Las nuevas tecnologías llegan agrupadas. ¿Qué significa esto para la IA?

El potencial -y el bombo publicitario- que rodea al aprendizaje automático, la inteligencia artificial y, especialmente, la IA generativa está en todas partes. Algunos predicen una serie completa de avances que "esto lo cambia todo" en todas las industrias, para todas las profesiones y para las personas en su vida pública y privada. Esta tecnología no tiene rival a la hora de reconocer patrones en los datos, y sus defensores sostienen que tiene el potencial de ser un enorme laboratorio de investigación que nunca deja de funcionar, un rompedor de paradigmas que desbloquea la creatividad humana, un acelerador del ingenio humano y una ventana a la realidad que actualmente está fuera de nuestro alcance. Sundar Pichai, de Google, compara su potencial con el fuego y la electricidad. Yo también estoy realmente entusiasmado, aunque de forma algo más reservada. Hoy en día, la IA ofrece oportunidades para mejorar la productividad, que ha permanecido estancada durante mucho tiempo, y para abordar problemas hasta ahora insolubles, como la búsqueda de fármacos resistentes a los antibióticos, la comprensión de cómo se pliegan las proteínas y el hallazgo de materiales con las propiedades necesarias para construir mejores baterías. Éxitos impresionantes que van desde el motor de recomendación de Amazon hasta el diseño de la próxima generación de drivers de Callaway Golf, pasando por los esfuerzos de PepsiCo para fabricar Cheetos más consistentes ayudan a justificar el entusiasmo. Pero también creo que el progreso llevará más tiempo y resultará mucho más difícil de lo que la mayoría espera, especialmente en entornos comerciales. Como explicaré, el éxito con la IA exige esfuerzos concertados que van mucho más allá de la tecnología. Por lo tanto, exigen el pleno compromiso de los máximos responsables de una empresa. Es importante señalar que la IA ha generado un considerable entusiasmo en el pasado, sofocado por los inviernos de la IA a mediados de los setenta y principios de los noventa. Y hace sólo tres años, en 2020, The Economist señalaba que "es improbable que se produzca otro invierno en toda regla. Pero se está levantando una brisa otoñal". Como ejemplo, los coches autoconducidos se beneficiaron de una inversión considerable, y siempre parecen estar "a la vuelta de la esquina", pero es más probable que estén a décadas de distancia. Además, durante la pandemia, cuando los conocimientos eran primordiales, ninguna de los cientos de herramientas de IA construidas para atrapar al Covid ha pasado el examen. De hecho, la tasa de fracaso de los proyectos de IA parece situarse por encima del 80%. Por último, un estudio reciente realizado por investigadores de Meta (antes Facebook) en condiciones controladas sugiere que los grandes modelos lingüísticos no aciertan dos tercios de las veces. Aun así, me preocupa menos la tecnología per se y más los demás avances que deben acompañar a la IA. Porque la historia sugiere que se necesita una amplia gama de tecnologías relacionadas, innovaciones organizativas y acomodaciones entre las nuevas tecnologías y la sociedad para que florezca cualquier nueva tecnología. Utilizaré la electrificación y la imprenta para ilustrar estos puntos, y luego exploraré cómo se aplican a la IA. Como señaló el economista político austriaco Joseph Schumpeter, las tecnologías de éxito tienden a llegar en grupos. Con la electrificación llegaron las dinamos, los generadores, los conmutadores y los sistemas de distribución de energía. Con la imprenta llegaron las tecnologías para fabricar grandes cantidades de papel y tinta baratos. Y, aunque no se trata de una tecnología en sí, se necesitaban nuevos materiales además de la Biblia y otros clásicos para alimentar la demanda de materiales impresos. Un solo componente que falte puede impedir la adopción de la nueva tecnología. Hoy en día, por ejemplo, la falta de suficientes estaciones de carga rápida está frenando el avance de los coches eléctricos. Además, las nuevas tecnologías requieren nuevas capacidades organizativas. Aunque los beneficios de la electricidad y los motores eléctricos eran fáciles de ver, exigieron que se rediseñaran las fábricas. Se necesitaron 40 años de aprendizaje, experimentación e inversión en múltiples frentes para electrificar completamente la fábrica. Del mismo modo, se necesitó más o menos ese tiempo para que surgiera una industria editorial que ayudara a ajustar la oferta, la demanda y el precio. Tarde o temprano, las nuevas tecnologías y las sociedades deben acomodarse unas a otras. Al principio, la electricidad era peligrosa: ¡tocar por error un cable con corriente podía resultar fatal! Con el tiempo, los enchufes y clavijas estándar ayudaron a mitigar esa preocupación. Pocas personas sabían leer cuando se inventó la imprenta. Pero a medida que las sociedades se alfabetizaban, los beneficios de la imprenta aumentaron. Observar estas agrupaciones del pasado puede ayudarnos a entender el momento en el que nos encontramos ahora, y cómo podría ser realmente el futuro de la IA. Obstáculos para la adopción de la IA Cada una de estas áreas presenta barreras formidables para la adopción generalizada de la IA. (Al utilizar el término inteligencia artificial, o IA, estoy lanzando una amplia red, que incluye el aprendizaje automático, el aprendizaje profundo, la visión por ordenador, el procesamiento del lenguaje natural, la robótica, los sistemas expertos, la lógica difusa y otras áreas de tareas típicamente asociadas a la inteligencia humana). En primer lugar, consideremos las tecnologías relacionadas con la IA. Las dos más importantes son la potencia informática masiva y las grandes cantidades de datos de alta calidad. Los modelos cada vez más sofisticados requieren más potencia informática, que, como predice la Ley de Moore, parece estar creciendo a buen ritmo. Probablemente no lo suficientemente rápido para los que están en la vanguardia, pero sí bastante rápido para la mayoría de los usos comerciales. La situación es más compleja cuando se trata de "grandes cantidades de datos de alta calidad". Al enseñar a una IA a jugar al ajedrez, por ejemplo, los investigadores proporcionaron al algoritmo las reglas y le ordenaron que jugara partidas contra sí mismo, obviando los problemas de calidad del mundo real. Por el contrario, la mala calidad de los datos hundió la entrada inicial de Watson de IBM en la atención sanitaria. Para subrayar aún más la importancia de los datos de alta calidad, los investigadores suelen reconocer que los modelos de IA actuales no serían posibles sin los datos de alta calidad y confianza extraídos de Wikipedia. Todo esto es lógico: Incluso una tecnología tan extraordinaria como la IA no puede producir resultados mejores que sus datos. Y en la mayoría de los entornos comerciales, los problemas de calidad se parecen mucho más a Watson que a las prístinas circunstancias del ajedrez. Los requisitos de calidad para el entrenamiento, la actualización y el funcionamiento de los modelos de IA son amplios, profundos y, en algunos casos, poco conocidos. Por ejemplo, aunque parece que el chatbot Tay de Microsoft estaba bien entrenado en el discurso normal, el contenido generado por los usuarios le enseñó rápidamente a imitar el discurso del odio. Para agravar esta situación, las arquitecturas de datos y sistemas de muchas empresas son cada vez más desordenadas y caóticas. Esto hace que poner los datos en forma para aplicar herramientas de IA sea mucho más difícil, lo que agrava los problemas de calidad. Esta situación me parece paradójica. Por lo que sé, todos los implicados comprenden la importancia de los datos de alta calidad. Algunos profesionales admiten en privado que los datos son la parte más importante de cualquier proyecto de IA. Pero las empresas ni siquiera han puesto a alguien a cargo, y mucho menos han elaborado el programa completo que necesitarán para asegurarse de que disponen de los datos de alta calidad que necesitan. Tal vez, como señalan los investigadores de Google, "todo el mundo quiere hacer el trabajo del modelo, no el de los datos". Pero hasta que no se haga ese trabajo de datos, es difícil que surjan buenos modelos y que la IA tenga éxito. Consideremos ahora las cuestiones relacionadas con las capacidades organizativas necesarias para poner a trabajar la IA. Éstas pueden resultar tan difíciles como las cuestiones de calidad. Considero que la penetración de técnicas analíticas básicas, aunque potentes, es ampliamente instructiva aquí porque tanto ésta como la IA dependen en gran medida de los datos. Estas herramientas existen desde hace al menos dos generaciones. Pero aparte de los informes básicos, la mayoría de las organizaciones siguen sin utilizarlas mucho o bien. Y estas herramientas son mucho más fáciles de entender que los modelos de IA. La desafortunada realidad es que la analítica está atornillada a las organizaciones, en lugar de integrada en ellas, lo que prácticamente garantiza una lucha perpetua por la relevancia. Es difícil ver un futuro brillante para la IA hasta que se resuelva este problema estructural. El segundo gran problema organizativo es que los empleados se resisten a las innovaciones que amenazan sus puestos de trabajo. Y aunque la IA puede reducir la monotonía en el trabajo, hacer que los empleados sean más productivos y provocar un crecimiento del empleo, la mayoría tiene razón al estar preocupada. Después de todo, un trabajo monótono no es mejor que ningún trabajo cuando ayuda a alimentar a una familia. Entonces, ¿cómo trabajarán juntos los empleados y la IA? ¿Debería esperarse que los empleados ayuden a crear una IA que les sustituya? ¿Para explicar y/o limpiar los datos de entrenamiento? En situaciones en las que la IA les sustituya, ¿cómo deberían ser compensados? En las situaciones en