Manual de Inteligencia Artificial 1ª Parte -¿Qué es la Inteligencia Artificial? ¿Como funciona?


 La definición en sí misma consiste en dos palabras unidas: "artificial" e "inteligencia". Lo artificial es algo que se simula, que no es real, sin embargo tampoco es que sea algo falso en el sentido de ser una estafa. La mejor manera de describir lo artificial es pensando en el césped que se utiliza para cubrir el terreno de algunos estadios de deportes. El césped es artificial, pero funciona de una forma similar al césped real. Es mucho más fácil de cuidar, más resistente y se utiliza ampliamente en muchos deportes. El punto es que se pueden usar objetos artificiales en lugar de cosas genuinas porque las primeras son mejores en ciertas situaciones. Inteligencia es un término complejo. Se puede decir que es la lógica, la autoconciencia, el aprendizaje, el conocimiento emocional, la conciencia, la planificación, la creatividad, la lista continúa. Los humanos son la especie más inteligente porque tenemos algo de lo que carecen todos los demás animales. Podemos percibir nuestro entorno, comprender, entender y tomar acciones basadas en lo que hemos aprendido. Se puede decir que los animales pueden hacer lo mismo hasta cierto punto. Sin embargo, nuestro cerebro evolucionó exponencialmente hasta que inventamos el lenguaje para comunicarnos mejor con los demás, así como herramientas para interactuar mejor con nuestro entorno.


 También inventamos las armas para poder ascender por la cadena alimenticia hasta llegar a la cima como especie dominante. Tanto los humanos como los animales tienen inteligencia natural. La desarrollamos de forma natural a través del laborioso proceso evolutivo. Si bien la existencia de inteligencia en las plantas es discutible, se ha demostrado que muestran su inteligencia de manera diferente a la de los seres humanos o los animales. Las plantas no tienen cerebro ni red neuronal, pero aún así son plenamente capaces de reaccionar a su entorno. Un ejemplo perfecto de esto es un estudio en el que se cultiva una flor dentro de una caja oscura con sólo un pequeño agujero a través del cual podría pasar la luz solar. A medida que la flor crece, se inclina hacia la luz, indicando que las plantas también pueden reaccionar a su entorno aunque no tengan ningún sistema nervioso. La inteligencia observada en las plantas es un tema intrigante porque no es tan fácil de observar como la de los humanos o los animales. Ahora, hay otro tipo de inteligencia conocida como inteligencia artificial. En términos generales, se trata de la simulación del proceso de inteligencia humana mediante máquinas. Tal inteligencia se encuentra en los sistemas informáticos.

 La IA tiene algunas características similares a la inteligencia humana, como la planificación, la resolución de problemas, la representación del conocimiento, el movimiento, el aprendizaje y muchas otras cosas. Existen dos tipos principales de IA: IA reducida y IA general.

La IA reducida se encuentra en las computadoras. Estas IA aprenden y se les enseña a realizar tareas específicas sin ser programadas explícitamente. Un ejemplo perfecto es la capacidad de reconocimiento de voz y lenguaje en Siri, que es un asistente virtual en iPhones. Otro ejemplo son los sistemas de reconocimiento de la visión en los coches de autoconducción o las IA que funcionan entre bastidores y que ofrecen publicidad en sitios web que son relevantes para los espectadores en función de su historial de búsqueda y de sus actividades en Internet. Estas IA se llaman IA reducida o restringida porque sólo pueden aprender o enseñar a realizar una tarea específica. Las IA reducidas pueden hacer muchas cosas, como interpretar las fuentes de vídeo de los aviones no tripulados de vigilancia o tareas mundanas como organizar documentos personales y empresariales. Son capaces de responder a las preguntas de los clientes y coordinarse con otras IA para reservar una habitación de hotel al precio y ubicación adecuados. También se han utilizado en aplicaciones avanzadas como la detección de tumores cancerosos potenciales en rayos X, la detección de desgaste en ascensores o la señalización de contenidos inapropiados en línea. Por otro lado, la IA general es una entidad completamente diferente. Tiene la misma inteligencia adaptable que se encuentra en los humanos, a diferencia de la IA reducida que sólo puede aprender a hacer una cosa. Esta flexibilidad permite que las IA generales construyan hojas de cálculo, te corten el pelo y conduzcan sin chocar con las personas.

Este es el tipo de IA que se muestra en la película de Terminator. Sin embargo, hasta ahora no existe aún y los expertos en IA siguen debatiendo si alguna vez será una realidad. Según una encuesta realizada en 2013 por los investigadores de la IA, el filósofo Nick Bostrom, Vincent C. Müllet, así como otros cuatro grupos de expertos, informaron de una sólida probabilidad del 50% de que AGI (Artificial General Intelligence) se desarrollara entre 2040 y 2050. Incluso si ese no es el caso, entonces las posibilidades son de hasta un 90% para el año 2075. Según la encuesta, también se prevé la aparición de la superinteligencia. Según Bostrom, la superinteligencia es un intelecto que supera con creces el rendimiento cognitivo humano en todos los ámbitos de interés. Se espera que su aparición se produzca sólo 30 años después del desarrollo de AGI.

Aún así, esas son sólo especulaciones y muchos expertos en IA siguen siendo escépticos sobre esta proyección. Su razonamiento principal es que todavía no entendemos nuestro propio cerebro. Por lo tanto, es teóricamente imposible desarrollar cualquier cosa que imite al cerebro humano.
 AGI puede que todavía esté a unos cuantos siglos de nosotros. Cualquiera que sea su posición, hay un evento que pone la capacidad de la IA en el centro de atención del público en general.

 En 2017, hubo una demostración de la capacidad de la IA. OpenAI, una startup respaldada por Elon Musk, creó IA que podían derrotar a los mejores jugadores de Dota 2 del mundo. Dota 2 es un juego increíblemente complejo en el que dos equipos de cinco jugadores compiten para destruir la base del otro. Debido a que hay más de 100 personajes jugables con sus propias habilidades únicas, sin mencionar que hay docenas de objetos con efectos únicos propios, es imposible comprender la complejidad del juego porque hay literalmente millones de combinaciones diferentes entre las que un jugador puede elegir. Debido a esta complejidad y competitividad, es uno de los e-sports más famosos del mundo, con torneos anuales organizados por Valve. En ese año, hubo un segmento sorpresa en el que los finalistas tuvieron que competir contra un bot de OpenAI. Según los ingenieros de OpenAI, los robots aprendieron lo suficiente sobre el juego para vencer a los jugadores profesionales, aunque les llevó tiempo. Durante ese tiempo, el robot acumuló toda una vida de experiencia utilizando una red neuronal, sin mencionar que ejecuta varias instancias de sí mismo en la simulación acelerada de juegos para acelerar el proceso de aprendizaje. Todo comenzó con unas pocas instrucciones. Al bot se le dijo que morir es malo, hacer daño al enemigo es bueno, etc. Luego, el robot aprende a explorar el entorno, aprende la mecánica profunda del juego y, finalmente, se vuelve lo suficientemente competente como para competir contra jugadores humanos profesionales con un grado relativamente alto de éxito. Una vez más, el bot aprendió lo suficiente para igualar la habilidad de los jugadores de clase mundial en sólo dos semanas, mientras que los propios jugadores humanos tardaron varios años en llegar a donde están hoy en día. Además, tampoco es un simple juego de tres en raya. Es un juego de estrategia y planificación con una complejidad abrumadora. Este es un buen ejemplo para demostrar la aterradora capacidad de la IA a través del aprendizaje automático. Entonces, ¿qué es el aprendizaje automático?



Aprendizaje automático

Es un proceso en el que un bot recopila una gran cantidad de datos antes de comprender y aprender a realizar una determinada tarea basándose en los datos dados. A través del aprendizaje automático, el bot es capaz de reconocer el habla y subtitular una foto. La clave es la red neuronal.




La Red Neural

Se inspira en el cerebro porque ambos comparten ciertos rasgos. En la red neuronal, hay varias capas interconectadas de algoritmos o códigos llamados neuronas. Estos códigos o algoritmos introducen datos en otros códigos o algoritmos para crear un sistema complejo que puede ser entrenado para llevar a cabo tareas específicas. Todo lo que necesita son unas sencillas instrucciones que resaltan ciertos atributos cruciales para introducir datos cuando pasa a través de cada capa. Puede sonar complicado, y lo es. Básicamente, las redes neuronales funcionan igual que nuestro cerebro. Cada neurona tiene una tarea específica y está conectada a la siguiente neurona. Es posible entender exactamente lo que hace una neurona en el cerebro humano. Puedes tomar un grupo de neuronas y estudiarlo, y podrías ser capaz de entender su propósito general como lo han hecho muchos científicos.





 Lo mismo podría decirse de la red neuronal en una IA. Una sola línea de código puede ser estudiada, y el propósito general de un conglomerado puede ser comprendido. Sin embargo, todo el sistema es un misterio. Sin embargo, todo el mundo sabe que simplemente funciona. También existe un subconjunto de aprendizaje automático conocido como aprendizaje profundo. Aquí, las redes neuronales se expanden en muchas redes con un gran número de capas para interpretar una gran cantidad de datos. Estas redes neuronales empujaron la capacidad de computación de muchas computadoras para realizar tareas como el reconocimiento del habla y la visión computarizada. Además, las redes neuronales son de muchos tipos, y todas tienen sus propias fortalezas y debilidades.



Por ejemplo, las redes neuronales recurrentes son muy adecuadas para el procesamiento del lenguaje, así como para el reconocimiento de voz, que se encuentra en Siri, el asistente virtual del iPhone entre otros bots. Las redes neuronales de convolución son más adecuadas para reconocer imágenes, de las cuales una se encuentra en Google Translate, en el que se puede escanear una imagen en busca de palabras y traducirlas. Los diseños de estas redes neuronales también están evolucionando mientras hablamos. Los investigadores están trabajando duro para crear una forma más eficaz y eficiente de red neural profunda llamada LTSM (Long Short-Term Memory) para que las redes neurales tengan suficiente potencia de cálculo para satisfacer la demanda de muchos sistemas como Google Translate.

El modelo evolutivo o computación evolutiva es otra de las áreas de investigación de la IA que utiliza la famosa teoría de la selección natural de Darwin. La supervivencia del más apto. En este caso, la supervivencia del mejor bot. aquí, los algoritmos genéticos sufren mutaciones completamente aleatorias, así como combinaciones entre generaciones en un intento de crear la solución correcta a un problema. Piensa en ello como dar mil monos máquinas de escribir y eventualmente escribirán Hamlet de Shakespeare. Excepto que los robots mejoran cada vez más.


El Resurgimiento de la IA

Tal vez uno de los mayores avances en la investigación de la tecnología de la IA se encuentra en el campo del aprendizaje automático, específicamente en el aprendizaje profundo. Por supuesto, la investigación sólo tiene éxito gracias a la facilidad con la que se pueden recopilar los datos. Además, tenemos más potencia informática que nunca. Durante ese tiempo, se generalizó el uso de clúster de GPU para la formación de sistemas de aprendizaje por máquina. Sin embargo, estos clústeres son algo más que dar poder de computación a los modelos de aprendizaje por ordenador. Están ampliamente disponibles como servicios en la nube a través de Internet. Eventualmente, las principales empresas de tecnología como Google y Microsoft se han pasado a utilizar chips especializados para ejecutar y entrenar modelos de aprendizajes de maquinaria. El mejor ejemplo de estos chips personalizados es el de Google conocido como Tensor Processing Unit. La última versión permite que el aprendizaje de las máquinas estudie la información de los datos mucho más rápido, sin mencionar la velocidad a la que los robots son entrenados usando el chip. Estos chips se utilizan para entrenar modelos para DeepMind y Google Brain, por no hablar de los modelos que sustentan la capacidad de traducción de Google Translate y el reconocimiento fotográfico de Google Photos. También hay otros servicios que permiten al público construir sus propios modelos de aprendizaje de máquina utilizando la nube de investigación TensorFlow de Google. La segunda generación de estos chips es
presentado en la conferencia de E/S de Google sobre el año pasado que promete una velocidad aún mayor para el modelo de aprendizaje automático de Google utilizado en la traducción. Aquí se afirma que los robots tardarían la mitad de tiempo en traducirse en comparación con un gran grupo de unidades de procesamiento de gráficos de gama alta.



Cómo aprenden los robots


Hablamos en el último capítulo sobre el aprendizaje automático. Sin embargo, si queremos entender todo el proceso, es mejor explicarlo en eventos de la vida real. En Internet, esta inteligencia artificial existe en forma de algoritmos. Los videos que ves en YouTube te los ofrecen esos robots. Al hacer clic en el vídeo, los robots toman nota. Cuando entres en Facebook, tu actividad será rastreada por los robots. También determinarán lo que verás en base a los mensajes que leas, te gusten, comentes, compartas, etc. Cuando usted compra un boleto de avión en línea, los bots determinan el precio. También se comunican con más robots en el banco y monitorean la transacción para asegurarse de que no sea fraudulenta. El mercado de valores es ahora apenas un poco más que cientos de bots que se negocian entre sí en fracciones de segundo. ¡Oiga, tal vez un bot te sugirió este manual a ti también! Antes, los humanos creamos bots dándoles un montón de instrucciones que podemos explicar. Si A, entonces B. Si el usuario hace clic en A, entonces muestra A1. Sin embargo, todos pueden ver la limitación inmediatamente. Ciertos programas son tan vastos que es imposible para nosotros programar manualmente un bot para ellos. Cuando se observa el mercado de valores, hay literalmente millones de transacciones en curso. ¿Cómo es posible que alguien pueda programar un bot para que opere de manera confiable en tales circunstancias? Lo mismo podría decirse de YouTube. Hay un sinnúmero de videos ahí fuera. ¿Cómo se programa, como en el caso de los códigos de escritura, para que un bot pueda predecir de forma fiable lo que el usuario quiere ver a continuación? ¿Cómo se puede programar un bot que fije el precio del billete de avión de la forma más adecuada, de modo que se maximicen los beneficios sin asustar al cliente? Los robots que ves están lejos de ser perfectos, pero debes recordar que hacen un mejor trabajo que los humanos, y es que importante. Aunque esos robots pueden hacer cosas increíbles, nadie sabe realmente cómo funcionan. Incluso sus creadores no entienden cómo funcionan. Aún así, las compañías son muy cautelosas cuando se trata de cómo funcionan sus bots porque los bots son empleados muy valiosos. Es un secreto muy bien guardado de cómo se construyen los bots en cualquier empresa. Hay tres categorías principales de aprendizaje automático, que son el aprendizaje supervisado, el no supervisado y el reforzado.


