Cómo convertir el fracaso de la IA en un éxito de la IA


Escuche a los CIO, CTO y otros ejecutivos senior y de nivel C sobre los datos y las estrategias de inteligencia artificial en la Cumbre sobre el futuro del trabajo el 12 de enero de 2022. Aprende más


La empresa se lanza de lleno a los análisis y procesos controlados por IA. Sin embargo, según la tasa de éxito anterior, parece haber una curva de aprendizaje pronunciada antes de que comience a hacer una contribución notable a la mayoría de las operaciones de datos.

Si bien surgen historias positivas, el hecho es que la mayoría de los proyectos de IA fracasan. Las razones varían, pero al final se debe a la falta de experiencia con la tecnología, que seguro mejorará con el tiempo. Mientras tanto, podría ser útil investigar algunas de las fallas que, con suerte, están impidiendo que la IA aplanar la curva de aprendizaje y acortar su duración.

Funciones ocultas de la IA

Básicamente, dice el investigador Dan Hendrycks de UC Berkeley, un problema central es que los científicos de datos aún no tienen una comprensión clara de cómo funciona la IA. Hablando con IEEE Spectrum, se da cuenta de que gran parte del proceso de toma de decisiones sigue siendo un misterio. Entonces, cuando las cosas no funcionan, es difícil saber qué salió mal. Sin embargo, en general, él y otros expertos encuentran que solo unas pocas limitaciones de la IA causan muchos errores.

Uno de ellos es la fragilidad: la tendencia de la IA a funcionar bien cuando se observa un patrón establecido, pero luego falla cuando cambia el patrón. Por ejemplo, la mayoría de los modelos pueden ver bastante bien un autobús escolar, pero no cuando se voltea de costado después de un accidente. Al mismo tiempo, las IA pueden «olvidar» rápidamente los patrones más antiguos una vez que han sido entrenados para reconocer los nuevos. Las cosas también pueden ir al sur cuando el uso de la inteligencia artificial de la lógica cruda y el procesamiento de números conduce a conclusiones que desafían el sentido común.

Otro factor que contribuye al fracaso de la IA es que se trata de un cambio tan masivo en la forma en que se utilizan los datos que la mayoría de las organizaciones aún tienen que adaptarse a él a nivel cultural. Mark Montgomery, fundador y director ejecutivo del desarrollador de la plataforma de inteligencia artificial KYield, Inc., señala que pocas empresas tienen un fuerte campeón de inteligencia artificial de nivel ejecutivo que permita que las fallas se filtren orgánicamente de abajo hacia arriba. Esto, a su vez, conduce a una gestión de datos inadecuada y proyectos mal definidos que son difíciles de poner en práctica, especialmente a gran escala. Quizás algunos de los proyectos que surjan de esta manera resulten exitosos, pero habrá muchos fracasos en el camino.

Objetivos claros

Para minimizar estos problemas, las empresas deben evitar tres escollos principales, dice Bob Friday, vicepresidente y director de tecnología de Juniper’s AI-Driven Enterprise Business. No empiece con ideas vagas sobre el ROI y otras métricas clave. Al comienzo de cualquier proyecto, los gerentes deben definir claramente tanto los costos como los beneficios. De lo contrario, no está desarrollando ninguna IA, solo está jugando con un juguete nuevo y brillante. Al mismo tiempo, se debe realizar un esfuerzo concertado para desarrollar la inteligencia artificial y las habilidades de gestión de datos necesarias para producir resultados exitosos. Por último, no intente crear entornos de inteligencia artificial internamente. La forma más rápida y confiable de comenzar es implementar una solución integrada diseñada por expertos que sea flexible y escalable.

Pero lo más importante a tener en cuenta, dice el jefe de investigación de Emerj, Daniel Faggella, es que la IA no es TI. En cambio, representa una nueva forma de trabajar en el espacio digital con procesos y expectativas completamente nuevos. Una diferencia clave es que, si bien la TI es determinista, la IA es probabilística. Esto significa que las acciones en un entorno de TI son en gran medida predecibles, mientras que en IA no lo son. En consecuencia, en la fase de acondicionamiento de datos, la inteligencia artificial requiere mucho más cuidado y alimentación desde el principio y luego un seguimiento serio por parte de equipos y ejecutivos capacitados para garantizar que los proyectos no se salgan de control o vuelvan a encarrilarse rápidamente cuando lo hagan.

La empresa también podría beneficiarse de una reevaluación de lo que significa una falla y cómo afecta el valor general de sus implementaciones de IA. Como dijo una vez Dale Carnegie, «el desánimo y el fracaso son dos de los peldaños más seguros hacia el éxito».

En otras palabras, la única forma en que realmente puedes fallar con la IA es no aprender de tus errores y volver a intentarlo.

VentureBeat

La misión de VentureBeat es ser un mercado digital para que los tomadores de decisiones técnicas obtengan conocimientos sobre tecnologías y transacciones transformadoras. Nuestro sitio web proporciona información esencial sobre tecnologías y estrategias de datos para ayudarlo a administrar su organización. Lo invitamos a convertirse en miembro de nuestra comunidad para obtener acceso:

  • información actual sobre los temas de su interés
  • nuestros boletines
  • contenido de liderazgo intelectual cerrado y acceso con descuento a nuestros eventos galardonados, como Transformar 2021: Aprende más
  • Funciones de red y más

conviértete en miembro

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *