4 tendencias de IA: todo se trata de escala en 2022 (hasta ahora)

El calor de julio está sobre nosotros, lo que también significa que estamos exactamente a la mitad del 2023. Por lo tanto, parece un buen momento para hacer una pausa y preguntar: ¿Cuáles son las mayores tendencias de IA hasta ahora a mediados de 2022?

La colosal tendencia de IA a la que sirven todas las demás tendencias de IA es la mayor escala de la inteligencia synthetic en las organizaciones, dijo Whit Andrews, vicepresidente y analista distinguido de Gartner Analysis. Es decir, cada vez más empresas entran en una period en la que la IA es un aspecto de cada nuevo proyecto.

“Si quieres pensar en algo nuevo, lo nuevo que será más atractivo será algo que puedas hacer con IA escalada”, dijo Andrews. “Las habilidades humanas están presentes, las herramientas son más baratas y ahora es más fácil obtener acceso a los datos que pueden ser relevantes para lo que está tratando de lograr”.

Según Sameer Maskey, fundador y director ejecutivo de Fusemachines y profesor asociado adjunto en la Universidad de Columbia, el movimiento hacia la escalabilidad de la IA es posible gracias a más datos, priorizando la estrategia de datos y una potencia de cómputo más barata.

“También estamos en el punto en que muchas empresas ahora están viendo el valor de la IA”, dijo. “Y quieren hacerlo a escala”, dijo Maskey.

Además, Julian Sanchez, director de tecnología emergente de John Deere, señala que lo que pasa con la IA es que “parece magia”. Hay un salto pure, explicó, de la concept de “mira lo que esto puede hacer” a “solo quiero que la magia aumente”.

La IA a escala no es magia, son datos

“Todo el mundo está tratando de averiguar cómo pasar al siguiente nivel”, dijo Sánchez. Pero la verdadera razón por la que la IA se puede usar a gran escala, enfatizó, no tiene nada que ver con la magia. Es por los datos.

“Sé que la única manera John Deere llegó allí fue a través de un proceso riguroso y extenso de recopilación de datos y etiquetado de datos”, dijo. “Así que ahora tenemos que encontrar una manera de recopilar e implementar los datos correctos de una manera que no sea tan onerosa”.

Pero algunos expertos enfatizan que la mayoría de las empresas siguen siendo inmaduras en sus esfuerzos de IA, en términos de tener los datos, los recursos y la alfabetización correctos necesarios para escalar.

“Creo que todavía hay un poco de conflicto en torno a la capacidad de prueba y los casos de uso frente al escalado de la IA”, dijo Di Mayze, jefe international de datos e IA en la agencia holding WPP. Un cliente, agregó, describió sus esfuerzos como “pilot-palooza”. “Están tratando de encontrar formas de vincular todo para habilitar una capacidad de IA escalada, pero varias compañías están probando las pruebas que necesitan para ordenar sus datos antes de que puedan preocuparse por escalar la IA”, dijo.

Aquí hay cuatro tendencias de IA relacionadas con la escala que están de moda a mediados de 2022:

Los datos sintéticos ofrecen velocidad y escala

Kevin Dunlap, fundador y socio gerente de la firma de capital de riesgo en etapa inicial Calibrate Ventures, dijo que las organizaciones usan datos sintéticos – definió los datos que se crean algorítmicamente en lugar de recopilarlos a través de eventos del mundo actual – para mejorar el desarrollo de software program, acelerar la I+D, entrenar modelos de aprendizaje automático, comprender mejor sus propios datos y productos internos y mejorar los procesos comerciales.

“Los datos sintéticos pueden reemplazar conjuntos de datos reales y usarse para validar modelos matemáticos”, dijo. “He visto empresas en campos como la atención médica, las finanzas, los seguros, la ciberseguridad, la fabricación, la robótica y los vehículos autónomos que usan datos sintéticos para acelerar el desarrollo y el tiempo de comercialización para que puedan escalar más rápido”.

Para escalar más rápidamente, agregó, las empresas están combinando datos sintéticos con datos reales para obtener una mejor comprensión de sus productos, estrategias de comercialización, clientes y operaciones, agregó. El cuidado de la salud, por ejemplo, usa datos sintéticos para hacer diagnósticos más precisos sin comprometer los datos de los pacientes, mientras que las instituciones financieras los usan para detectar fraudes.