Modelo de Aprendizaje Supervisado

Este es un método común para enseñar un sistema de IA. Todo lo que necesitan los robots es una gran cantidad de datos y ejemplos etiquetados. A continuación, alimente a los robots con una gran cantidad de datos y deles tiempo para que estudien los datos y resalten las características de interés. Supongamos que los robots necesitan ser capaces de diferenciar entre un perro y las palabras escritas y que los datos son proporcionados por fotos, entonces los robots examinarán las fotos y tratarán de entenderlas y diferenciarlas. Aquí, ni el programador ni los propios robots saben cómo piensan, lo único que se sabe es que los robots pueden hacer el trabajo con el paso del tiempo. Cuando estos robots han sido entrenados, pueden realizar sus tareas con precisión utilizando los ejemplos etiquetados, entonces tienen la capacidad suficiente para hacer lo mismo cuando se le suministran con datos en bruto, sin etiquetar, teóricamente hablando por supuesto.





Este proceso se conoce como aprendizaje supervisado. Por supuesto, crear un bot que pueda diferenciar de forma fiable entre un helado y un muñeco de nieve no es algo de lo que burlarse. Requiere muchos conjuntos de datos etiquetados. Pueden ser millones de imágenes y ejemplos sólo para que el bot haga una cosa bien. Sin embargo, como se mencionó anteriormente, como tenemos una abundancia relativamente alta de datos en línea, la recolección de datos para los bots es mucho más fácil que hace una década. La tarea de crear y etiquetar ejemplos, sin embargo, es una tarea humana. Normalmente, los trabajadores en línea que son empleados a través de plataformas como Amazon Mechanical Turk harán el trabajo duro. Sin embargo, una determinada empresa ya tiene una gran cantidad de datos en sus manos sin necesidad de subcontratar. Por ejemplo, el Open Image Dataset de Google que tiene más de nueve millones de imágenes o Youtube-8M de YouTube que es un repositorio de vídeos etiquetados que contiene más de siete millones de vídeos etiquetados. ImageNet tiene ahora más de 14 millones de imágenes categorizadas, siendo una de las primeras bases de datos de valor incalculable para el aprendizaje automático. Los conjuntos de datos están disponibles en gran cantidad y siguen creciendo en tamaño. Para empresas como Google o YouTube, pueden entrenar a sus bots basándose en los datos que ya tienen. Aún así, muchas compañías ahora se preocupan más por la potencia de computación que por tener acceso a la base de datos etiquetada. Sin embargo, no se puede decir lo mismo de los conjuntos de datos no etiquetados. Más sobre eso más adelante. Recientemente, Las Redes Adversariales
Generativas han demostrado cómo los sistemas de aprendizaje automático pueden crear sus propios datos actualizados para enseñarse a sí mismos utilizando sólo una pequeña cantidad de datos etiquetados. Esto puede ser muy útil y potencialmente conducir al aumento del aprendizaje semi-supervisado en el que los bots pueden aprender a llevar a cabo una cierta tarea utilizando sólo una cantidad relativamente pequeña de datos.



Modelo de Aprendizaje sin Supervisión Alternativamente, el aprendizaje sin supervisión no requiere tanta participación humana. Aquí, los robots intentan encontrar patrones en los datos para poder categorizarlos. Un buen ejemplo aquí es la agrupación de frutas que tienen un aspecto similar. Por lo tanto, las manzanas van con tomates para sus colores, o los hámsteres van con ratas para sus tamaños. Vale la pena mencionar que los bots no están programados de antemano para buscar un conjunto particular de datos. Usted simplemente crea el bot para aprender usando el modelo de aprendizaje no supervisado, le da muchos datos, y deja que el bot trate de agrupar y categorizar todo por las similitudes en el conjunto de datos. Puedes ver esto en Google News que agrupa historias similares a diario.


Refuerzo Modelo de Aprendizaje

Piense en ello como darle a su mascota algunos dulces después de que realice un truco. La única diferencia es que la mascota es un bot, y el truco es el proceso de obtener el resultado deseado y la recompensa es el resultado en sí mismo. Aquí, el sistema intenta encontrar el mejor resultado (recompensa) basado en los datos que usted  le dio a ella. Luego continúa para trabajar hasta que se obtenga el mejor resultado. Por ejemplo, Deep Q-network de Google DeepMind ha vencido a muchos jugadores humanos en muchos videojuegos clásicos. Al bot se le ha dado una gran cantidad de datos, incluso cada píxel del juego, y luego el sistema continúa a partir de ahí. Trata de averiguar cómo saltar para que el personaje no se caiga y muera. Las características más avanzadas incluyen cómo derrotar al jefe lo más rápido posible, maximizando la puntuación. Para Mario Bros. un famoso videojuego retro, el bot trazará una ruta para guiar a Mario a través de cada nivel para recoger todas las monedas, derrotar a todos los monstruos y completar el nivel lo más rápido posible. Lo que estos robots pueden lograr es nada menos que milagroso. Parece que el cielo es el límite. El único factor limitante son los datos, la potencia de cálculo y el tiempo. Con suficiente de los tres, un bot puede aprender y aprender a hacer casi cualquier cosa. Pero la pregunta sigue en pie: ¿Cómo aprenden? Es posible entender cómo aprenden sin entrar en los detalles técnicos de las funciones de todas y cada una de las neuronas si estudiamos cómo se construye un bot. Por ejemplo, usted necesita un bot que pueda pasar por un gran número de fotos y luego separarlas en dos grupos: gatos y leones. Es muy fácil para nosotros, incluso para los niños. Pero las cosas no son tan fáciles para un bot, y es imposible que incluso el mejor programador humano le diga a un bot que entienda la diferencia. Podemos describir a un gato señalando los sonidos que hace, su tamaño, su apariencia, etc. Pero eso son sólo palabras, y los robots no pueden entender las palabras. Leen y comprenden algoritmos o códigos. Entonces, ¿cómo construyes un bot para notar la diferencia? No tienes que hacerlo. En lugar de eso, puedes construir un bot que construya otros bots y otro bot que enseñe a esos bots. Por lo tanto, los cerebros de estos robots son muy simples y algo que un programador humano puede compilar. El camino del aprendizaje de la máquina se ramifica desde aquí. Hay dos modelos principales de cómo hacer que las máquinas aprendan: los modelos genéticos de reproducción, y el aprendizaje profundo y las redes neuronales recursivas.


Modelo Genético de Reproducción o Modelo Evolutivo

Antes de proceder, hay dos actores principales que debemos tener en cuenta. El robot constructor que crea robots y los ajusta. Aquí, el constructor crea robots (llamémosles robots alumnos) casi al azar aparte de las pocas instrucciones dadas por el programador. Entonces el bot constructor simplemente conecta los cables y módulos para crear los bots alumnos al azar, que se envían al bot maestro. Este es nuestro segundo protagonista importante en este sistema. Ahora, el maestro robot tampoco puede diferenciar entre un gato y un león. Si puede, entonces no habría necesidad de aprendizaje automático en primer lugar. El profesor bot no enseña a los robots alumnos a reconocer y clasificar los datos correctamente. El bot profesor simplemente examina los robots alumnos. Aquí, el programador sólo le da al bot maestro algunas fotos de gatos y leones y una guía de respuestas que le dice al bot maestro qué foto es qué. Entonces el examen final comienza el primer día, justo cuando los robots salen del horno, sin ninguna orientación. Los robots alumnos tienen la tarea de clasificar las imágenes de la mejor manera posible. Ahora, debido a que son construidos al azar, todos ellos tendrán un pobre rendimiento en la prueba. Los resultados serán enviados de vuelta al bot constructor, quien selecciona el mejor bot del grupo, descarta el resto, crea copias del mejor bot y realiza cambios adicionales. Luego, la segunda iteración de los bots alumnos se envía al bot maestro. El bot profesor reparte los exámenes, los corrige y envía los resultados al bot constructor, y el bot constructor vuelve a trabajar de nuevo. Este ciclo continúa hasta que los humanos están contentos con la última iteración del bot que puede hacer un trabajo de forma fiable.
Ahora, esto es básicamente lo mismo que dar a monos máquinas de escribir y la esperanza de que escriban una obra de Shakespeare, como se mencionó anteriormente. Aunque esto no debería funcionar, en realidad sí lo hace. Esto es posible en parte porque el bot constructor mantiene solo al mejor alumno; el bot elimina al resto y mejora al mejor bot de cada generación. El bot del alumno se mejora más y más después de cada iteración.

Además, no estamos hablando de un bot estudiantil o de mil robots estudiantiles, estamos ante un número infinito de robots alumnos y millones de preguntas que tienen que responder. Este ciclo de construir, probar y descartar se mantiene para siempre. Durante las primeras diez generaciones, los mejores robots son afortunados porque el constructor del bot acaba de escribir el código o algoritmo correcto en su sistema. Sin embargo, cuando usted mantiene lo que funciona y continuamente hace ajustes, habrá un momento en que un bot alumno pueda hacer su trabajo razonablemente bien. Mientras que los bots alumnos son copiados y examinados por la computadora, usted puede incluso aumentar el puntaje promedio del examen para hacer aún más difícil que los bots pasen y sean aceptados. Este proceso producirá un bot muy refinado que puede hacer el trabajo muy eficientemente. En nuestro caso, puede pasar por cinco millones de fotos de gatos y leones y clasificarlos con gran precisión y rapidez. Sin embargo, para cuando el mejor bot alumno es empleado para hacer el trabajo, el cableado interno de códigos o algoritmos será inexorablemente complejo. Una vez más, nadie sabe cómo lo hace el bot alumno, ni siquiera el propio bot alumno sabe cómo lo hace. De nuevo, sólo se sabe que funciona.

 Desafortunadamente, todavía hay una limitación. El bot todavía tiene una IA reducida, lo que significa que sólo puede hacer el trabajo para el que se le ha enseñado específicamente. En nuestro caso, el robot sólo puede distinguir entre un gato y un león. Puede escanear fotos y clasificarlas correctamente, pero el bot se confundirá cuando intente procesar un vídeo, o si la foto está al revés. También cometerá errores hilarantes.

Supongamos que un perro está vestido con un disfraz de león, los humanos podemos decir que es un doguillo con un disfraz de Simba. Sin embargo, de nuevo, el bot no puede "ver" eso. Dirá que la imagen de un doguillo disfrazado de Simba es de hecho un león, lo cual es claramente erróneo. Entonces, ¿cómo compensa este error el programador humano? Más materiales de prueba, porque (en nuestro ejemplo) un millón de imágenes no eran suficientes. Es por eso que tantas empresas están obsesionadas con la recopilación de datos. Cuantos más datos tengan disponibles, más largas serán las pruebas que puedan hacer para los bots de los estudiantes, y mejores serán los bots. Por lo tanto, más datos hacen que los robots sean más precisos.

Usted podría estar familiarizado con las comprobaciones CAPTCHA (Completely Automated Public Turing test to tell Computers and Humans Apart) en ciertos sitios web. Si bien se puede decir que está diseñado para evitar que los robots entren en el sitio web, también tiene un propósito secundario. Estas pruebas también están diseñadas para que usted, el visitante del sitio web, ayude a construir la prueba con la que probar los robots para que puedan leer, contar y diferenciar entre ríos y carreteras. También puede notar que muchas de las pruebas CAPTCHA hoy en día son siempre sobre carreteras, vehículos, señales, escaparates, etc. Dado que los coches de autoconducción son la moda actual en todo el mundo, y cada industria automovilística está trabajando para perfeccionar esta tecnología, se puede decir que esto no es una coincidencia. Las pruebas CAPTCHA dependen de los humanos para hacer suficientes pruebas que son realmente correctas, pero usted no necesita depender de los visitantes del sitio web para construir las pruebas para sus bots. También hay otro tipo de prueba que se hace a sí misma, y es una prueba en humanos.

Por ejemplo, supongamos que YouTube quiere mantener a sus usuarios viendo videos y viendo los anuncios que están hospedando por el mayor tiempo posible. ¿Dónde entran los robots? Debido a que es muy fácil medir cuánto tiempo un usuario permanece en el sitio web, el bot profesor simplemente da un montón de espectadores de YouTube para supervisar. Los robots alumnos tienen la tarea de observar el comportamiento de los humanos asignados, tomar notas de los videos que los humanos vieron, y luego tratar de encontrar videos relevantes para mantener a los usuarios mirando. Cuanto más tiempo permanezcan los usuarios, mejor puntuación obtendrá el estudiante bot. Entonces, es sólo una cuestión de construir, probar y reconstruir durante varios miles de ciclos y tendrás un bot que puede hacer un trabajo bastante bueno para mantener a un usuario enganchado en YouTube durante bastante tiempo.

mucho tiempo, al menos comparado con lo que un humano podría hacer. Es el mismo trato aquí. Cuando la gente pregunta cómo selecciona el bot los vídeos o qué códigos se ejecutan dentro de su cabeza, no hay otra respuesta definitiva que la de mostrar que el bot tiene acceso a los datos del usuario y cómo el programador o supervisor humano dirige al maestro bot para que califique la prueba. Nadie sabe qué códigos complejos hay dentro del bot, pero todo el mundo sabe que el bot está ahí porque es ligeramente mejor que el segundo mejor bot, hasta que aparece uno ligeramente mejor. Ser mejor, aunque sea un poco, es importante aquí.

