Estudio McKinsey · Limitaciones de la inteligencia artificial y cómo superarlas

30/05/2018

Innovación

Guardar

La inteligencia artificial (AI) pareciera estar en todas partes, dice este estudio de McKinsey&Company. La experimentamos en nuestras casas y en nuestros teléfonos. Antes de darnos cuenta —si le creemos a los empresarios y los innovadores empresariales— la inteligencia artificial va a estar presente en casi cada producto y servicio que compramos y usamos.

Descarga el estudio completo de McKinsey&Company aquí

Su aplicación para resolver problemas de negocio está creciendo a pasos agigantados. Y al mismo tiempo, las preocupaciones sobre las implicancias de la inteligencia artificial están creciendo. Nos preocupamos del impacto de la inteligencia artificial habilitando la automatización en los lugares de trabajo, el empleo y la sociedad.

Una realidad a veces perdida entre el miedo y los titulares de triunfo, como Alexa, Siri y AlphaGo, es que las tecnologías de inteligencia artificial, por ellas mismas —esto es, machine learning y su subconjunto, deeplearning— tienen muchas limitaciones que van a seguir necesitando esfuerzos considerables para superarlas.

Limitaciones de la inteligencia artificial

Etiquetado de datos: la mayoría de los actuales modelos de inteligencia artificial son entrenados mediante «aprendizaje supervisado». Esto significa que los humanos deben etiquetar y categorizar la información subyacente, que puede ser una tarea considerable y propensa a errores. Dos actuales soluciones son el «aprendizaje reforzado» (permitir a los algoritmos aprender tareas mediante ensayo y error) y «redes adversarias generativas» (donde dos redes compiten entre ellas para mejorar y clarificar su entendimiento de un concepto.
Obtener conjuntos de datos de entrenamientos masivos: la actual ola de machine learning requiere de muchos datos para poder desarrollarse. Ya no basta simplemente con datos obtenidos de experimentos lineales, sino que requieren de miles de datos para lograr modelos relativamente buenos. Incluso, en algunos casos, se requiere de millones de ellos para poder actuar al nivel de los humanos.
El problema de la explicabilidad: modelos más grandes y complejos hacen que sea más difícil de explicar, en términos humanos, el por qué se tomó una determinada decisión. Esta es una de las razones de por qué la adopción de herramientas de inteligencia artificial sigue siendo baja. Además, a medida que se expande su uso, los requerimientos regulatorios podrían también necesitar de modelos más explicables.
Generalización del aprendizaje: a diferencia de la forma en que aprenden los humanos, los modelos de inteligencia artificial tienen dificultades para trasladar sus experiencias de unas circunstancia a otras. De hecho, sin importar los logros de un modelo en determinado caso, siguen siendo aplicables sólo para ese caso específico. Como resultado, las compañías deben comprometer recursos reiteradamente para entrenar cada nuevo modelo, incluso cuando los casos son muy parecidos.