“Las empresas también pueden construir gemelos sintéticos de sus propios datos para ver los puntos ciegos”, dijo. “GE, por ejemplo, crea gemelos sintéticos de datos de turbinas para mejorar los diseños mecánicos y de ingeniería”.

Sánchez, de John Deere, dijo que en 2021 escuchó hablar sobre datos sintéticos, pero ahora, este año, ha visto su uso de primera mano. “Nuestros equipos generan datos sintéticos y tratan de usarlos para validar un modelo o incluso intentan incorporarlos en los conjuntos de datos de entrenamiento”, dijo.

De alguna manera, el uso de datos sintéticos sigue siendo un experimento, advirtió.

“El objetivo de entrenar un algoritmo de IA es mostrarle una variedad de funciones y dejar que aprenda, por lo que siempre es tan cauteloso al decir, ¿mis datos simulados tienen sesgos que no quiero en mi algoritmo? ” Aún así, dijo, «he visto mucho más este año».

Modelos de IA: Escala o busto

La escala ha sido el nombre del juego en la investigación del aprendizaje automático y el aprendizaje profundo durante los últimos años, pero los modelos cada vez más grandes continúan en el panorama en 2022, dijo Melanie Beck, gerente de ingeniería de investigación en la empresa de software program Cloudera.

“Desde el lanzamiento de DALL-E 2 de OpenAI modelo de generación de imágenes al agente de conversación LaMDA de Google, la clave para el alto rendimiento han sido modelos más grandes entrenados en más datos y durante mucho más tiempo, todo lo cual requiere muchos más recursos informáticos”, dijo. “Esto plantea la pregunta: ¿cómo pueden las organizaciones que pueden no tener los recursos de estos gigantes tecnológicos entrar y permanecer en el juego?”

La comunidad de investigación se ha sorprendido mucho con las capacidades emergentes inesperadas que surgen de los modelos de IA a gran escala, o modelos básicos, agregó Nicolás Chapados, vicepresidente de investigación de ServiceNow. Construidos originalmente como grandes modelos de lenguaje, estos se entrenan en conjuntos de datos multimodales masivos que pueden adaptarse a nuevas tareas «posteriores» muy rápidamente, a veces sin ningún dato nuevo.

“Estos modelos son igualmente buenos para el diálogo, la respuesta a preguntas, la descripción de imágenes en palabras, la traducción de texto a código y, a veces, para jugar videojuegos y controlar brazos robóticos”, dijo Chapados.

Lo que es sorprendente, explicó, es que estos modelos, más allá de los 100 mil millones de parámetros, exhiben un comportamiento emergente que los diseñadores no esperaban, como la capacidad de proporcionar una explicación paso a paso en una situación de pregunta y respuesta, dado el derecho. «incitación» proporcionada al modelo.

“Los principales desafíos en 2022 son que las organizaciones comprendan qué casos de uso, especialmente en el mundo empresarial, realmente se benefician de esta escala, cómo poner en funcionamiento estas capacidades de manera exitosa y rentable, y cómo administrar otros inhibidores, como el acceso a adecuado y datos suficientes y riesgos de seguridad, como la posible toxicidad del modelo”, agregó.

MLops en aumento

Kavita Ganesan, fundadora de Opinosis Analytics y autora de El caso comercial de la IAdijo que uno de los problemas a los que se han enfrentado las empresas en el pasado es escalar la cantidad de modelos implementados.

“Cada vez que se desarrolla un nuevo modelo, a menudo tiene sus propios requisitos de implementación, lo que agrega fricción a cada ciclo de desarrollo e implementación”, dijo Ganesan. “Esto ha provocado una desaceleración en muchas iniciativas de aprendizaje automático, y algunas incluso tuvieron que archivarse debido al trabajo que implica cada ciclo de implementación”.

Eso está cambiando lentamente con el creciente número de plataformas MLops, explicó, que permiten a las organizaciones desarrollar, implementar, integrar y monitorear modelos.

“Aún mejor, algunas de estas plataformas le permiten escalar automáticamente los recursos informáticos y otros requisitos de infraestructura, lo que hace que la implementación de modelos de aprendizaje automático para casos de uso comercial sea menos dolorosa y más repetible”, explicó. «Los proveedores específicos también permiten que las empresas usen recursos locales o en la nube según las necesidades».

Sánchez de John Deere agregó que la generación precise de plataformas MLops confiables y disponibles comercialmente es un gran cambio con respecto a hace tres años, que eran «casi como sistemas de cosecha propia». Pero, dijo, también son un arma de doble filo.