Aprendizaje profundo y redes neuronales recurrentes

 La tendencia actual en el aprendizaje automático es el aprendizaje profundo y las redes neuronales recursivas. Mientras que el modelo de reproducción genética que utiliza un código genético es antiguo pero funciona, el aprendizaje profundo y las redes neuronales recursivas son aún más complicadas.
El aprendizaje profundo o entrenamiento profundo es diferente del modelo de reproducción genética porque los bots en el modelo anterior pueden generalizar los datos. Por ejemplo, supongamos que una computadora está entrenada por una red neuronal no puede reconocer bien las letras escritas a mano. Por lo tanto, puede mejorar su capacidad de análisis y reconocimiento de texto proporcionando un gran conjunto de datos de cartas manuscritas. De esta manera, el bot puede reconocer la escritura a mano por las formas, y cualquier carácter que se asemeje a una forma generalizada creada por el bot será reconocido. Una vez más, la precisión del bot depende del tamaño de la muestra.

El entrenamiento profundo recibe su nombre por la forma en que analiza los datos que se le dan. Para ello, analiza cada uno de los elementos o capas en función de sus prioridades. Por ejemplo, si quieres crear un bot que pueda distinguir entre un niño y una niña, sólo tienes que proporcionarle un gran número de fotos de niños y niñas. Debido a que el bot lleva a cabo su análisis en múltiples capas, el bot tendrá múltiples neuronas y desencadenantes. Básicamente, la primera capa que sería el primer paso del análisis, el bot mira a los desencadenantes visuales simples (o elementos, variables) tales como las diferencias de brillo. Luego, en la segunda capa, el bot busca desencadenantes más complejos como esquinas, círculos o formas en general. En la tercera capa, el bot busca detalles en las caras. La complejidad de cada capa a la siguiente aumenta exponencialmente. Por supuesto, la red decide qué elementos de la imagen debe priorizar primero mediante la generalización. Las chicas generalmente tienen pelos largos, así que lo primero que busca el bot son los píxeles que se parecen al pelo y cuánto cubre la imagen o el tamaño de los píxeles colectivos. Luego, clasifica todos los elementos relevantes en orden de importancia para optimizar el proceso de reconocimiento y entender mejor lo que hay en la foto. Entonces, ¿cuál es la diferencia entre el aprendizaje automático que utiliza el modelo de entrenamiento profundo y el modelo evolutivo? En pocas palabras, ambos tienen los mismos robots constructores y maestros. La única diferencia es que el entrenamiento profundo no necesita millones de robots estudiantes. Sólo hay un bot alumno. El bot maestro tiene la misma prueba, pero el bot constructor no construye nuevos bots. Su trabajo es hacer pequeños ajustes al bot del alumno. Puedes pensar en el bot como un bot de "ajuste fino" que hace su trabajo girando los diales. Estos diales controlan la sensibilidad de la conexión en la cabeza del estudiante. El mejor ejemplo aquí son los antiguos diales de las radios dentro de los coches. Los conductores no conocen la frecuencia exacta de una estación de radio, pero pueden saber cuándo se están acercando. Los conductores pueden entonces sentir su camino hasta llegar a la estación de radio que desean escuchar. Ya que hay muchas conexiones en el interior la cabeza del bot del alumno, también hay numerosos diales que el bot constructor necesita ajustar. Cada esfera representa cada capa. El bot profesor muestra al bot alumno una foto y el bot constructor ajusta las esferas en una escala de más fuerte a más débil hasta que el bot alumno responde correctamente a la pregunta. Luego, el bot profesor le muestra al bot alumno una segunda imagen y el bot constructor reajusta los diales de nuevo. Esto continúa indefinidamente hasta que el bot del alumno pueda responder correctamente las preguntas de forma fiable.

El entrenamiento profundo funciona de esta manera, pero hay cientos de miles de diales diferentes. Hay muchos cálculos en curso en el sistema, sin mencionar que el bot constructor necesita ajustar todos esos diales cada vez que se presenta una nueva pregunta. El constructor del bot necesita asegurarse de que los robots de los estudiantes puedan responder de forma fiable y correcta a la pregunta y a todas las preguntas anteriores. Por lo tanto, puede ver cuán complejo es el trabajo para el bot constructor a medida que avanza la prueba. Por supuesto, el bot alumno puede y mejorará cuanto más tiempo entrene, pero todavía sufre de las limitaciones que hemos discutido anteriormente. No pueden procesar un video o una imagen volteada o decir que una foto de un perro con un disfraz de león es un perro y no un león.

Por ejemplo, supongamos que un bot ha sido creado para distinguir a un niño de una niña. Como tiene múltiples capas, buscará diferentes cosas en función de sus prioridades para determinar si la foto es de un niño o de una niña. Si el bot busca y prioriza el grupo de píxeles que cuentan como pelo en la primera capa, la ropa en la segunda capa, y la forma de la cara, labios, etc. en la tercera y siguientes capas, entonces el bot mirará primero al pelo. ¿Es largo o corto? ¿Qué hay del peinado? ¿Qué lleva puesto la persona? ¿Qué hay de la forma de la cara de la persona? Cuanto más mira el bot, más complejos se vuelven los detonadores.

Sin embargo, todavía es posible engañar a un bot. Todos hemos visto gente usando maquillaje para transformar a una chica en un chico y viceversa, y el bot será engañado muy fácilmente. Sin embargo, con más tiempo y datos más complejos, el bot puede someterse a un entrenamiento más vigoroso para reconocer más y más características para corregir este error. Es aquí donde el uso de redes neuronales y el entrenamiento profundo permiten que la IA sea más efectiva cuando necesita completar tareas complejas. El modelo evolutivo está basado en la suerte, mientras que el modelo de aprendizaje profundo está basado en la precisión, aunque es más complejo y lleva más tiempo entrenar a un bot. Entonces, ¿hay algún desarrollo real que utilice el aprendizaje profundo?

Muchos proyectos que utilizan el aprendizaje profundo se utilizan principalmente para desarrollar las capacidades de reconocimiento de fotos o audios en bots, sin mencionar el diagnóstico de enfermedades. Se utiliza en Google Translate que permite que el software traduzca instantáneamente con sólo tomar una foto del texto y escanearlo. En este caso, el modelo de aprendizaje profundo le da al bot la habilidad de reconocer pruebas en imágenes y traducirlas. DeepFace es otro sistema que funciona con fotos para reconocer rostros. DeepFace puede reconocer rostros humanos con una asombrosa precisión del 97,25%, que es casi tan buena como cualquier humano real. En 2016, Google lanzó WaveNet, que es un sistema que puede simular el habla humana. Esto es posible utilizando millones de peticiones de voz grabadas al sistema para crear comandos generalizados que el bot puede reconocer. Los datos han sido utilizados en el proyecto "OK Google" de Google. Luego, la red neural pasó por todos esos clips de voz y juntó frases que suenan naturales, entonaciones y todo, sin ninguna pausa ilógica. El aprendizaje profundo también permite a los bots dividir imágenes o vídeos en diferentes segmentos semánticamente. El bot puede entender lo que hay en la imagen y contornear su marco con una precisión notable. Esta tecnología se utiliza en los vehículos de autoconducción para determinar si hay obstáculos en la carretera. También se puede utilizar para leer la información de las señales de tráfico para evitar accidentes.

 Las redes neuronales también tienen su lugar en la medicina, como la que determina la  retinopatía y la diabetes  con sólo escanear la foto de los ojos del paciente. El éxito del bot es tal que el Departamento de Salud de los Estados Unidos ya ha dado luz verde al uso de esta tecnología en las clínicas públicas.


La IA y el Internet de los objetos

No es un misterio que el IO "IoT" (Internet de los objetos) se esté volviendo más inteligente. Muchas empresas de todo el mundo están fusionando la IA con la tecnología de aprendizaje automático en sus aplicaciones con el IO. Lo que mejor hace esta IA es encontrar información en los datos que a los humanos les llevaría demasiado tiempo procesar. Sin embargo, antes de que debatamos cómo mejora el IO, primero debemos examinar el IO propiamente dicha.


El Internet de los objetos

 Para entender el IO, piense en tostadoras inteligentes o termómetros con conexión a Internet, o exprimidores que requieran una conexión a Internet para funcionar. Estas son cosas triviales, por no decir simples, que están conectadas a la red. Estos dispositivos son parte del Internet de las cosas. Las máquinas o dispositivos conectados a la red crean el potencial para la cuarta revolución industrial. De hecho, los expertos predijeron que más de la mitad de las nuevas empresas se basarán en el IO para 2020, que está a un tiro de piedra. Cuando se combinan estos dispositivos interconectados con la IA, es muy posible recopilar y analizar datos, sin mencionar que se puede crear un plan de acción para ayudar a alguien a realizar una determinada tarea con los datos. En el IO hay tres elementos principales: los dispositivos, los dispositivos que almacenan y las redes a las que están conectados. El IO permite que los dispositivos que se encuentran en una conexión a Internet privada y cerrada se comuniquen entre sí, así como que formen una red privada compuesta por todos esos dispositivos. Estos grupos de dispositivos pueden entonces comunicarse con otro grupo en otro hogar a través de otro tipo de red para formar un mundo más interconectado.


Intercambio de datos

Hay un chiste que dice que algunos científicos o ingenieros se preocupan mucho estudiando todo que tendrán que hacer, sin siquiera pensar que realmente deberían hacerlo en primer lugar. Lo mismo podría decirse de ciertos dispositivos "inteligentes". Hay saleros inteligentes con micrófono incorporado que pueden repartir la cantidad adecuada de sal. Hay botes de basura inteligentes que hacen un seguimiento de los desechos de sus usuarios. Hay tostadoras inteligentes que pueden enviar y recibir mensajes de texto, sin mencionar un rastreador de huevos (que rastrea los huevos) o incluso un espejo inteligente que proporciona información sobre el clima. Hay cosas que no deberían estar conectadas a Internet aunque  puedan hacerlo. Aún así, el dispositivo que requiere de una conexión a Internet, de una forma u otra, recogerá datos con un objetivo específico en mente que puedan resultar muy útiles para aquellos que compran los datos o para la propia empresa que los recopila. Esto permite a las empresas influir en la economía en su conjunto.

 Con el análisis de comportamiento, que realizan las aplicaciones industriales en los productos que utilizan sensores para recopilar datos, estas empresas pueden aumentar la eficiencia de la producción y aumentar las ganancias. Un estudio muestra que alrededor del 35% de los fabricantes estadounidenses utilizan datos, recopilados por sensores inteligentes, dentro de sus líneas de montaje. El IO es muy útil. Con el Internet de Objetos, pueden optimizar las producciones en masa, porque cuando necesita producir un millón de iPhones, cada céntimo cuenta. Las tareas pequeñas y mundanas también son aplicables al uso del IO. Por muy importante o insignificante que sea el trabajo, el IO nos permite ser más eficientes en lo que hacemos. Podemos hacer más en el mismo tiempo gracias al IO. Además, la calidad y el alcance de los datos en el IO crean una oportunidad para una interacción mucho más contextualizada y receptiva con dispositivos que pueden crear un potencial de cambio.

Por supuesto, después de haber leído todo esto, usted sentirá que el IO es una forma muy intrusiva de recopilar datos. Algunos usuarios ni siquiera saben que su información personal está siendo recopilada. Los problemas de la ciberseguridad tampoco ayudan. Ni que decir tiene que todo lo que está conectado a Internet siempre puede ser pirateado. Los dispositivos con IO tampoco son una excepción. Hubo un escándalo en torno a la pérdida de los vídeos y las imágenes de los niños que utilizaban los dispositivos conectados de VTech, debido a la falta de protección en el sistema de IO. En pocas palabras, los juguetes electrónicos de VTech manejaron muy mal un ataque de hackers. En 2015, más de 6 millones de cuentas de niños se vieron comprometidas por el ataque, lo que permitió al hacker acceder a las fotos y a los registros de chat de los juguetes de VTech. Algunos dispositivos tienen capacidad de vigilancia, lo que es otro problema añadido, ya que estos dispositivos suelen estar conectados al IO, exponiéndolos a ataques o exploits que permiten que un tercero obtenga datos personales y privados sobre usted. Esto permite que un tercero malintencionado observe a los usuarios. Por ejemplo, una nevera conectada puede hacer un seguimiento del uso y consumo de alimentos e indicar a los usuarios cuándo deben salir a comprar o comer algo fuera. Esto es útil para los usuarios, pero muchas personas pasan por alto una característica oculta. Los restaurantes de comida para llevar, pueden utilizar esos datos para fijar sus precios al alza cuando el usuario se encuentre con su nevera vacía. Según James Clapper, de los servicios de inteligencia nacional de los Estados Unidos, consideraba que los servicios de inteligencia pueden utilizar el IO para la identificación, la vigilancia, el seguimiento; de la ubicación, la supervisión, la selección de objetivos para la contratación, o incluso para obtener acceso a redes o las credenciales de un usuario de IO.


¿Qué necesitamos?

 Si queremos establecer una red de IO amplia, fiable y segura, necesitamos disponer de una norma compatible en todos los dispositivos de IO. Sin embargo, esta norma no se ha establecido aún, lo que la convierte en un problema importante para la integración de todos los dispositivos de IO en una sola plataforma. El estándar compatible es necesario porque esos dispositivos no hablan ni entienden inglés como nosotros, así que necesitamos crear un idioma con el que todos ellos se comuniquen. Piensa en ello como un canal o lenguaje común para esos robots. Con ella, pueden transferir o compartir eficazmente los datos que están recopilando. Las incompatibilidades pueden llevar a una mala comunicación entre los dispositivos, o a la ausencia total de comunicación. Microsoft ya ha creado su propio estándar para dispositivos de IO en un intento de abordar este problema a escala empresarial. El IO Central ofrece a las empresas una plataforma central diseñada para gestionar y establecer dispositivos de IO. En la actualidad, el IO repercutirá en todo lo que tenga un alto coste de no intervención. Por lo general, el IO influirá en cuestiones cotidianas y mundanas, como la localización de una plaza de aparcamiento vacía o la confirmación de si hay suficientes verduras en la nevera. Sin embargo, cuando el IO y sus dispositivos se desarrollen e integren con la IA, su capacidad aumentará exponencialmente.


