La IA es la clave para una IA aún mejor


Con toda la charla sobre cómo la tecnología de inteligencia artificial está transformando industrias enteras, la realidad es que la mayoría de las empresas luchan por extraer valor real de la IA. El 65% de las empresas que han invertido en IA en los últimos años aún no han obtenido ganancias notables de estas inversiones, según una encuesta de 2019. Revisión de la gestión Sloan del MIT y Boston Consulting Group. Y una cuarta parte de las empresas que implementan proyectos de IA ven que al menos el 50% de estos proyectos fracasan, siendo la “escasez de habilidades” y las “expectativas poco realistas” las principales causas del fracaso, según la investigación de IDC.

Un factor importante detrás de estas luchas es la alta complejidad algorítmica de los modelos de aprendizaje profundo. La complejidad algorítmica se refiere a la complejidad computacional involucrada en la creación y ejecución de estos modelos en producción. Dados los ciclos de desarrollo más largos, los altos costos computacionales, el rendimiento de inferencia insatisfactorio y otros desafíos, los desarrolladores a menudo se encuentran en la fase de desarrollo de la introducción de la IA y tratan de perfeccionar los modelos de aprendizaje profundo a través de prueba y error manual y lejos de la etapa de producción. Alternativamente, los científicos de datos confían en facsímiles de otros modelos que, en última instancia, resultan perjudiciales para sus problemas comerciales únicos.

Cuando los algoritmos diseñados por humanos inevitablemente encuentran barreras de costos, tiempo, personal y negocios, ¿cómo puede la industria de la inteligencia artificial romper esas barreras? La respuesta está en los algoritmos desarrollados por algoritmos, un fenómeno que antes se limitaba a la ciencia, pero que abrirá aplicaciones innovadoras en todas las industrias cuando se comercialice en los próximos años.

Este nuevo enfoque permite a los científicos de datos centrarse en lo que hacen mejor: interpretar y extraer conocimientos de los datos. La automatización de procesos complejos en el ciclo de vida de la IA también hace que los beneficios de la IA sean más accesibles, lo que facilita a las empresas que carecen de grandes presupuestos tecnológicos y personal de desarrollo aprovechar el verdadero poder transformador de la tecnología.

Más un arte que una ciencia

Dado que la tarea de crear modelos de aprendizaje profundo efectivos es demasiado difícil para que los humanos la aborden solos, las organizaciones claramente necesitan un enfoque más eficiente.

Con los científicos de datos empantanados regularmente por la complejidad algorítmica del aprendizaje profundo, los equipos de desarrollo lucharon para crear soluciones y se vieron obligados a optimizar y ajustar manualmente los modelos, un proceso ineficiente que a menudo tiene el costo del rendimiento o la calidad de un producto. Además, el diseño manual de dichos modelos aumenta exponencialmente el tiempo de comercialización de un producto.

¿Significa eso que la única solución es tener modelos de aprendizaje profundo totalmente autónomos que se construyan a sí mismos? No necesariamente.

Mira la ingeniería automotriz. La dicotomía popular entre conducción totalmente autónoma y totalmente manual es demasiado fácil. De hecho, este marco en blanco y negro oculta gran parte de los avances que los fabricantes de automóviles han logrado en la adopción de niveles más altos de tecnología autónoma. Por esta razón, los conocedores de la industria automotriz hablan de diferentes niveles de autonomía, desde el nivel 1 (incluida la tecnología de asistencia al conductor) hasta el nivel 5 (automóviles totalmente autónomos que aún están muy lejos). Es plausible que nuestros coches puedan desarrollarse mucho más sin tener que alcanzar una autonomía total.

El mundo de la IA puede (y debe) desarrollar una mentalidad similar. Los profesionales de la IA necesitan tecnología que automatice los engorrosos procesos involucrados en el diseño de un modelo de aprendizaje profundo. Al igual que los sistemas avanzados de asistencia al conductor (ADAS) (sistemas de frenado automático, control de crucero adaptativo) que allanan el camino para una mayor autonomía en la industria automotriz, la industria de la inteligencia artificial también necesita su propia tecnología para hacer esto. Y es la IA la que tiene la clave para ayudarnos a llegar allí.

La IA crea una mejor IA

Afortunadamente, la IA ya se está utilizando para simplificar otras tareas técnicas, p. Ej. B. Escribir y revisar código (que la propia IA crea). La próxima fase de la revolución del aprendizaje profundo incluirá herramientas complementarias similares. Durante los próximos cinco años, se espera que estas características estén lentamente disponibles comercialmente para el público.

Hasta ahora, la investigación para desarrollar estas habilidades superiores de IA se ha limitado a institutos académicos avanzados y, como era de esperar, a los nombres más importantes de la tecnología. El trabajo pionero de Google para encontrar arquitectura neuronal (NAS) es un ejemplo clave. Descrito por el director ejecutivo de Google, Sundar Pichai, como una forma de que las «redes neuronales diseñen redes neuronales», un enfoque que ha atraído la atención desde 2017, incluye algoritmos que buscan entre miles de modelos disponibles. Este proceso culmina en un algoritmo que es apropiado para el problema particular en cuestión.

Actualmente, NAS es una nueva tecnología que no se usa mucho comercialmente. Desde sus inicios, los investigadores han acortado los tiempos de ejecución y reducido la cantidad de recursos computacionales necesarios para ejecutar algoritmos NAS. Sin embargo, estos algoritmos aún no se pueden generalizar a diferentes problemas y conjuntos de datos, y mucho menos están listos para uso comercial, ya que el espacio arquitectónico para cada problema debe ajustarse manualmente para cada caso de uso individual, un enfoque que es todo menos escalable.

La mayor parte de la investigación en esta área ha sido realizada por gigantes tecnológicos como Google y Facebook, así como por institutos académicos como Stanford, donde los investigadores han identificado los métodos autónomos emergentes como una «forma prometedora» de impulsar el avance de la IA.

A medida que los desarrolladores de IA innovadores se basen en el trabajo ya realizado en el campo, la exclusividad de tecnologías como NAS dará paso a una mejor accesibilidad a medida que el concepto se vuelva más escalable y asequible en los próximos años. ¿El resultado? IA que construye IA, liberando su verdadero potencial para resolver los problemas más complejos del mundo.

A medida que el mundo mira hacia 2021, esta es un área que está madura para la innovación, y esa innovación solo conducirá a más innovación.

Yonatan Geifman es el director ejecutivo y cofundador de Deci.

[VentureBeat regularly publishes guest posts from experts who can provide unique and useful perspectives to our readers on news, trends, emerging technologies, and other areas of interest.]

VentureBeat

La misión de VentureBeat es ser una plaza de la ciudad digital para que los responsables de la toma de decisiones tecnológicas obtengan conocimientos sobre la tecnología y las transacciones transformadoras. Nuestro sitio web proporciona información importante sobre tecnologías y estrategias de datos para ayudarlo a administrar su negocio. Te invitamos a convertirte en miembro de nuestra comunidad y acceder a:

  • información actual sobre los temas de su interés
  • nuestros boletines
  • contenido privado de líderes de opinión y acceso con descuento a nuestros valiosos eventos como Transform
  • 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 *