las que la IA hace que las personas sean más eficaces y/o eficientes, ¿deberían recibir una remuneración mayor? No hay respuestas fáciles. Un último punto relativo al personal. Aunque la IA generativa es fácil de utilizar, desarrollar y desplegar la mayor parte de la IA requiere grandes talentos. Sin embargo, demasiados científicos de datos sienten que su talento se desperdicia. Como dijo un veterano: "Me parece que la mayoría de los científicos de datos están increíblemente frustrados porque no están teniendo mucho impacto". No es de extrañar. Encontrar algo novedoso que la empresa utilice realmente e implantar un modelo en la práctica es increíblemente difícil. Peor aún es lidiar con la burocracia, los problemas de calidad y los temores de quienes se ven afectados por su trabajo. Las empresas que esperan atraer y retener a los mejores talentos deben abordar estas frustraciones. En tercer y último lugar, hay que considerar las cuestiones de que los humanos/la sociedad y la IA lleguen a acomodarse mutuamente. Como ya se ha señalado, algunos creen que la IA elevará a la humanidad, mientras que otros creen que la IA amenaza a la civilización. Así pues, estas cuestiones ya están generando una enorme atención, aunque hasta ahora poco acuerdo, a nivel nacional e internacional. Aunque sólo unas pocas empresas tendrán mucha influencia en esos niveles, la mayoría se verá obligada a adoptar una postura en algunos, como por ejemplo: ¿Cuáles son las normas con las que las empresas deben comparar sus IA? Existen numerosos informes sobre muertes causadas por coches autoconducidos. Pero las personas distan mucho de ser conductores perfectos y sus errores también matan a mucha gente. ¿El objetivo es "cero accidentes" o "menos accidentes"? ¿Deberían las empresas compensar a los particulares por facilitar sus datos? ¿Deberían pagar más por los datos correctos garantizados? ¿Cómo deberían afectar a los planes de las empresas las cuestiones de seguridad nacional, como la competencia entre EE.UU. y China? La IA se parece mucho a una "caja negra": no da buenas explicaciones de cómo ha llegado a sus conclusiones. Así pues, las empresas deben empezar a pensar en cómo van a abordar preguntas legítimas como "¿Por qué me ha denegado el préstamo?". ¿Qué hacer? Probablemente sea un buen momento para hacer balance. ¿Está su empresa asumiendo plenamente los retos en materia de datos, organización y sociedad que requiere la IA y está su alta dirección plenamente comprometida? Si es así, habrá aumentado sus posibilidades de éxito. Buena suerte. O bien, ¿la gran mayoría de su trabajo se centra en la tecnología, quizá dirigida por su director de análisis y/o su grupo tecnológico? Si es así, pregúntese si está preparado para toda la gama de trabajo sobre los datos, la organización y las cuestiones de sociedad/personas necesarias para obtener resultados empresariales significativos. Si no es así, mejor mantener la pólvora seca. Si es así, el trabajo realmente duro e importante aún está por delante. Simplemente debe conseguir que sus dirigentes de más alto nivel se impliquen en el esfuerzo. No hay un guión establecido para hacerlo. También debe empezar a trabajar en las cuestiones relativas a los datos y la organización descritas anteriormente. Le recomiendo dos pasos para ayudarle a empezar: Para la calidad de los datos, haga algunas mediciones para saber en qué punto se encuentra. A continuación, realice algunas mejoras encontrando y eliminando las causas fundamentales de los errores. Para desarrollar el músculo organizativo que necesita, lleve a cabo varios "pequeños proyectos de datos", en los que participen equipos de personas centrados en mejorar sus propios procesos de trabajo. También recomiendo dos pasos más, anticipándose a la decisión de lanzarse de cabeza al esfuerzo: Explore la empresa en busca de datos patentados, cosas que usted tenga y que otros no puedan igualar. Esto es importante porque es poco probable que cree una ventaja sostenida con datos a los que sus competidores también puedan acceder. Refuerce sus capacidades de gestión del cambio. Independientemente de lo que funcione mejor, poner la IA a trabajar requerirá un cambio masivo. Empiece a crear la ayuda profesional que necesitará. La IA no es fácil El bombo publicitario que rodea a la IA hace que parezca mucho más fácil de lo que es. ¡No se deje embaucar! Es fácil "jugar" en el cajón de arena de la IA. Pero hacer que realmente sea payoff, a escala, en toda la empresa requiere un trabajo serio, de arriba abajo y en toda la empresa. La tecnología es casi con toda seguridad el más manejable de los esfuerzos necesarios. También se necesitan datos de alta calidad y algunos cambios organizativos difíciles, todo ello con el telón de fondo de la aceptación social. ¡La IA es sólo para los que están en esto a largo plazo!

Las nuevas tecnologías llegan agrupadas. ¿Qué significa esto para la IA?

Resumen.

Partner Center