IO inteligente

 Gracias a AI, el IO se vuelve aún más inteligente. La IA, a través del aprendizaje automático, se incorpora a las aplicaciones del IO para mejorar su capacidad en lo que respecta a la eficiencia operativa y la reducción de los tiempos de inactividad. Mientras que los dispositivos de IO recopilan datos, la IA puede ayudar a generalizarlos para proporcionar información sobre los datos. Con una ola de inversiones, una avalancha de nuevos productos y una tendencia creciente a la implantación empresarial, la IA está dando a conocer al mundo su presencia y cómo podría trabajar con el IO al unísono. Ahora las empresas de todo el mundo están siguiendo de cerca el desarrollo de la IA porque quieren obtener más valor de su despliegue del IO existente. Es evidente que la IA desempeña un papel en las aplicaciones y el despliegue del IO debido al aparente cambio en el comportamiento de las empresas de la zona. Se ha producido un aumento significativo de las inversiones de capital riesgo en las empresas de nueva creación de IO que utilizan la IA.

Varias empresas han adquirido docenas de empresas que trabajan desde hace algunos años para combinar la inteligencia artificial en el campo del IO. Además, los principales proveedores de programas informáticos para plataformas de IO ofrecen ahora capacidades de IA que están integradas en dispositivos de IO que utilizan análisis basados en el aprendizaje automático. Gracias a la IA, puede obtener información útil de una gran cantidad de datos. De lo contrario, le tomaría mucho tiempo a un equipo de humanos experimentados revisar cada uno de los datos recolectados. La tecnología de aprendizaje automático permite a la IA revisar todos esos datos, incluso millones de ellos, y conectar los puntos y encontrar el patrón. Los datos recogidos por los dispositivos de IO o sensores como la calidad del aire, el sonido, la vibración, la presión, la temperatura y la humedad pueden darse a la IA. Muchas empresas también descubren que el aprendizaje automático puede tener una gran ventaja sobre las herramientas tradicionales de inteligencia empresarial cuando surge la necesidad de analizar los datos recogidos por los dispositivos de IO. Antes de la introducción de la IA, el aprendizaje automático y cómo se puede utilizar para obtener información a partir de los datos, los datos de los dispositivos de IO debían ser vistos e interpretados manualmente. Ahora, la aplicación de la IA hace que la interpretación de datos sea más eficiente al hacer predicciones operativas hasta 20 veces más rápido, sin mencionar que la IA puede producir predicciones más precisas en comparación con los sistemas de monitoreo basados en umbrales. El reconocimiento del habla, así como la visión por ordenador, también pueden ayudar a obtener información adicional a partir de los datos que recopilan los dispositivos de IO. Esta combinación de IO y AI resulta muy valiosa para las empresas, especialmente para minimizar el tiempo de inactividad no planificado, maximizar la eficiencia operativa, crear nuevos productos y servicios y ayudar en la gestión de riesgos.


Tiempo de inactividad no planificado

El tiempo de inactividad no planificado debido a fallos en los equipos puede resultar muy costoso para las empresas, tanto en términos de dinero como de tiempo. Por ejemplo, un estudio ha demostrado que los operadores de petróleo y gas en el mar sufren una pérdida media anual de unos 38 millones de dólares. Otra fuente declaró que el tiempo de inactividad no planificado le cuesta al sector industrial manufacturero alrededor de 50.000 millones de dólares al año, y que la avería de los equipos contribuye hasta en un 42% de la misma. Entonces, ¿cómo podrían utilizarse el IO y la IA para minimizar el tiempo de inactividad? Puede lograrse a través del mantenimiento predictivo. El mantenimiento predictivo, como su nombre indica, predice las fallas de los equipos antes de tiempo mediante el uso de análisis para permitir que los trabajadores humanos planifiquen el tiempo de inactividad y tengan un procedimiento de mantenimiento ordenado. Esto puede reducir el asombroso costo del tiempo de inactividad no planificado. Para la industria manufacturera Deloitte, una multinacional de servicios profesionales, encontró que reduce los costos generales de mantenimiento hasta en un 10%, reduce el tiempo necesario para un mantenimiento sencillo hasta en un 50%, y el tiempo de funcionamiento y la disponibilidad de los equipos se incrementan en un 20% gracias a la tecnología de mantenimiento predictivo.

Debido a que las tecnologías de IA, especialmente de aprendizaje automático, pueden ayudar a identificar patrones y anomalías y establecer predicciones basadas en una gran cantidad de recopilación de datos, tienen una aplicación muy útil para implementar el mantenimiento predictivo. SK Innovation, una refinería de petróleo de Corea del Sur, esperaba ahorrar miles de millones con sólo utilizar el aprendizaje automático para predecir el fallo de los compresores conectados antes de que ocurra. Asimismo, la unidad de energía francesa EDF Group ahorró un millón de dólares en gastos porque utiliza la IA para predecir fallos en los equipos. El operador ferroviario italiano Trenitalis también esperaba ahorrar hasta un 10% de sus 1.300 millones de euros anuales de gastos de mantenimiento mediante el uso de la IA.




Eficiencia operativa

El IO impulsado por la IA también puede hacer algo más que solamente prevenir el tiempo de inactividad imprevisto. También se puede utilizar para mejorar la eficiencia operativa. Esto se debe a que el aprendizaje automático puede crear predicciones rápidas y precisas, proporcionar información útil, así como dar a las tecnologías de IA la capacidad de automatizar tareas. Por ejemplo, en Hershey, conocido por sus productos de chocolate, necesita controlar el peso de su producto. Este proceso, aunque aparentemente escaso, es en realidad muy crítico porque por cada 1% de mejora en la precisión del peso puede resultar en un ahorro de más de $500,000 para un lote de 14,000 galones de productos como Twizzlers. Hershey utilizó el IO y el aprendizaje mecánico para reducir significativamente la variabilidad del peso durante el proceso de producción. Los datos recogidos a través de los dispositivos IoT, como los sensores, se envían a la IA, que analizará todo por segundos. Esta predicción de la variabilidad del peso puede ser utilizada por modelos de aprendizaje automático que pueden permitir hasta 240 ajustes de proceso diarios en comparación con el ajuste de 12 procesos antes de la introducción de la solución AI-IoT.

Google también se beneficia de la IA porque les ayuda a reducir hasta un 40% de los gastos de refrigeración del centro de datos. En este caso, la IA utiliza los datos de los sensores de la instalación para predecir la temperatura y la presión en la próxima hora, de modo que la potencia de refrigeración puede dedicarse con precisión a optimizar el proceso de refrigeración. El aprendizaje automático también ayuda a los operadores de flotas de transporte a producir ideas que ayudan a los operadores a tomar medidas que les ahorran mucho dinero. Los datos recogidos de los sensores a bordo del buque se utilizaron para identificar la correlación entre los gastos de limpieza de los cascos de los buques y la eficiencia de combustible. Inicialmente, parece contrario a la intuición porque el análisis muestra que limpiar los cascos dos veces al año más de una vez cada dos años ahorrará al operador hasta 400.000 dólares en gastos de combustible, sin embargo el aumento de la eficiencia ahorra combustible por valor cuatro veces  mayor que lo que supone los gastos de limpieza.



Productos y servicios más nuevos

La tecnología de IA combinada con el IO puede crear la base sobre la cual se pueden crear productos nuevos y mejorados. Por ejemplo, los servicios de inspección que se basan en robots y drones de General Electronics, la compañía está buscando la IA para ayudar a automatizar las navegaciones de los dispositivos de inspección e identificar los defectos de los datos que los dispositivos de IO (en este caso, robots y drones). Esto permite una inspección más segura y precisa y el proceso se vuelve un cuarto más barato para los clientes. En la industria del cuidado de la salud, el Thomas Jefferson University Hospital en Filadelfia también busca mejorar la experiencia de los pacientes que utilizan el procesamiento de lenguaje natural que les permite hacer muchas cosas por sí mismos, simplemente expresando órdenes específicas sin tener que llamar a una enfermera. Rolls-Royce también pretende introducir servicios de mantenimiento de motores de aviones que son apoyados por el IO. La compañía planea utilizar el aprendizaje automático para identificar patrones y producir información operativa para vender a las aerolíneas. Navistar busca el análisis de aprendizaje automático de datos en tiempo real de vehículos conectados para permitir un nuevo flujo de ingresos en servicios de diagnóstico y mantenimiento. Según Cloudera, estos servicios ayudaron a reducir el tiempo de inactividad de casi 300.000 vehículos hasta en un 40%.


Mayor gestión de riesgos

Las organizaciones también pueden comprender y predecir muchos riesgos y automatizar las respuestas rápidas mediante las aplicaciones del IO y la IA. Aquí, ambas tecnologías ayudan a las organizaciones a gestionar mejor la seguridad de los trabajadores, las pérdidas financieras y las ciberamenazas. Por ejemplo, Fujitsu ha puesto a prueba el uso del aprendizaje automático. La tecnología se utiliza para analizar los datos recogidos de los dispositivos portátiles conectados a los trabajadores para que puedan estimar con precisión el estrés térmico potencialmente amenazante de los trabajadores de la fábrica acumulado durante un período de tiempo. Muchos bancos en Norteamérica e India también empiezan a evaluar el uso de la identificación en tiempo real de comportamientos sospechosos basada en la IA desde numerosas cámaras de vigilancia conectadas a los cajeros automáticos. En la industria de seguros, la aseguradora de vehículos Progressive utiliza el análisis de aprendizaje automático con los datos de los gatos para fijar con precisión el precio de sus primas de seguro basadas en la utilización. Esto se traduce en una mejor gestión del riesgo de suscripción. Las Vegas utilizó la tecnología de aprendizaje automático para asegurar su iniciativa de ciudad inteligente al permitir que la IA detectara y respondiera a las amenazas en tiempo real, de forma automática.





Implicaciones para las empresas

La IA tiene un gran potencial para aumentar el valor establecido por el desarrollo del IO para muchas empresas. La IA permite mejores ofertas y operaciones para las empresas que les dan una ventaja competitiva en cuanto a rendimiento empresarial. Además, muchos de los ejecutivos que están considerando el nuevo proyecto basado en IoT o IO deberían saber que el aprendizaje automático para capacidades predictivas no está integrado en la mayoría de las principales plataformas horizontales o de propósito general e industriales de IO, como IBM Watson IoT, PTC ThingWorx, Microsoft Azure IoT, etc. También hay un número creciente de soluciones de IO verticales y combinadas que utilizan tecnologías de inteligencia artificial, como el aprendizaje automático. Por ejemplo, la plataforma CarData de BMW permite a los propietarios de vehículos compartir datos a los que Watson de IBM puede acceder. Para los productos de consumo y minoristas, un gran número de soluciones para la automatización y optimización de reabastecimiento utilizan el aprendizaje automático para predecir la demanda, lo que permite una gestión de inventario y producción más eficientes. Los proveedores de soluciones telemáticas para la industria de seguros de automóviles también están integrando el aprendizaje automático para crear un modelo de riesgo más preciso y predecir mejor el comportamiento de las reclamaciones. También es posible utilizar la IA para obtener más valor del despliegue de dispositivos de IO que inicialmente no fueron diseñados para ser utilizados con la IA. Por ejemplo, la tecnología de aprendizaje automático se utiliza en el petróleo y el gas húngaros para predecir el contenido de azufre del combustible utilizando los datos de los sensores. La IA también se utiliza para optimizar el proceso de producción. Sólo con el uso de la IA, la empresa ahorró hasta 600.000 dólares al año. Muchas de las plataformas horizontales e industriales de IO que muchas empresas podrían estar utilizando ofrecen ahora nuevas capacidades basadas en la IA que les ayudan a obtener más valor de su actual despliegue.


AI y IO

En un futuro próximo, podría ser difícil encontrar un dispositivo de IO que no utilice IA de una forma u otra. El International Data Corp predijo que la IA sustentará todos los procesos del IoT o IO en 2019. Además, los datos recogidos de los dispositivos de IO tendrán poco valor sin el uso de la IA. Últimamente, ha habido  un número creciente de proveedores de IO que ofrecen, al menos, apoyo básico para la IA. Algunas empresas que integran la IA en su despliegue de IO están cosechando actualmente los beneficios. Tal y como están las cosas, tanto la IO como la IA se encuentran en el terreno común de la ambigüedad de las palabras de moda, sobre todo cuando hay nuevos términos como el aprendizaje automático o el aprendizaje profundo. Si bien es cierto que muchas personas tienen una vaga comprensión del IO o la IA al menos, sólo unos pocos saben lo que son o lo que pueden lograr cuando se utilizan juntos. El desarrollo de la IA ha sido rápido y nunca lo ha sido tanto. El IO ha estado con nosotros durante bastante tiempo, aunque sus aplicaciones son limitadas, con la introducción de la IA, el IO finalmente obtiene la actualización que necesita. Muchos ejecutivos de tecnología e investigadores coinciden en que la IA será necesaria para gestionar un gran número de dispositivos conectados en línea. Su importancia es aún mayor cuando se necesita interpretar el flujo interminable de datos que fluyen desde todos los dispositivos conectados.



Oportunidades para la IA

Muchos de los primeros en adoptar la IA y las tecnologías cognitivas están diciendo que puede haber grandes oportunidades para obtener beneficios económicos, así como para la creación de empleo. Según un estudio realizado por Deloitte el año pasado, existe un sentimiento general para todas las organizaciones que fueron entrevistadas. Creían que el papel de las tecnologías cognitivas desempeña un papel importante en los procesos operativos de sus organizaciones. Aproximadamente dos tercios de los ejecutivos estadounidenses que conocen estas tecnologías dicen que tienen programas de formación diseñados para que los empleados aprendan a desarrollar sus propias tecnologías cognitivas o a encontrar una solución para trabajar junto con la IA. Sin embargo, a diferencia de lo que mucha gente teme, el encuestado del estudio no veía la pérdida de empleo como una consecuencia de sus esfuerzos colectivos relacionados con la IA. Sólo el 69% de los encuestados cree que la pérdida de empleo será mínima o nula en los próximos tres años.