“Ahora puedo elegir a un buen desarrollador de software program y, una vez que aprenden algunas de las herramientas disponibles, pueden comportarse rápidamente como un desarrollador de inteligencia synthetic experimentado”, dijo Sánchez. “Pero a veces pueden decidir usar esas herramientas cuando deberían intentar otra cosa; a menudo, puede brindarle una solución y no están muy seguros de por qué funciona o cómo funciona”.

Escalar la IA de manera responsable

de Microsoft movimientos recientes hacia la “IA responsable” a las empresas que asumen la cuestión de la seguridad de la IAla discusión sobre cómo escalar la IA de manera responsable, es decir, éticamente y sin prejuicios, está en todas partes en 2022.

Mayze de WPP señaló que las empresas deben ser conscientes de lo que les piden a las máquinas que hagan y tener una revisión completa de si los KPI son correctos.

“Por ejemplo, si está tratando de optimizar los ingresos por cliente, la IA encontrará formas de hacerlo que pueden no parecer tan éticas a la luz del día”, dijo Mayze. “Por lo tanto, es importante crear un entorno en el que las personas puedan explorar las consecuencias no deseadas del uso de la IA y establecer los límites de cualquier organización”.

Sin embargo, aplicar los principios de la IA responsable, como la transparencia y la explicabilidad, puede ser una respuesta fácil a las preocupaciones de la sociedad sobre cómo las empresas podrían usar la IA, pero no es suficiente, dijo François Candelon, director international del Instituto BCG Henderson.

“Es un comienzo bueno y necesario, pero creo que las empresas deben ir más allá de ser responsables y desarrollar un verdadero contrato social con sus clientes basado en el diálogo, la confianza y una evaluación transparente de costos/beneficios del impacto de la IA para ganar lo que yo llamo su ‘licencia social‘, una forma de aceptación que las empresas deben ganar a través de un comportamiento consistente y confiable y de las interacciones con las partes interesadas”, dijo Candelon.

La IA a escala significa adaptarse al cambio

Independientemente de cómo las organizaciones avancen hacia el escalamiento de la IA el próximo año, es importante comprender las diferencias significativas entre usar la IA como una «prueba de concepto» y escalar esos esfuerzos, dijo Bret Greenstein, socio de datos, análisis e IA de PwC.

“La diferencia está entre hacer un gran sándwich y abrir un restaurante exitoso”, dijo Greenstein. “Debe pensar en todas las cosas que deben estar disponibles cuando las necesite, asegurarse de que las cosas estén en la forma que necesita para ser útiles y asegurarse de que puede adaptar sus sistemas a los cambios”.

Una solución de IA escalada, por ejemplo, necesita recibir nuevos datos como una canalización, no solo como una instantánea de los datos. Y aunque la prueba de concepto puede tolerar datos incompletos o incorrectos, ya que no es de misión crítica, la preparación de datos para los sistemas de IA sigue siendo el 80-90 % del trabajo necesario para que la IA tenga éxito. Las condiciones cambiantes pueden tener impactos severos en los modelos en producción. En los sistemas de IA de productos a escala, los modelos se vuelven a entrenar a medida que cambian los datos y la precisión se monitorea a medida que cambian las condiciones.

“La lección clave de todo esto es pensar en la IA como un sistema basado en el aprendizaje”, dijo Greenstein. “Las personas deben continuar aprendiendo con los datos más recientes y estar al tanto de los cambios para que puedan aplicar ese aprendizaje para tomar decisiones precisas hoy”.

Para John Deere, escalar la IA se ha tratado de trabajar con grandes conjuntos de datos para entrenar modelos, brindando a la organización una perspectiva importante sobre el cambio.

“Alguien nuevo que ingrese podría decir: ”Hay una herramienta y puedo hacer esto una vez y es mágico”, agregó Sánchez. “Pero cuando escalas soluciones en un producto, no es solo magia de una sola vez: debes comprender cómo se usa ese producto en el mundo actual y en todos los diferentes casos de esquina”.

Claramente, las tendencias actuales de IA para 2022 indican cómo la IA se está volviendo útil a mayor escala dentro de una organización, dijo Andrews, analista de Gartner.

“Más personas pueden usarlo, pueden lograr cosas que nunca antes podrían haber logrado”, dijo Andrews. “Entonces, la gran tendencia de IA en 2022 es que cada vez que hacemos algo nuevo, la IA es parte de eso”.