremos que nos muestren, en Facebook, qué anuncios mostrar, qué publicaciones o contenido que les gusta compartir con nosotros”.
Análisis de imágenes y detección de objetos.
El aprendizaje automático puede analizar imágenes en busca de información diferente, como aprender a identificar personas y distinguirlas, aunque los algoritmos de reconocimiento facial son controvertidos. Los usos comerciales para esto varían. Shulman señaló que los fondos de cobertura utilizan el aprendizaje automático para analizar la cantidad de automóviles en los estacionamientos, lo que les ayuda a aprender cómo se están desempeñando las empresas y hacer buenas apuestas.
Detección de fraude .
Las máquinas pueden analizar patrones, como cómo gasta alguien normalmente o dónde compra normalmente, para identificar transacciones de tarjetas de crédito potencialmente fraudulentas , intentos de inicio de sesión o correos electrónicos no deseados.
Líneas de ayuda automáticas o chatbots.
Muchas empresas están implementando chatbots en línea, en los que los clientes no hablan con humanos, sino que interactúan con una máquina. Estos algoritmos utilizan el aprendizaje automático y el procesamiento del lenguaje natural, y los bots aprenden de los registros de conversaciones anteriores para generar las respuestas adecuadas.
Coches autónomos.
Gran parte de la tecnología que hay detrás de los coches autónomos se basa en el aprendizaje automático, en particular en el aprendizaje profundo .
Imágenes médicas y diagnóstico.
Los programas de aprendizaje automático se pueden entrenar para examinar imágenes médicas u otra información y buscar ciertos marcadores de enfermedad, como una herramienta que puede predecir el riesgo de cáncer en función de una mamografía.
Cómo funciona el aprendizaje automático: promesas y desafíos
Si bien el aprendizaje automático está impulsando la tecnología que puede ayudar a los trabajadores o abrir nuevas posibilidades para las empresas, hay varias cosas que los líderes empresariales deben saber sobre el aprendizaje automático y sus límites.
Explicabilidad
Un área de preocupación es lo que algunos expertos llaman explicabilidad, o la capacidad de ser claro sobre lo que hacen los modelos de aprendizaje automático y cómo toman decisiones. “Entender por qué una modelo hace lo que hace es en realidad una pregunta muy difícil, y siempre tienes que preguntarte eso”, dijo Madry. “Nunca debes tratar esto como una caja negra, que solo viene como un oráculo… sí, debes usarlo, pero luego trata de tener una idea de cuáles son las reglas generales que se le ocurrieron. Y luego validarlos”.
Esto es especialmente importante porque los sistemas pueden ser engañados y socavados, o simplemente fallar en ciertas tareas, incluso aquellas que los humanos pueden realizar fácilmente. Por ejemplo, ajustar los metadatos en las imágenes puede confundir a las computadoras: con algunos ajustes, una máquina identifica una imagen de un perro como un avestruz
Madry señaló otro ejemplo en el que un algoritmo de aprendizaje automático que examina rayos X parecía superar a los médicos. Pero resultó que el algoritmo estaba correlacionando los resultados con las máquinas que tomaron la imagen, no necesariamente con la imagen en sí. La tuberculosis es más común en los países en desarrollo, que tienden a tener máquinas más antiguas. El programa de aprendizaje automático aprendió que si la radiografía se tomaba en una máquina más antigua, era más probable que el paciente tuviera tuberculosis. Completó la tarea, pero no en la forma en que los programadores pretendían o encontrarían útil.
La importancia de explicar cómo funciona un modelo, y su precisión, puede variar según cómo se use, dijo Shulman. Si bien la mayoría de los problemas bien planteados se pueden resolver mediante el aprendizaje automático, dijo, las personas deberían asumir en este momento que los modelos solo funcionan con aproximadamente el 95% de la precisión humana. Puede estar bien para el programador y el espectador si un algoritmo que recomienda películas tiene una precisión del 95 %, pero ese nivel de precisión no sería suficiente para un vehículo autónomo o un programa diseñado para encontrar fallas graves en la maquinaria.