El informe también muestra que más del 25% de las organizaciones ven que se crearán nuevos empleos cuando la IA y las tecnologías cognitivas se implementen ampliamente. Cuando se les pregunta sobre los beneficios percibidos del IA y de las tecnologías cognitivas, muchos de ellos no ven la reducción de la fuerza laboral en lo más alto. Su principal interés es la mejora de sus propios productos o servicios a partir de una mejor toma de decisiones, la optimización del funcionamiento interno del negocio, así como la capacidad de crear nuevos productos. La directora general de Deloitte, Cathy Engelbert, creía que en lugar de preocuparnos por el aumento de las máquinas que sustituyen a los seres humanos, todos deberíamos esforzarnos por encontrar formas de trabajar juntos con ellos. La capacidad de utilizar las nuevas tecnologías para revolucionar la fuerza laboral dará lugar a nuevas, mayores y más excitantes oportunidades para crear habilidades de alto valor para los trabajadores. El estudio también muestra que la mayoría de las organizaciones encuestadas creen que las tecnologías cognitivas juegan un papel importante en sus procesos de negocio internos, y alrededor del 80% de ellas creen que esta tecnología ayuda a mejorar sus productos y servicios. En general, la mayoría de las organizaciones creen que la IA y las tecnologías cognitivas transformarán sustancialmente sus organizaciones para mejor.

 Además, el estudio encontró que aproximadamente el 30% de las organizaciones han invertido aproximadamente 5 millones de dólares al menos en inteligencia artificial y tecnologías cognitivas. Estas inversiones se orientaron hacia la IT, el desarrollo de productos, la investigación y el desarrollo, y el servicio al cliente. Aproximadamente el 75% de los primeros usuarios están explorando tecnologías cognitivas maduras como la Automatización de Procesos Robóticos (RPA), y el 70% de ellos están estudiando el aprendizaje automático. El 50% utiliza la red neural de aprendizaje profundo para entrenar a sus robots. Los resultados fueron los que cualquiera sospecharía. La mayoría de los los encuestados informaron de beneficios económicos de moderados a sustanciales derivados del uso de la IA y las tecnologías cognitivas. Según ellos, las herramientas cognitivas deben ser utilizadas para cambios transformacionales en lugar de mejoras incrementales. Otro grupo sugirió empezar por lo pequeño primero y ver a dónde va el desarrollo de la tecnología antes de invertir nada. Hoy en día, todas las industrias son muy competitivas. Como tal, siempre es bueno tener una ventaja competitiva.

 Por lo tanto, esas organizaciones están averiguando cómo, cuándo y por qué los seres humanos y las máquinas deben trabajar al unísono para lograr los mejores resultados posibles. Por supuesto, la IA y las tecnologías cognitivas son algunas de las mejores herramientas que una organización tendrá jamás, aunque su uso es una historia totalmente diferente. La implementación de estas tecnologías sin duda interrumpirá el proceso interno, la toma de decisiones, el servicio al cliente y muchos otros aspectos y procesos de la organización. Tomará algún tiempo para que los trabajadores se ajusten a los nuevos cambios y el sistema se arregle. Por lo tanto, las organizaciones pueden obtener valor del uso de la IA y las tecnologías cognitivas a través de un uso inteligente en el contexto del negocio, el mercado, la cultura corporativa y la industria de la empresa.


Amenazas de la IA

Nuestros antepasados sobrevivieron inicialmente cazando animales y recogiendo frutas y verduras. Sin embargo, somos tan inteligentes como perezosos. Así, nuestros antepasados crearon herramientas para facilitar su trabajo. Empezaron a usar palos para arar el campo hasta que creamos los tractores. La agricultura comenzó como un trabajo que requería a casi todo el pueblo para poder alimentar a todos. Ahora, sólo se necesitan unas pocas personas para alimentar a una ciudad entera. Aunque el número de agricultores está disminuyendo, seguimos produciendo cada vez más alimentos. La abundancia sigue existiendo, aunque pocos se ocupan de los campos. Por supuesto, la tecnología no sólo influye en la agricultura. Lo cambia todo. Muchas herramientas creadas sirven para facilitar las labores físicas de todo tipo, y se puede decir que se trata de músculos mecánicos. Más fuertes, más confiables, nunca se cansan, nunca piden un aumento, estos músculos sólo necesitan la energía suficiente y el mantenimiento adecuado de sus partes. Estos músculos están reemplazando a los trabajadores de la fábrica debido a estos rasgos asombrosos. Sin embargo, no es algo malo. El uso de estos músculos mecánicos para reemplazar la mano de obra humana permite que los trabajadores humanos se especialicen, incluso si eso significa empujarlos a otros trabajos manuales.

La economía y el nivel de vida de los seres humanos siempre están mejorando gracias a la tecnología. Estos músculos mecánicos nos quitan el trabajo duro para que podamos usar nuestro cerebro, un milagro evolutivo biológico, en cosas mejores como el trabajo mental. Por supuesto, el trabajo mental sigue siendo trabajo y los humanos, aunque miles de años después, nunca han sido más perezosos. Finalmente nos cansamos y aburrimos de este trabajo mental, así que creamos mentes mecánicas para que pensaran por nosotros. Las mentes mecánicas, aunque aparentemente familiares a los músculos mecánicos, presentan a la humanidad una nueva situación, aunque pensemos que ya hemos estado aquí antes. Los ajustes estructurales provocados por la revolución industrial no son nada comparados con lo que las inteligencias automáticas Cuando se piensa en automatización, se podría pensar en robots de gran tamaño, hechos a medida, caros, pero eficientes, que sólo pueden hacer un trabajo. En ciertas situaciones sólo tiene ese mérito. Un robot en un montaje de coche no puede servirle una taza de café, y un robot que monta iPhones no puede armar un coche. Esta es la imagen de la automatización que la gente siempre ha tenido. Sin embargo, muchos no saben que estos robots ya se consideran antiguos. Hay un nuevo tipo de robot introducido en la última década que plantea algunas preocupaciones.




AI polivalente

Baxter es un robot industrial construido por Rethink Robots. Baxter se introdujo a finales de 2011 y sustituyó a Sawyer, que también es un robot. Estos robots tienen brazos y una apariencia automatizada, pero permítanos concentrarnos en cómo funcionan.
 Baxter puede ver y aprender de los usuarios con sólo verlos realizar la acción. Entonces, Baxter simplemente imitará la acción. Esto es algo muy serio porque la habilidad de un robot para automatizar algo con sólo observar reemplaza casi todos los tipos de trabajo. Cuando se compara a Baxter con un trabajador, Baxter ya es mejor porque es más barato para operar, y puede hacer muchas cosas siempre y cuando todo esté a su alcance. Se podría decir que Baxter es un robot de uso general, lo cual es algo muy importante. Primero, veamos las primeras computadoras. Son grandes, toscas e inmóviles. Entonces, en un día de gran trascendencia, las computadoras de uso general y relativamente baratas llegaron al mercado y el lugar de trabajo sufrió un cambio drástico. Estos ordenadores de propósito general se convierten rápidamente en vitales para todo, como la comunicación, la producción del documentos, las imágenes, los servicios, etc. Ahora es imposible ir a la universidad o incluso a la escuela secundaria sin la ayuda de una computadora.

La IA en los ordenadores puede calcular el cambio o asignar asientos en un avión y realizar otras tareas con facilidad con sólo instalar un software diferente. Gracias a su versatilidad, siempre ha habido una gran demanda de ordenadores de todo tipo que los hacen mejores y cada año más asequibles. Echemos un vistazo a Baxter de nuevo. Se puede decir que él es el ordenador de los 80. Su creación no es ciertamente revolucionaria, pero marcó el comienzo de algo más grande. Es cierto que Baxter opera a una velocidad inferior a la óptima en comparación con otros trabajadores humanos, pero Baxter sólo necesita electricidad, que es muy barata en comparación con el salario del trabajador humano. Después de todo, una décima parte de la velocidad es mejor cuando sólo gastas una centésima parte. Por lo tanto, cuando las empresas utilizan a Baxter, despliegan decenas de ellos en el lugar de trabajo para compensar la velocidad del trabajo y, al mismo tiempo, mantener la eficiencia financiera. Lo que Baxter puede lograr es notable y es lo suficientemente bueno como para hacerse cargo de muchos trabajos de baja cualificación. Ha habido muchas máquinas  menos capaz que Baxter que puede reemplazar trabajos, después de todo. Los supermercados necesitan inicialmente 30 personas para funcionar. Ahora, sólo necesitas a una persona que supervise a 30 robots cajeros.

Amazon incluso abrió su primera tienda de comestibles automatizada llamada Amazon Go, ubicada en Seattle, que elimina por completo las colas de salida y las cajas registradoras. El seguimiento de las compras se realiza a través de dispositivos de IO, como cámaras y sensores, y los pagos se procesan digitalmente cuando usted entra por la puerta. Hay cientos de miles de camareros en todo el mundo y ya hay un robot camarero en camino. Ahora, algunas personas prefieren que su café sea perfecto y no confían en nadie más que en su barman favorito. Sin embargo, la mayoría de la gente sólo quiere tomar una taza de café decente, lo que un bot puede hacer fácilmente de manera consistente. Además, estos robots baristas son en realidad una gigantesca red de robots que pueden reconocer a diferentes personas y prepararles café tal y como les gusta, sin importar dónde estén, lo cual es muy conveniente. Piensa en estos robots camareros que tienen un solo cerebro, una mente de colmena, con cientos de cuerpos en todo el mundo.

Los cambios tecnológicos se perciben a menudo como cosas nuevas y costosas, pero los cambios reales se producen cuando las cosas de la última década se vuelven más baratas y rápidas. Pueden fácilmente superar a los humanos en la competencia por los puestos de trabajo porque son plenamente capaces de tomar decisiones que los hacen aún más aterradores que sus predecesores, los músculos mecánicos.

IA de cuello blanco

 Mencionamos anteriormente que los robots, o para ser precisos, los músculos mecánicos reemplazan el trabajo físico para que los humanos puedan especializarse. Sin embargo, los robots también están empezando a invadir ciertas ocupaciones especializadas y, sin embargo, no tanta gente está preocupada por ello. Hay una historia sobre que hay dos caballos a principios del siglo XX hablando del avance de la tecnología. El primero está preocupado porque la tecnología, los coches, con el tiempo reemplazarán a los caballos. El segundo destacó el hecho de que la tecnología, hasta el momento, sólo ha facilitado las cosas a los caballos. Después de todo, ya no era necesario que los caballos hicieran el trabajo agrícola arrastrando ese pesado arado por todos los campos. La distribución de correo de costa a costa, que resulta muy agotadora, ya no requiere de caballos. Una de las situaciones de pesadilla, en caso de guerra, tampoco necesita caballos. Todos estos trabajos anteriores, desde la agricultura hasta la batalla, son trabajos terribles para los caballos. Ahora, la tecnología facilita las cosas al quitarles esos trabajos y permitir que los caballos trabajen en la ciudad donde hay una gran demanda de transporte. Para los caballos, los trabajos de la ciudad son muy cómodos comparados con el barro, las trincheras, los días de correr y correr contra los fuegos de ametralladora a los que han sido sometidos los caballos. El segundo caballo predijo que habrá más puestos de trabajo para los caballos que nunca. Incluso si, dijo el segundo caballo, los coches están ampliamente disponibles, entonces todavía habrá mejores trabajos para los caballos de lo que pueden imaginar. Sin embargo, todos sabemos lo que pasó. Al final ha terminado siendo todo lo contrario a la visión optimista del segundo caballo. Los caballos siguen allí, y siguen trabajando, pero no es lo que el segundo caballo imaginó. La población de caballos alcanzó su punto máximo alrededor del siglo XX, pero el número disminuyó a partir de ahí. Es una tontería cuando se dice, o incluso se piensa, que una tecnología más avanzada crea un mayor número de puestos de trabajo mejores para los caballos. Sin embargo, cuando reemplazamos en el ejemplo a los "caballos" por "humanos", y se dice que "la tecnología más avanzada crea un mayor número de puestos de trabajo y de mejor calidad para los humanos", de repente a la gente le parece que eso suena bien.


Los músculos mecánicos ponen fin abruptamente al trabajo de los caballos en el transporte. No hay ninguna prueba que diga que las mentes mecánicas harán exactamente eso a los humanos en términos de trabajo mental. No sucederá de la noche a la mañana. No ocurrirá en todo el mundo. Sin embargo, esto ocurrirá en un número suficientemente grande y pronto, y será un gran problema si no estamos preparados. Desgraciadamente, no estamos preparados para esto ni mucho menos. Algunas personas todavía se aferran a la creencia de que los robots no pueden reemplazar sus trabajos mirando el estado actual de la tecnología y su tendencia de desarrollo - haciendo la vida más fácil para los humanos. Cabe señalar que el ritmo de avance de la tecnología es mucho mayor que el de la evolución biológica. Nos lleva miles de años ser capaces de pensar y comunicarnos adecuadamente y ser la especie más inteligente del planeta. La evolución biológica toma su tiempo de adaptación. Por otra parte, la velocidad del avance tecnológico se acelera exponencialmente cada año.

