Like A Girl

Pushing the conversation on gender equality.

Code Like A Girl

5 componentes que la inteligencia artificial debe poseer para tener éxito

Contenido obtenido de https://goo.gl/m42raX por Ayesha Wallayat y traducido al español por Natalia Fernández Pintos para Code Like a Girl

Parece que que sólo hace unos años el término “Big Data” pasó de un área prometedora de investigación e interés a algo tan ubicuo que perdió todo significado, descendiendo por fin a ser el hazmerreír.

Afortunadamente, el ruido asociado con el “Big Data” se está reduciendo, mientras la sofisticación y el sentido común se están estableciendo. De hecho, en muchos círculos, el término en realidad expone al usuario como alguien que en realidad no entiende este área. Desafortunadamente, el mismo mal está afectando a la inteligencia artificial (AI). Todas las personas que conozco están fingiendo “hacer AI”.

La AI es, desafortunadamente, el nuevo “Big Data”. Aunque no es bueno, tampoco es del todo malo. A fin de cuentas, el ecosistema de datos se benefició de toda la atención e inversión en “Big Data”, creando software increíble y produciendo unas ganancias en productividad excepcionales.

Lo mismo ocurrirá con la AI — con el aumento de la atención vienen los dólares de inversión que a su vez impulsan la adopción — mejorando el ecosistema.

Pero hay que lanzar una pregunta — ¿Qué se clasifica como AI?

En primer lugar, la definición actual de AI está enfocada en la AI limitada, específica a aplicaciones, no en el problema más general de inteligencia artificial general (AGI), donde simular a una persona utilizando software es el equivalente de inteligencia.

En segundo lugar, la inmensa mayoría de información que existe en el mundo está sin etiquetar. No es práctico etiquetar los datos manualmente, y hacer esto probablemente crea sesgos. La información sin etiquetar presenta un desafío diferente, pero el punto esencial aquí es que está en todas partes y representa la clave para extraer valor empresarial, o cualquier tipo de valor.

En tercer lugar, no estamos produciendo científicos de datos a una velocidad que pueda mantener el ritmo del crecimiento de la información. Incluso con el apodo de “el trabajo más sexy del siglo XXI”, el paso al que los científicos de datos se crean no se acerca al ratio de crecimiento que estamos viendo en la información.

En cuarto lugar, los científicos de datos, en mayor parte, no son diseñadores UX ni gerentes de producto, o en muchos casos, ni siquiera ingenieros. Como resultado, los expertos en la materia en cuestión — aquellos que están en el negocio — no tienen interfaces efectivas para los resultados del análisis de datos. Las interfaces que tienen — PowerPoint, Excel o informes en PDF — tienen utilidad limitada en transformar las conductas de una compañía. Lo que se requiere es algo que dé forma a las conductas y aplicaciones.

Entonces, ¿qué cualifica como inteligencia? Aquí hay una opinión sobre lo que la AI debería tener, incluye una estructura. Algunos de estos elementos pueden parecer evidentes porque se toman como un único elemento. La inteligencia tiene un contexto más amplio. Todos los elementos deben trabajar en conjunción con los demás para cualificar como AI.

Descubrir

El descubrimiento es la habilidad de un sistema inteligente para aprender de datos sin intervención humana por adelantado. A menudo, esto necesita hacerse sin la presentación de un objetivo explícito. Para ello, depende del uso de técnicas de aprendizaje automático sin supervisar o parcialmente supervisadas (tales como la segmentación, reducción de la dimensionalidad, detección de anomalías y otras más), así como técnicas más supervisadas donde hay uno o varios resultados de interés.

Generalmente, en software empresarial, el término descubrimiento se refiere a la habilidad de soluciones ETL/MDM para descubrir los diversos esquemas de tablas en bases de datos de gran tamaño y automáticamente encontrar, unir claves, etc. Esto no es a lo que nos referimos con descubrimiento. Usamos el término de forma muy diferente y esto tiene implicaciones importantes.

En conjuntos de datos complejos, es prácticamente imposible hacer las preguntas “correctas”. Para descubrir qué valor se encuentra entre la información, uno debe comprender todas las relaciones que son inherentes e importantes en ella. Esto requiere una metodología rigurosa en cuanto a la generación de hipótesis.

La técnica de análisis topológico de datos (TDA) es excepcional en hacer surgir relaciones ocultas que existen en los datos e identificar aquellas relaciones que son significativas sin tener que preguntar cuestiones específicas respecto a la información. El resultado es un producto que puede representar fenómenos complejos, y por tanto puede hacer surgir señales más débiles así como señales más fuertes.

Esto permite la detección de fenómenos emergentes. Como resultado, las empresas ahora pueden descubrir respuestas a preguntas que ni siquiera habían pensado preguntar y hacerlo con datos que se encuentran sin etiquetar.

