El próximo negocio de un billón de dólares del que aún no has leído La nueva tecnología ya se ha adoptado en todas las industrias.
Por Mark Krupnik
Este artículo fue traducido de nuestra edición en inglés.
Las opiniones expresadas por los colaboradores de Entrepreneur son personales
La definición comúnmente aceptada de inteligencia artificial (IA) es la capacidad de una computadora para decidir sin intervención humana. Pensemos en esto por un momento: si le enseño a una computadora que 2 más 2 es igual a 4, entonces a partir de ese momento esta computadora podrá responder la pregunta "¿Cuánto es 2 más 2?" sin intervención humana.
¿Significa esto que tiene capacidad de IA? Bueno, más o menos, pero es un poco como hacer trampa porque la intervención humana tuvo lugar, solo en el pasado. La computadora solo puede resolver las preguntas específicas que se le indicó que respondiera.
Los humanos han pasado los últimos 50 años proporcionando a las computadoras millones de instrucciones en forma de algoritmos. Como resultado, hoy en día los ordenadores pueden actuar en numerosas situaciones bien definidas, como el cálculo de la trayectoria de una nave espacial, declaraciones de impuestos, balances contables, etc.
Entonces, ¿es IA? Formalmente sí, pero eso no es realmente lo que la gente quiere decir cuando dice IA en estos días.
La verdadera magia de la que todos hablan es la capacidad de una computadora para aprender a pensar y resolver el problema por sí misma, sin que se le proporcionen instrucciones específicas.
Esta es la parte más intrigante de la IA, llamada Machine Learning (ML).
Al igual que las personas, las computadoras deben recibir capacitación sobre cómo aprender cosas nuevas y actuar en situaciones nuevas. Al igual que el cerebro humano, la red neuronal de la computadora necesita ser entrenada para usar una ruta óptima al tomar una decisión. Esto se llama entrenamiento.
¿Cómo aprenden las computadoras hoy en día?
A menudo, las personas escuchan sobre ML e imaginan un enfoque plug-and-play. Lo intentan, pero no funciona.
Bueno, seamos justos con las computadoras. Imagine enseñarle a un niño algunos conceptos complejos sin enseñarle primero los conceptos básicos como leer y escribir. Incluso el niño más inteligente fallaría.
Desafortunadamente, esto es lo que algunas personas le hacen a las computadoras. Entrenamos a las computadoras con datos complicados (reales), lo que confunde a la computadora. No hacemos esto cuando enseñamos a la gente. ¿Por qué entonces simplemente arrojamos las computadoras al fondo?
Una de las razones es que necesitamos y queremos ver resultados de inmediato. Es más, muchas empresas simplemente no tienen los datos, la experiencia o los recursos necesarios para llevar una computadora a través de todos los pasos necesarios para una capacitación adecuada.
Algunas empresas ya han dado un paso en la dirección correcta al construir datos artificiales para entrenar computadoras, incluidas las redes de enseñanza generativa y la metodología de aprendizaje progresivo . En la sesión reciente de Andrew Ng , el cofundador de Google Brain destacó los beneficios de poner más énfasis en la preparación de datos.
Obviamente, cada industria y proyecto dentro del campo requiere capacitación. Esta capa de capacitación se puede comparar con el conocimiento de nivel universitario y debe colocarse encima de la base aprendida anteriormente.
Entonces, ¿cómo debería ser el entrenamiento de ML para que realmente funcione?
Paso 1: Comience con lo básico.
Antes de que un estudiante pueda aprender álgebra, debe saber contar.
La capacitación en informática ML también debe comenzar con datos simples. Piense en la guardería informática. Lentamente, se incrementa la complejidad de los datos, llegando a utilizar datos reales.
Relacionado: 3 usos empresariales de la inteligencia artificial que cambiarán su negocio
Paso 2: Construyendo una base.
A los niños se les suele enseñar el "peligro de los extraños", lo que anima a los jóvenes a confiar en sus padres y en ciertas figuras de autoridad sobre alguien que no conocen. Para las máquinas, es clave comprender que no todos los datos se crean de la misma manera. Se debe instruir a ML sobre cómo reconocer fuentes confiables.
Relacionado: Cómo aprovechar la inteligencia artificial en las relaciones públicas
Paso 3: Especialización.
Todos los niños que ingresan a la guardería vienen con una "pizarra en blanco". A todos se les enseña la misma información básica: las letras del alfabeto, cómo contar y en quién confiar. Para cuando van a la escuela, pueden tomar un libro simple y realizar operaciones aritméticas básicas.
Lentamente, a lo largo de su viaje educativo, cada niño comienza a desarrollar más conocimientos en un tema específico. Un niño es mejor en ciencias, mientras que otro sobresale en las artes. A nivel universitario, a los estudiantes se les enseña en profundidad sobre un tema dentro de un campo limitado.
De manera similar, este enfoque medido debe aplicarse al entrenar una aplicación ML. Para entrenar computadoras en áreas específicas como la banca, el comercio minorista o la medicina, primero debe construir una base sobre datos artificiales simples, agregando nuevas capas de información hasta que la aplicación esté finalmente lista para ser entrenada para la industria específica.
La predicción para el próximo negocio de billones de dólares.
Si bien el primer paso en el entrenamiento de ML parece claro, no es fácil de implementar, ya que:
- no tenemos tiempo
- No estamos calificados para crear programas de educación infantil temprana para computadoras.
- es una empresa muy costosa
Además, la complejidad solo aumenta con cada paso adicional en el proceso de capacitación de ML.
Todo esto para decir que predigo que la próxima compañía de billones de dólares será un sistema de instituciones educativas públicas para ML. Aquí es donde se entrenarán las futuras computadoras para ingresar a la fuerza laboral.
Relacionado: Lo que todo emprendedor debe saber sobre la inteligencia artificial