Se requieren miles de años para inventar el lenguaje sólo para comunicarse, pero en las últimas décadas, hemos inventado muchas cosas sorprendentes, y la IA es una de ellas. Los autos terminaron con la vida de muchos caballos. Debemos esperar que la IA haga lo mismo con los humanos. Los coches que conducen por cuenta propia ya no son el futuro porque el futuro es ahora. Están aquí y funcionan según lo previsto. Hay autos que van cientos de millas arriba y abajo de la costa de California, e incluso a través de ciudades donde el tráfico es pesado. Lo lograron sin la intervención humana, lo que dice mucho de cómo los humanos pueden y serán reemplazados. La teoría del darwinismo "Survival of the fittest" (Supervivencia del más apto), para el aprendizaje automático, también se aplica aquí. Hemos mencionado anteriormente que los bots no necesitan ser perfectos en lo que hacen siempre y cuando sean mejores que los humanos, aunque sea ligeramente. Uno puede ver fácilmente cómo eso puede ser una realidad. Los accidentes de tráfico causan hasta 40,000 muertes al año sólo en los Estados Unidos. Dado que los coches de autoconducción no parpadean, no envían mensajes de texto mientras conducen, no se duermen ni se vuelven tontos, todo el mundo puede ver fácilmente cómo son mejores que los humanos porque, seamos sinceros, ya lo son. Algunos argumentan que tienen ciertos defectos técnicos que podrían conducir a accidentes evitables. Algunos pueden señalar el hecho de que los accidentes de tráfico pueden no ser eliminados por completo, incluso con los coches de autoconducción. Todos ellos tienen puntos válidos, pero lo más importante a tener en cuenta es que los coches de autoconducción funcionan, y hacen un mejor trabajo que nosotros en la conducción. Con su aplicación, se reducirá el número de muertes asociadas a los accidentes de tráfico, lo que es suficiente para el público en general.


En realidad, llamar a los coches autopilotados como tales es lo mismo que llamar a los primeros coches "caballos mecánicos". Incluso se podría decir que los coches son lo que son porque pueden hacer mucho más que los caballos, y lo mismo puede decirse de los coches que se conducen solos. Podemos llamarlos con más sentido que nunca vehículos "autopilotados" a la solución para el transporte de objetos o personas de un punto a otro sin intervención humana. Ahora, podemos ver cómo estos vehículos autopilotados pueden reemplazar a los humanos en más de una forma. Los coches tradicionales son de tamaño humano porque se supone que transportan humanos. Sin embargo, los autopilotados no solo se limitarán al transporte de personas. Los más pequeños se pueden utilizar en almacenes y los más grandes pueden trabajar en minas a cielo abierto. La tarea de trasladar cosas cubre un gran número de puestos de trabajo, es el mayor empleador hoy día de muchos países como en E.E.U.U.  o en Europa. La industria del transporte tiene empleadas a no menos de tres millones de personas solo en Norte América. En todo el mundo estaríamos hablando de unos 70 millones de puestos de trabajo como mínimo, y los vehículos autopilotados los eliminarán a todos. Algunas personas creen que los sindicatos procurarán evitar que eso suceda. Lamentablemente, esta no es la primera vez que los sindicatos se han levantado en contra de algo, especialmente en contra  del uso de tecnología avanzada. Ya hemos visto muchos acontecimientos de trabajadores que lucharon en contra de la tecnología que los reemplazaría. Todos sabemos lo que sucedió: los trabajadores siempre pierden. La amarga realidad es que la economía siempre gana y los incentivos de usar bots para reemplazar a los humanos son ahora mayores que nunca, especialmente cuando se trata del uso de los automóviles. Para muchas compañías de transporte, los seres humanos ya representan un tercio de sus gastos totales. Eso es sólo el salario. Durante un largo trayecto, la mercancía puede tardar unos días en llegar a su destino. En el camino, los conductores humanos necesitan tomar un descanso, dormir, lo cual cuesta tiempo y dinero. Los accidentes y el descuido también cuestan dinero.

Algunas personas creen que las compañías de seguros estarán en contra de la
de los coches de conducción automática, pero es todo lo contrario. Las compañías de seguros sacan beneficio de aquellos que no se ven involucrados en accidentes y tratan de no ofrecer sus servicios a aquellos que sí lo hacen. Así que, en todo caso, la introducción de los autos de conducción automática minimizará los accidentes, lo que significa menos gastos para las empresas. Los autos de conducción automática ya están en camino. Ya estamos viendo cómo las empresas automovilísticas compiten para perfeccionar las capacidades de autoconducción en los coches. La industria del automóvil será el primer lugar donde la gente sentirá la gran influencia de los robots en la sociedad. Y lo que es más preocupante, hay muchos otros lugares en la economía en los que ocurre lo mismo, aunque es menos perceptible. Si los bots pueden revolucionar el transporte, entonces pueden hacer lo mismo con todo lo demás.

Es fácil, incluso conveniente, mirar a los autos y a los Baxter y pensar que la tecnología siempre se ha deshecho de los trabajos de baja cualificación que además, la mayoría de la gente no quiere hacer. Reemplazarlos, como siempre lo ha hecho la tecnología, significa que la gente puede especializarse en mejores trabajos. Aparte del problema de conseguir que millones de personas obtengan la educación necesaria para especializarse, el trabajo de cuello blanco tampoco está exento de ser reemplazados por los bots. Si el trabajo requiere que una persona se siente frente a la pantalla de una computadora y escriba y haga clic ocho horas al día, entonces ese trabajo también puede ser automatizado. ¿Por qué no instalar un bot en el ordenador para hacer el trabajo? Estos robots de software son aún más aterradores que los Baxter. Son intangibles, lo que significa que ocupan aún menos espacio que un trabajador humano, y trabajan mucho más rápido, sólo que se restringen al hardware instalado. En cualquier caso, son mucho más eficientes que un trabajador humano, y su mantenimiento es muy barato. Desde el punto de vista de la empresa, los trabajadores de cuello blanco son costosos y numerosos, por lo que el incentivo para automatizar su trabajo es mayor que incluso los trabajos poco cualificados.

Por supuesto, los robots de software necesitan programadores para crearlos primero. Ese es un trabajo para los humanos, y se les llama ingenieros de automatización. Son programadores altamente cualificados cuyo trabajo es reemplazar tu trabajo con robots de software.

Puede que pienses que es imposible, incluso para los programadores más capaces, crear robots que puedan sustituir a los empleos de cuello blanco, y puede que tengas razón. Sin embargo, hasta el momento, la tecnología ha logrado hacer muchas cosas que inicialmente nos parecían imposibles. Logramos volar en un vehículo más pesado que el aire, navegar en una nave tan enorme que milagrosamente flota, y elevarnos sobre el cielo y llegar hasta un cuerpo celeste. Con la tecnología, somos como el abejorro. Pensábamos que no se podía hacer algo y, sin embargo, gracias a la tecnología, lo conseguimos de alguna manera. Realizamos milagro tras milagro, el milagro de los robots que podían hacer trabajos de cuello blanco tampoco es tan descabellado. Además, la vanguardia en programación no consiste en la programación de robots súper inteligentes por parte de humanos. Se trata de programadores que desarrollan bots que pueden enseñarse a sí mismos a hacer algo. Así, los robots pueden aprender a hacer cosas incluso cuando reciben poca o ninguna instrucción o datos. Incluso sin datos, los bots pueden aprender, como lo demuestran los bots de OpenAI que frustraron al mejor jugador de eSports del mundo al cabo de dos semanas de entrenamiento.

El mercado de valores ya no involucra tanto a los seres humanos. En su mayoría son los robots los que se enseñaron a sí mismos a comerciar acciones y a comerciar acciones con otros robots los que se enseñaron a sí mismos. Por lo tanto, hoy día no se puede hallar una sola alma trabajando en la Bolsa de Nueva York. Todo lo que queda es una gran pantalla. De hecho, ya hay bots que pueden escribir libros de Harry Potter, entre otras cosas. Algunos periódicos publicados están siendo escritos por bots, y muchos de nosotros no podemos notar la diferencia. Este mismo manual sigue siendo escrito por un ser humano, pero es posible que en el futuro no lo sea. Una vez más, los robots no necesitan ser como Shakespeare. Sólo necesitan hacer mejor trabajo de escritura que nosotros, aunque sea sólo un poco, lo que no es difícil de lograr. Ciertas compañías ya enseñaban a los bots a producir contenidos como noticias, deportes e informes. Mucho trabajo humano como el papeleo, la escritura e incluso la toma de decisiones son los objetivos de estos bots, no sólo porque pueden ser automatizados, sino porque hay mucha gente trabajando en estos campos. Esto significa que el incentivo para que las empresas utilicen robots para reemplazar a sus trabajadores humanos es enorme.

¿Pero qué hay de otras profesiones? Echemos un vistazo a los abogados. Tendemos a pensar que pasan mucho tiempo en los juicios. Sin embargo, su trabajo consiste principalmente en preparar documentos legales y predecir el resultado y el impacto de las demandas. Sólo una pequeña parte de su trabajo está en la sala del tribunal. Todos los trabajos de los abogados mencionados anteriormente pueden ser fácilmente automatizados. También hay otro trabajo que es muy apropiado para los robots, que se conoce como " la búsqueda ". En este caso, el abogado recibe una gran cantidad de documentos y necesita hacer todo lo posible para encontrar pistas o pruebas que le permitan ganar el caso. Esto parece un trabajo que los robots pueden hacer con facilidad. Por eso, ya no hay tanta gente trabajando en bufetes de abogados, ya que los robots pueden procesar miles de documentos en muy poco tiempo sin cometer errores. Estos robots de investigación ya han aplastado a sus competidores humanos porque son más baratos, más rápidos y más precisos. Los seres humanos, después de todo, pueden adormecerse o aburrirse y pasar por alto esa transacción fuera de lugar o ese correo electrónico entre un millón que podría ganar el caso. Los robots no se duermen ni se aburren cuando procesan todos esos documentos.

Para empeorarlo, las capacidades de los robots de las que hablamos anteriormente son sólo cosas sencillas. En 2011, IBM creó Watson, que fue diseñado para ser un sistema informático que puede responder a las preguntas. Watson fue nombrado en honor al primer CEO de IBM, Thomas J. Watson, un industrial. Watson fue desarrollado por DeepQA a partir de la misma empresa cuyo proyecto fue liderado por David Ferrucci, Investigador Principal. Watson fue desarrollado inicialmente para participar en un concurso clásico conocido como "Jeopardy" y algunos de nosotros pudimos ver a nuestro querido Watson en acción durante ese programa de juegos. Watson no solo es que pudo ganar, sino que literalmente demolió a sus oponentes sin sudar. Se puede argumentar que la razón por la cual ganó Watson es tuvo acceso a más información que sus competidores y que fue capaz de acceder a ella durante la prueba. Es cierto que se trata de una ventaja injusta, pero eso da igual. Es por eso que los bots son mejores que los humanos. Sin embargo, Watson no está diseñado sólo para los concursos de preguntas y respuestas. Ese es sólo su segundo objetivo. Tiene un puesto en Slone-Kettering como un médico muy competente, si no el mejor, en el mundo, entiende a los pacientes cuando describen con sus propias palabras su enfermedad  y elabora un diagnóstico preciso. A partir de ahora, está brindando asesoramiento útil sobre los tratamientos para el cáncer de pulmón. Una vez más, Watson no es, ni necesita ser perfecto en lo que hace. Hay y habrá un tiempo en que cometa un error, pero todos podemos estar seguros de que cometerá muchos menos errores en comparación con los médicos humanos. No es realista pensar que los médicos humanos nunca cometen errores, no importa cuán experimentados sean. Hay un viejo proverbio que dice que errar es de humanos. los errores que cometen los médicos pueden costar la vida a los pacientes o dañarlos  para siempre. Los médicos necesitan explorar un gran laberinto en la historia clínica de sus pacientes, lo que ya es un reto difícil en sí mismo.

El mejor tratamiento requiere que el médico revise el historial médico del paciente para obtener una comprensión completa de todos y cada uno de los medicamentos y cómo interactúan con otros medicamentos. Esto es de por sí solo de una complejidad imposible, comparable a la de Dota 2. No hay humanos capaces de comprender completamente la reacción entre múltiples fármacos utilizados en un paciente. También hay bots de investigación que prueban cientos de medicamentos nuevos al mismo tiempo. Los médicos humanos pueden mejorar a través de la experiencia individual. Los robots médicos ganan experiencia de la misma manera, pero pueden compartir esta experiencia con otros robots. Al igual que nuestros robots cafeteros, estos robots médicos comparten un solo cerebro. Además, los bots médicos pueden mantenerse al día con cada nueva información o descubrimiento médico diseminado a través del globo. Pueden rastrear las condiciones de sus pacientes sin importar dónde se encuentren y hacer correlaciones, lo cual está más allá de lo que los humanos podemos hacer. Por supuesto, eso no significa la desaparición de los médicos humanos. Sin embargo, cuando tienes un médico robot totalmente capacitado que es comparable, si no mejor, que su contraparte humana, y que el robot está a sólo una llamada de distancia, la necesidad de médicos humanos será menor. Por lo tanto, tanto los trabajadores de cuello blanco como los de cuello azul tienen algo de qué preocuparse cuando se desarrolle la IA y la automatización. Ahora bien, todavía podría haber un rayo de esperanza, otro campo de profesión que algunos podrían considerar como la última esperanza de la ocupación de la humanidad. Eso es creatividad. Lamentablemente, los artistas y músicos tampoco están a salvo de los bots.

Inteligencia artificial creativa

La creatividad nos parece un manantial interminable del que se extraen obras maestras únicas. Es el lugar donde las personas pueden entrelazar sus pensamientos con palabras o producir imágenes que evocan las mismas emociones en los demás. En realidad, no es tan mágico como pensamos. Es cierto que nuestro cerebro es una cosa compleja, posiblemente la cosa más complicada del universo gracias a la evolución biológica aleatoria. Sin embargo, el cerebro humano sigue siendo, en esencia, una máquina que puede ser simulada hasta cierto punto. Este hecho por sí solo empujó a los científicos a tratar de desarrollar una inteligencia artificial que sea tan eficaz como nuestro cerebro, si no mejor. Así como los músculos mecánicos llevan a la gente al trabajo intelectual, la inteligencia automática hará lo mismo, y la gente se mudará a una ocupación creativa en lugar de ello. Supongamos por un momento que la mente humana es mágicamente creativa (no lo es, pero lo supongamos por un momento), la creatividad artística no es realmente una fuente confiable de ingresos porque no hay mucha gente que gane mucho dinero con ella, por no mencionar que este tipo de trabajos ni siquiera constituyen una parte notable de la población trabajadora.