Predecir

Una vez que el conjunto de datos se ha comprendido mediante descubrimiento inteligente, se aplican estrategias supervisadas para predecir qué pasará en el futuro. Estos tipos de problemas incluyen clasificación, regresión y ranking.

Para este pilar, muchas compañías usan un conjunto estándar de algoritmos de aprendizaje automático supervisado, incluyendo bosques aleatorios, potenciación del gradiente, aprendizaje lineal/disperso. De todos modos, hay que tener en cuenta que el trabajo sin supervisar del paso anterior es altamente útil en muchas formas. Por ejemplo, puede generar características relevantes que usar en futuras tareas de predicción, o encontrar porciones locales de información donde los algoritmos supervisados pueden encontrar dificultades (errores sistemáticos).

Esta fase de predicción es una parte importante del valor empresarial que se asocia con la ciencia de datos; de todos modos, generalmente en análisis predictivos existe la noción de que esto es la suma total del aprendizaje automático. Este no es el caso en absoluto.

La predicción, aunque importante, está muy bien comprendida y no se califica por sí misma como “inteligencia”. Además, la predicción puede fallar en varias dimensiones, particularmente si los grupos en los cuales se está prediciendo están sujetos a algún tipo de sesgo. De por sí, la predicción no es AI, y debemos dejar de referirnos a ella como tal.

Justificar

Las aplicaciones necesitan permitir la interacción con humanos de una manera en que los resultados sean reconocibles y creíbles. Por ejemplo, cuando uno crea un modelo predictivo, es importante tener una explicación de cómo el modelo hace lo que está haciendo, qué están haciendo las características en el modelo, en términos que sean familiares para sus usuarios. Este nivel de familiaridad es importante para generar confianza e intuición.

Similarmente en la misma manera que los automóviles tienen mecanismos no sólo para detectar la presencia de un mal funcionamiento, sino también para especificar la naturaleza del fallo y sugerir un método para corregirlo, uno tiene que poseer una comprensión de los principios básicos acerca de cómo funciona una aplicación para poder “repararla” cuando funciona incorrectamente.

Hay una diferencia entre transparencia y justificación. La transparencia te dice qué algoritmos y parámetros se han usado, mientras que la justificación te dice por qué. Para que la inteligencia sea significativa, debe ser capaz de justificar y explicar sus afirmaciones, así como ser capaz de diagnosticar fallos. Ningún líder debería implementar aplicaciones inteligentes y autónomas para problemas empresariales críticos sin una comprensión exhaustiva de qué variables impulsan el modelo. Las empresas no pueden moverse hacia un modelo de aplicaciones inteligentes sin confianza y transparencia.

Actuar

La AI sin UX (Experiencia de Usuario) es de utilidad limitada. La UX es lo que distribuye dicha inteligencia a través de la organización y la lleva al límite — donde puede ser consumida por los profesionales y expertos en la materia.

Básicamente, el proceso de operacionalizar una aplicación inteligente en una empresa requiere algunos cambios en la organización, una aceptación de que la aplicación evolucionará con el tiempo, y que requerirá cambios — automatizados o no.

Para que ello ocurra, las aplicaciones inteligentes tienen que estar “en vivo” en el proceso empresarial, viendo nuevos datos y automáticamente ejecutando el bucle de descubrir, predecir, justificar en una frecuencia que tenga sentido para dicho proceso empresarial. Para algunos procesos, esto puede ser trimestral, para otros, a diario. Dicho bucle puede incluso ser medido en segundos.

Aprender

Los sistemas inteligentes están diseñados para detectar y reaccionar a medida que la información evoluciona. Un sistema inteligente es uno que siempre está aprendiendo, vive en el proceso de trabajo y está mejorando de forma constante. En el mundo de la información moderna, una aplicación que no está volviéndose más inteligente se está volviendo más tonta.

Las aplicaciones inteligentes están diseñadas para detectar y reaccionar cuando las distribuciones de datos evolucionan. Como resultado, necesitan estar “en línea” para detectar estos fenómenos antes de que se conviertan en un problema.

Demasiadas soluciones proveen una respuesta en un punto en el tiempo; un sistema inteligente es uno que siempre está aprendiendo a través de la infraestructura descrita aquí. Esto es lo que define la inteligencia — no un algoritmo de aprendizaje automático soltando PDFs que contienen predicciones o resultados del trabajo de un científico de datos. Para que la industria continúe creciendo y evolucionando, necesitamos empezar a hacer un mejor trabajo al reconocer lo que es verdaderamente AI y lo que no lo es.

Virtelligence combina amplia experiencia de asesoramiento en IT con innovación en dotación de personal para proveer a nuestros clientes con un rango de soluciones de asesoramiento para ayudar a mejorar su desempeño general en IT. Contacta a nuestros consultores hoy para todas tus necesidades de IT.

Contenido obtenido de:

https://www.healthdatamanagement.com/opinion/5-components-that-artificial-intelligence-must-have-to-succeed