Sesgo y resultados no deseados
Las máquinas son entrenadas por humanos, y los sesgos humanos se pueden incorporar a los algoritmos: si se alimenta información sesgada o datos que reflejan las desigualdades existentes en un programa de aprendizaje automático, el programa aprenderá a replicarlo y perpetuar las formas de discriminación. Los chatbots entrenados en cómo las personas conversan en Twitter pueden detectar lenguaje ofensivo y racista , por ejemplo.
En algunos casos, los modelos de aprendizaje automático crean o exacerban problemas sociales. Por ejemplo, Facebook ha utilizado el aprendizaje automático como una herramienta para mostrar a los usuarios anuncios y contenido que les interesará y atraerá, lo que ha llevado a modelos que muestran a las personas contenido extremo que conduce a la polarización y la difusión de teorías de conspiración cuando se muestra a las personas de manera incendiaria, partidista. , o contenido inexacto.
Maneras de luchar contra el sesgo en el aprendizaje automático, incluida la investigación cuidadosa de los datos de capacitación y el apoyo organizacional detrás de los esfuerzos éticos de inteligencia artificial, como asegurarse de que su organización adopte la IA centrada en el ser humano , la práctica de buscar aportes de personas de diferentes orígenes, experiencias y estilos de vida cuando diseño de sistemas de IA. Las iniciativas que trabajan en este tema incluyen el proyecto Algorithmic Justice League y The Moral Machine .
Poner el aprendizaje automático a trabajar
Shulman dijo que los ejecutivos tienden a tener dificultades para comprender dónde el aprendizaje automático puede realmente agregar valor a su empresa. Lo que es ingenioso para una empresa es fundamental para otra, y las empresas deben evitar las tendencias y encontrar casos de uso comercial que funcionen para ellos.
El aprendizaje automático está cambiando, o cambiará, en todas las industrias, y los líderes deben comprender los principios básicos, el potencial y las limitaciones.
Alejandro Madry
Profesor de Ciencias de la Computación del MIT
Cuota
La forma en que funciona el aprendizaje automático para Amazon probablemente no se traducirá en una compañía de automóviles, dijo Shulman, aunque Amazon ha tenido éxito con los asistentes de voz y los parlantes operados por voz, eso no significa que las compañías de automóviles deban priorizar agregar parlantes a los automóviles. Lo más probable, dijo, es que la compañía de automóviles podría encontrar una manera de utilizar el aprendizaje automático en la línea de producción que ahorre o genere una gran cantidad de dinero.
“El campo se está moviendo tan rápido, y eso es increíble, pero hace que sea difícil para los ejecutivos tomar decisiones al respecto y decidir cuántos recursos invertir en él”, dijo Shulman.
También es mejor evitar ver el aprendizaje automático como una solución en busca de un problema, dijo Shulman. Algunas empresas podrían terminar intentando respaldar el aprendizaje automático en un uso comercial. En lugar de comenzar con un enfoque en la tecnología, las empresas deberían comenzar con un enfoque en un problema comercial o una necesidad del cliente que podría satisfacerse con el aprendizaje automático.
Una comprensión básica del aprendizaje automático es importante, dijo LaRovere, pero encontrar el uso correcto del aprendizaje automático depende en última instancia de que personas con diferentes conocimientos trabajen juntas. “No soy un científico de datos. No estoy haciendo el trabajo de ingeniería de datos real (toda la adquisición, el procesamiento y la disputa de datos para habilitar las aplicaciones de aprendizaje automático), pero lo entiendo lo suficientemente bien como para poder trabajar con esos equipos para obtener las respuestas que necesitamos y tener el impacto. necesitamos”, dijo. “Realmente tienes que trabajar en equipo”.
Relacionado Nuve :
INTELIGENCIA ARTIFICIAL PARA EFICIENTAR LOS TRÁMITES DE GOBIERNO