Dado que las personas creativas exitosas dependen de ser famosas, ganarse la vida con un trabajo creativo no es una buena alternativa. Tal como están las cosas, la industria del entretenimiento y las industrias basadas en la creatividad ya están sobresaturadas, y usted necesita ser realmente creativo para obtener ese golpe de suerte que necesita. Eso y que conozcas a todas las personas adecuadas que puedan empujarte en la dirección correcta. Si todos nos dedicáramos a este tipo de trabajo, mucha gente se moriría de hambre. Es una tontería pensar que puede haber una economía basada en poemas, pinturas, películas, etc. Cuando se trata de creatividad, ya hay un robot que da su primer paso. Emily Howell es una bot que produce música gratis. Mucha gente no pudo diferenciar entre su trabajo y el trabajo de un ser humano cuando fueron sometidos a una prueba a ciegas. Los robots creativos también están en crecimiento. Inicialmente, el ajedrez era percibido como un deporte sólo para humanos donde los robots nunca podrían competir. Estábamos equivocados. Los bots están dando grandes pasos y esto traerá cambios que podrían ser potencialmente destructivos para todos nosotros. Esta es una realidad que mucha gente encuentra difícil de aceptar, y muchos todavía rechazan esta idea. Es cómodo ser cínico con las predicciones interminables y tontas sobre el futuro que nunca se cumplen. Por lo tanto, es importante enfatizar una vez más que no es ciencia ficción cómo los bots y sus aplicaciones pueden reemplazar a los humanos. Estos robots ya están entre nosotros aquí y ahora. Están mejorando cada vez más, y aunque seguimos ignorando el hecho, esos robots continúan demostrando su experiencia en muchos aspectos, ya sea en un trabajo de obrero, un trabajo de oficina o incluso una profesión basada en la creatividad. La revolución robótica es diferente de las revoluciones económicas anteriores que hemos visto. Los caballos no perdieron sus trabajos porque querían trabajar. Son simplemente inempleables porque hay otros medios de transporte mejores. Ahora, vimos lo que la tecnología le hizo a los caballos. Apenas se puede encontrar trabajo para los caballos que produzca un beneficio decente de manera consistente. Lo mismo se puede decir de los seres humanos. Muchos individuos talentosos estarán desempleados al igual que ocurre hoy día con los caballos, no porque sean perezosos. Su desempleo no será por culpa de ellos.

Algunos otros siguen creyendo que finalmente surgirán nuevos empleos que son exclusivos de los humanos, así que esto es otra cosa que también se puede discutir. Según el censo estadounidense de 1776, sólo había decenas de tipos de empleos disponibles. Ahora, hay cientos de tipos de empleos, pero los más nuevos ni siquiera constituyen la mitad de la fuerza laboral existente. En la actualidad, los tres puestos de trabajo más importantes son los de transporte, vendedores minoristas y supervisores de primera línea, que ascienden a más de 5 millones. Cajeros, secretarias, gerentes, representantes de ventas, enfermeras tituladas, maestros de escuela primaria, limpiadores, conserjes también están allí, y su número es cercano a los 3 millones. Todos estos trabajos existen desde hace cientos de años. Estos trabajos pueden y serán automatizados.

Durante la gran depresión, la tasa de desempleo era del 25%, lo que representaría aproximadamente la mitad de la población activa actual. Este es un problema muy serio, dado por supuesto el hecho, de que las máquinas, podrán hacer la mayoría de los trabajos más importantes que dan empleo a millones de trabajadores en todo el mundo. Si ha leído hasta aquí, puede estar convencido de que éste es el fin de la humanidad. No te preocupes. Lo que queremos señalar es el hecho de que la automatización se producirá en algún momento, por mucho que luchemos contra ella. Esta ha sido siempre la tendencia en la tecnología, proporcionando herramientas para producir abundancia con poco esfuerzo. Como se mencionó anteriormente, la IA y la automatización pueden causar destrucción si no estamos preparados, y ciertamente no lo estamos. Sin embargo, eso no significa que ya sea demasiado tarde. La humanidad como especie necesita empezar a pensar qué hacer cuando la mayoría de la población se quede sin trabajo, especialmente cuando esta situación ocurre por una fuerza fuera de su control. ¿Qué pueden hacer en el futuro los jóvenes graduados universitarios, frescos y perfectamente capacitados, donde, para la mayoría de los trabajos, los seres humanos no necesitan aplicar? Antes de que podamos empezar a discutir planes de acción que puedan salvar a la humanidad, es importante saber cómo se pueden utilizar estos bots en todas las industrias. Sólo entonces se podrá medir con precisión la verdadera magnitud que supondrá la automatización.


Cómo se desplegará la IA en las industrias

Cuando reflexionemos sobre ello deberemos estar agradecidos de no tener que hacer todo manualmente, porque eso nos llevaría la mayor parte del tiempo. En la actualidad, todo el mundo vive en una época en la que una gran cantidad de trabajo está siendo lentamente asumido por las máquinas, el software y otros procesos automáticos. Ya no se necesitan diez personas para montar un coche que necesita de varias horas, cuando un grupo de brazos robóticos y cintas transportadoras pueden hacer lo mismo en menos tiempo y con mayor precisión. No necesitas un intérprete cuando Google Translate está en tu bolsillo, así que viajar por el mundo ya no parece tan intimidante. Por lo tanto, la IA ocupa un lugar especial en todos y cada uno de los avances tecnológicos actuales. Se puede decir que la IA existe para ayudarnos en nuestras tareas. Como tal, la vida moderna también se ha vuelto más y más avanzada con el uso de estas tecnologías. Entonces, ¿cómo se implementan? ¿En qué sentido son importantes?


Una gran ayuda para los humanos

En la etapa actual, es seguro decir que los sistemas de IA ayudan a reducir los esfuerzos humanos en varias áreas lo más eficazmente posible. Esto nos permite centrar nuestros esfuerzos en lo que se necesita. Con el fin de realizar diferentes operaciones dentro de la industria, muchas empresas utilizan la IA para crear máquinas trabajadoras que realicen trabajos humanos, y que sean más rápidas y precisas. Un mundo sin errores y eficiente es para lo que está aquí la IA, por no mencionar la eficiencia y la productividad.


Industrias Pesadas

 La IA es una parte integral de muchas unidades de producción en muchas grandes empresas de fabricación. Estos sistemas de IA se utilizan para formar un objeto con una forma específica, moverlo, calentarlo y otras formas de trabajo. Gracias a la versatilidad de los bots en las industrias pesadas, pueden realizar muchos trabajos de forma eficiente y a tiempo. La IA también se utiliza para mantener registros de todos los empleados y de los datos importantes de la empresa, que se almacenan y extraen cuando surgen las necesidades. Las industrias pesadas prosperan con el sistema de IA porque la mayoría de los trabajos en esas industrias son los más fáciles de automatizar, lo que permite a las compañías ahorrar mucho dinero en costos operativos.


Finanzas y Banca

Estas industrias tienen que hacer frente a problemas importantes como el robo de identidad y los casos de pérdida por fraude mientras las transacciones en línea crecen rápidamente cada año. La IA puede ayudar al proporcionar otra capa de ciberseguridad al utilizar el aprendizaje profundo para analizar patrones e identificar comportamientos sospechosos y prevenir posibles fraudes con anticipación. Por ejemplo, PayPal logró reducir su tasa de fraude por debajo del 0,5% de los ingresos mediante un sofisticado sistema de aprendizaje profundo que permite al bot analizar las transacciones en tiempo real. AI también puede ayudar en tareas mundanas en la industria financiera evaluando la calidad del crédito o automatizando las interacciones con los clientes que ahorran mucho tiempo y dinero.

Cuidado de la salud

En el sector de la salud, además de Watson, la IA puede ser una ayuda inestimable a la hora de analizar datos médicos complejos como rayos X, tomografías computarizadas y otras formas de pruebas de detección y análisis. Utilizando los datos y las fuentes de conocimiento del paciente fuera de la investigación clínica, un profesional médico puede construir un tratamiento personalizado adecuado para cada paciente. Por ejemplo, una aplicación médica llamada Babylon AI utiliza el reconocimiento de voz para consultar a los pacientes y comprobar sus síntomas con una base de datos masiva antes de realizar los tratamientos correctos. Handover, un proyecto de Microsoft, también utiliza el aprendizaje automático para hacer predicciones sobre el tratamiento farmacológico más efectivo para el cáncer individualmente.

Venta al por menor
Como se mencionó anteriormente, el comercio minorista es una de las industrias más fáciles de automatizar. La aplicación de AI parece estar diseñada para sustituir por completo a la venta al por menor. La IA puede servir como una inteligencia de conversación que permite a las empresas responder a las preguntas más frecuentes de los clientes, lo que permite a los proveedores de servicios humanos de atención al cliente tener el tiempo necesario para hacer frente a las solicitudes más complejas. La IA también se puede utilizar para seguir las peticiones mediante el análisis y la segmentación de las llamadas de ventas utilizando el reconocimiento de voz y el procesamiento del lenguaje natural. Los chatbots y el asistente de cliente virtual también desempeñan un papel importante en el sector minorista. En total, hay suficientes bots para permitir a las empresas minoristas funcionar y proporcionar servicio al cliente las 24 horas del día, los 7 días de la semana, especialmente cuando pueden responder a preguntas básicas sin intervención humana. También hay motores de recomendación que utilizan tecnología de aprendizaje automático para predecir y analizar a los clientes para que su experiencia de compra pueda ser personalizada. Con esto, verás diferentes recomendaciones en comparación con tus amigos. Las principales plataformas de comercio electrónico como Amazon se basan en el sistema de recomendaciones. Gracias a esto, sus ingresos se disparan en un 30%. También hay campañas de ventas geo-orientadas diseñadas para diferentes personas en diferentes regiones geográficas. Utilizan la optimización de precios para producir la oferta adecuada. El software de precios dinámicos de Darwin Pricing es un buen ejemplo. Estos sistemas de optimización de precios utilizan ampliamente la tecnología de aprendizaje automático. En nuestro ejemplo, Darwin Pricing utiliza redes neuronales artificiales para modelar las expectativas de precios para diferentes lugares. Como tal, los minoristas pueden ofrecer descuentos efectivos para aumentar las ventas sin comprometer tanto sus beneficios.


Enseñanza superior

 Contrariamente a la creencia popular, impartir una clase para decenas de miles de estudiantes puede ser automatizada. El argumento principal es que es imposible automatizar la enseñanza cuando los estudiantes y cada clase son tan singulares. En realidad, la IA también se está introduciendo lentamente en este campo. Muchas personas asumen que la automatización implica hacer lo mismo una y otra vez, lo cual es ineficaz en la educación. Sin embargo, los bots no hacen lo mismo para todo, como se muestra en el comercio minorista y en el comercio electrónico. Los bots pueden utilizar un aprendizaje personalizado que utiliza los contenidos educativos de acuerdo con las necesidades de cada estudiante. Este nivel de personalización está más allá de lo que podemos hacer, tanto mental como físicamente. Aquí, el análisis de datos ayuda a implementar programas de aprendizaje adaptativo al permitir que los profesores recopilen y analicen los datos de los estudiantes observando su rendimiento, estilo de aprendizaje y estilo de vida, de modo que el programa de aprendizaje se pueda ajustar de acuerdo con ello para lograr el mejor resultado posible.

La aplicación de la IA en la enseñanza superior ya está en marcha. La Universidad Estatal de Oregon utiliza estas tecnologías de aprendizaje adaptativo para ayudar a los estudiantes que están tomando algunos de los cursos más difíciles que tienen las tasas de deserción más altas. Esto hace que los estudiantes tengan más ganas de aprender porque la experiencia se adapta a ellos y el curso parecerá menos difícil porque la enseñanza es efectiva. La Universidad del Norte de Arizona también comenzó a implementar la IA en sus programas de enseñanza. Como resultado, sus DFW (grados D, F y Retiros) se han reducido significativamente del 23% al 19%, lo que demuestra el éxito de la aplicación de AI. AI también puede dar retroalimentación inmediata sobre las tareas de escritura de los estudiantes, que es exactamente lo que usó la Universidad de Michigan. En su programa llamado Análisis Automático de Texto (ATA), el trabajo del estudiante es escaneado para identificar las fortalezas y debilidades en cada presentación y da recomendaciones para que los estudiantes puedan revisar sus trabajos de manera efectiva.

Energía y servicios públicos

En la actualidad, AI se encuentra todavía en su fase inicial de implementación en la industria de la energía y los servicios públicos. Aún así, varias empresas de este sector comenzaron a invertir en la nueva tecnología. La IA y los grandes negocios de datos en la industria se multiplicaron por diez en 2017. Los líderes de la industria esperan que la IA haga que los sistemas energéticos sean mejores, más limpios, más fiables y asequibles. La IA se ha utilizado ampliamente en pronósticos de energía inteligente, redes digitales autorregenerables y análisis de datos para gestionar la generación renovable intermitente. También se espera que los bots analicen los patrones de las redes eléctricas para localizar las vulnerabilidades. Un proyecto dirigido por el Laboratorio Acelerador Nacional SLAC del Departamento de Energía quiere utilizar la IA para minimizar o prevenir las fallas de la red eléctrica mediante la instalación de una red autónoma que responda a eventos perturbadores de forma instantánea.


Tecnología

Puede parecer sorprendente, pero las empresas de tecnología no desarrollan la IA en primera instancia. Los servicios que prestan no consisten, en principio, en sustituir el trabajo de otras personas. La IA también tiene su uso dentro de las empresas de tecnología, lo que debería ser obvio. De hecho, los gigantes de la tecnología como Google, IBM o Apple son conocidos por comprar y fusionar empresas más pequeñas con ellos para que puedan tener una ventaja competitiva. El diagnóstico de problemas técnicos en los dispositivos de las personas es tan complejo como el diagnóstico de una enfermedad. El proceso es complejo y la solución puede ser difícil de entender para la gente normal. Como tal, la capacidad de entender lo que el cliente está diciendo y saber exactamente lo que está mal con el dispositivo es fundamental. Aquí es donde entran en juego los robots de chat o los asistentes virtuales de los clientes con capacidad de reconocimiento de voz y procesamiento del lenguaje natural. Los chatbots también tienen su uso fuera de las pequeñas y medianas empresas. Los líderes del mercado también necesitan crear sus propios asistentes de voz inteligentes. Google Home, Cortana de Microsoft, Siri de Apple son algunos ejemplos. Son plenamente capaces de analizar el lenguaje humano y proporcionar respuestas adecuadas. Los motores de traducción habilitados para la IA también son importantes hoy en día porque revolucionan la comunicación. No sólo que ahora tenemos un intérprete en nuestro bolsillo, como Skype, que ofrece traducciones de IA en tiempo real, Google Translate ahora tiene capacidad de escaneo de idiomas e imágenes para que usted pueda simplemente tomar una foto, hacer que la aplicación la escanee y produzca traducciones precisas. Esto es gracias a la tecnología de aprendizaje profundo y automático que permite el reconocimiento de idiomas y la traducción instantánea entre idiomas.

Facebook utiliza ahora el reconocimiento facial y de imágenes, principalmente para evitar el robo de identidad. Ahora se informa a los usuarios cuando se carga una imagen de ellos y se les pregunta si el usuario desea etiquetarse a sí mismo en esa imagen, incluso si la imagen fue cargada por un completo desconocido. La industria de la tecnología tiene muchos usos para los bots y sus usos e implementaciones siguen en aumento.

Transporte

Uno de los medios de transporte más sistematizado es el transporte aéreo. Debido a su complejidad, especialmente la planificación, el transporte aéreo no puede prosperar sin la ayuda de la IA. Varias funciones en el proceso de gestión están actualmente controlados por la IA. Puedes reservar los billetes de avión y la IA estará allí para facilitar el proceso. En el aeropuerto puede incluso hacer el check-in automáticamente. La IA también se puede utilizar en el control de pasaportes. Con AI, los transportes aéreos se vuelven más eficientes, rápidos y seguros para todos.

Cómo podemos trabajar con la IA

Ha quedado claro que la IA es totalmente capaz de hacer lo que los humanos pueden hacer, aunque inicialmente parecía imposible para los robots. Pueden leer y traducir idiomas, proporcionar servicios al cliente, o incluso diagnosticar enfermedades o problemas técnicos mejor que nosotros. Los bots están mejorando día a día, a un ritmo mucho más rápido que la evolución biológica. Es sólo cuestión de tiempo que los bots nos reemplacen a todos en la economía, y esto plantea varias preocupaciones. A la vez, todo esto es especulación, pero el hecho de que la IA pueda reemplazar a los humanos está presente. Ese futuro es muy posible gracias a la tendencia actual de la tecnología y el desarrollo de la IA. Ya sabemos lo que la IA puede hacer, pero el futuro puede no ser tan sombrío. Es cierto que la IA nunca antes ha sido una mejor herramienta digital y cambiará la forma en que hacemos nuestro trabajo para siempre. Eso podría no ser suficiente para que AI nos reemplace. Existe la posibilidad de que los bots estén allí para ayudarnos en nuestro trabajo diario. Está ahí para complementar nuestra capacidad, lo que nos permite hacer muchas cosas grandes. Muchas empresas utilizan la IA para automatizar todo lo que pueden en el lugar de trabajo, pero sólo es una ganancia de productividad a corto plazo si la IA está allí sólo para desplazar a los empleados. Según una investigación realizada por Harvard Business Review en la que participaron 1.500 empresas, se ha descubierto que la mejora óptima del rendimiento se produce cuando el IA y los seres humanos trabajan juntos. ¿Por qué es eso?


Humanos vs. IA

Con el tiempo suficiente, los robots son totalmente capaces de hacer casi cualquier cosa que podamos hacer. Eso ya está demostrado. Es por eso que pensamos que los robots pueden y van a inundar el mercado laboral. Sin embargo, todavía hay cosas que podemos hacer que la IA no puede hacer, y viceversa. Vale la pena examinar el asunto más de cerca para que podamos comprender mejor cómo va a cambiar la fuerza laboral y cómo los robots no están destinados a reemplazarnos, sino a complementarnos en nuestro trabajo.

Las capacidades de la IA se utilizan mejor cuando se trata de completar tareas repetitivas y resolver ciertos problemas que implican el procesamiento de una gran cantidad de datos. Los humanos pueden y se aburrirán y se distraerán, lo que llevará a errores. Nuestro cerebro no está diseñado para pasar por tales trabajos. Los robots no pueden sentirse aburridos y pueden obtener una gran cantidad de datos, por lo que son mucho mejores en este trabajo. Hay un dicho: "Errar es humano", que simplemente significa que todo el mundo comete errores. Nos lleva mucho tiempo revisar una gran cantidad de datos y cometeremos errores en el camino. Esto es natural, pero no hay lugar para errores en el lugar de trabajo. Los bots pueden procesar varios miles de documentos en poco tiempo con precisión. Es por eso que Deep Blue de IBM derrotó a Gary Kasparov en ajedrez en 1997. Es por eso que DeepMind de Google derrotó a Lee Sedol en el juego de Go hace apenas dos años. Es por eso que los robots de OpenAI derrotaron a los mejores jugadores de Dota 2 hace dos años. Los bots utilizan el análisis de patrones en los datos dados en base a las reglas y parámetros que se les proporcionan. Pero eso es todo para los robots.

Capacidades humanas

La precisión de la IA es tanto su fuerza como su debilidad. La IA puede producir una salida razonablemente precisa después de procesar una gran cantidad de datos, pero no puede lidiar con la ambigüedad y las áreas grises. Realizan su trabajo basándose en lo que se les dice con poco conocimiento del contexto o matiz. Sólo pueden hacer su trabajo cuando hay suficiente información clara, y fracasan cuando se proporciona información poco clara. Como tales, son malos para tomar decisiones, lo que suscitó muchas preocupaciones éticas sobre la toma de decisiones por parte de los robots. El hecho de que la IA sea capaz de interpretar los datos de forma tan perfecta sólo es posible porque los humanos son en realidad quienes ordenan, organizan, limpian y preparan los datos para los bots. Los bots son entrenados inicialmente usando la máquina de aprendizaje o la tecnología de aprendizaje profundo a través de datos etiquetados, lo que significa que se requiere que los humanos revisen los datos y los etiqueten apropiadamente para que los bots puedan ser entrenados. Los humanos son simplemente mejores reconociendo cosas en primera instancia y ayudan a los robots a identificarlas. A medida que la economía se vuelve más y más digitalizada y automatizada, habrá una necesidad de humanos con habilidades de pensamiento crítico. Una vez más, los bots no entienden el contexto ni son flexibles. Sólo trabajan en un entorno predecible. Las habilidades de pensamiento crítico no son exclusivas de los trabajos de cuello blanco. Es ineficiente diseñar robots y sistemas de IA para arreglar problemas de fontanería o construir rascacielos. En su lugar, se utilizarán bots para facilitar los trabajos, de manera que sean más rápidos, seguros y eficientes.

Veredicto

 En resumen, la inteligencia humana y la inteligencia artificial se complementan muy bien. Ambos tienen cualidades que crean al trabajador perfecto: liderazgo, trabajo en equipo, creatividad, habilidades sociales, velocidad, escalabilidad y capacidades cuantitativas. Las cosas que podemos hacer naturalmente están más allá de lo que una IA puede hacer, como hacer una broma. Tareas sencillas como el análisis de terabytes de datos son imposibles para nosotros, pero los bots pueden hacerlo bien. Una empresa necesita ambas cosas para funcionar de forma óptima, lo que demuestra lo bien que los seres humanos y los robots pueden trabajar al unísono. Para sacar el máximo provecho de esto, las compañías necesitan entender cómo los humanos pueden aumentar las máquinas de la mejor manera posible, cómo la IA puede mejorar las capacidades de los humanos, y rediseñar el proceso de negocio para facilitar esta colaboración.


Humanos Ayudando a las Máquinas

Los seres humanos necesitan desempeñar muchas funciones críticas para complementar de la mejor manera posible a los robots. Los robots necesitan ser entrenados para que puedan automatizar las tareas. Los humanos también son necesarios para explicar a los robots el resultado deseable de estas tareas para prevenir la producción de resultados que sean contrarios a la intuición o controvertidos. También necesitan sostener el uso responsable de estas máquinas. Formación Antes de poder iniciar la automatización, los robots deben aprender a hacerlo. Por lo tanto, se necesitan muchos conjuntos de datos para entrenar a los robots. Los robots de traducción, en particular, necesitan muchos datos para traducir expresiones idiomáticas con precisión. Los bots médicos también necesitan la misma cantidad de datos para diagnosticar una enfermedad con precisión. Los sistemas de IA deben ser entrenados de manera que funcionen mejor con humanos, tanto en términos de trabajo con sus colegas carnosos como de compatibilidad con los usuarios finales.

Organizaciones de varios sectores se encuentran en la etapa inicial de llenar los roles de capacitadores, pero gigantes de la tecnología como Google ya cuentan con personal de capacitación y experiencia consolidados. Por ejemplo, Cortana, asistente de inteligencia artificial de Microsoft. Requiere mucho entrenamiento para desarrollar la personalidad perfecta para los usuarios. Cortana necesita tener confianza en sí misma mientras que es cuidadosa y servicial sin ser mandona. Desarrollar tales personalidades es mucho más difícil de lo que parece, principalmente porque los datos por sí solos no son suficientes. Necesitas un equipo de poetas, novelistas y dramaturgos para crear una IA con personalidad. Lo mismo podría decirse de Siri de Apple y Alexa de Amazon, que representan las marcas de su empresa. Por ejemplo, Siri es un poco descarada, lo que mucha gente puede esperar de Apple. Los asistentes de IA también están siendo entrenados para mostrar rasgos humanos más complejos pero sutiles, que es la simpatía.

La puesta en marcha del MIT Media Lab de Koko ha creado una tecnología para ayudar a la IA a simpatizar con los usuarios. Por ejemplo, si el usuario tiene un mal día, entonces el sistema Koko se activa. En circunstancias normales, la IA dará una respuesta fría como "Siento oír eso", lo que no ayuda en nada a la situación. En su lugar, el bot preguntará a los usuarios si quieren hablar de ello e incluso podría dar consejos para ayudar a los usuarios a hacer frente al problema. Si el usuario está estresado, entonces la IA le ayudará explicando qué puede ser una emoción positiva que podría ser utilizada para hacer en su lugar cosas buenas.

Explicando

Se requiere que los expertos humanos en la materia expliquen por qué o cómo la IA llegó a esa conclusión. La mayor parte del tiempo, la IA puede hacer sugerencias extrañas como el ejemplo del que hablamos cuando la IA sugirió limpiar el barco dos veces al año en lugar de una vez cada dos años. La gente que no sabe exactamente cómo los bots llegan a esa conclusión cuestionará su decisión, especialmente cuando se trata de leyes y medicina. Aquí, un profesional necesita entender cómo la IA toma decisiones basándose en las aportaciones dadas y cómo pondera esas aportaciones individualmente cuando llega el momento de tomar una decisión sobre cuánto tiempo un criminal debe estar encarcelado o qué medicamento o tratamiento debe administrarse para el paciente. Estos explicadores también ayudan a muchos aseguradores o agentes de la ley a entender por qué el auto autónomo tomó ese giro que provoca un accidente o no lo evitó. Es muy probable que los que se dedican a la interpretación se conviertan en una industria importante y bien regulada que requiere que los trabajadores humanos entiendan cómo funcionan los robots y lo expliquen a los no expertos. Por ejemplo, el Reglamento General de Protección de Datos de la Unión Europea permite a los consumidores recibir una explicación de por qué un bot tomó una decisión como la tasa que se les ofrece en una tarjeta de crédito o hipoteca para garantizar la transparencia. Es fácil ver por qué los que nos explican pueden ser uno de los empleos clave cuando la IA se generaliza. Los expertos dieron una estimación de unos 75.000 nuevos puestos de trabajo sólo para poner en vigor el GDPR. Imagina cuántos más trabajos como este se crearán cuando los robots finalmente se hagan realidad.

Mantenimiento

Las empresas necesitan contratar a personas que puedan trabajar continuamente para garantizar el funcionamiento correcto, seguro y responsable de los bots. Por ejemplo, hay ingenieros de seguridad que se concentran en anticipar y prevenir los daños causados por la IA. Estos ingenieros son expertos y el papel que desempeñan es tan importante como el de los explicadores. Los robots de alta capacidad que trabajan junto a las personas en el lugar de trabajo deben configurarse correctamente, por lo que los desarrolladores deben tener mucho cuidado al crear esta IA para que los robots no causen daños a los trabajadores cercanos. Estos individuos trabajan con el análisis de los explicadores cuando las IAs causan daño, como cuando los coches de autoconducción causan o se ven envueltos en un accidente de tráfico.

También puede haber grupos que se aseguren de que los bots respeten las normas éticas. Estas personas investigarán y resolverán los problemas en los que se descubra que los bots están tomando decisiones discriminatorias contra las personas de color o contra ciertos grupos. Del mismo modo, también es necesario que las ofertas de cumplimiento de datos sean responsables de garantizar que los datos alimentados al bot cumplen con el GDPR u otras normas y reglamentos de protección del consumidor. Otro trabajo que podría ser para los humanos es el de asegurar que los bots manejen la información de manera responsable. Por ejemplo, Apple utiliza la IA para recopilar información personal de sus usuarios mientras utilizan sus dispositivos y software. El objetivo aquí es asegurarse de que el objetivo principal es la recopilación de datos sin comprometer la privacidad del usuario, por lo tanto, enfadando a los usuarios y activando la alarma legal. También debe existir un equipo de privacidad diferencial que garantice que la IA proteja la privacidad de los usuarios individuales mientras se aprende lo más posible de ellos de manera estadística.



Comentarios

Entradas populares