Conéctate con nosotros

ANÁLISIS Y OPINIÓN

El negocio de la Inteligencia Artificial

Por Alejandro Urueña*

Publicado

|

¿Cómo puedes llevar a tu empresa a un estadio superior utilizando inteligencia artificial  (en adelante I.A.), mirándolo desde un punto de vista negocial, cuidando siempre de la ética en todo su proceso de desarrollo como así también de su impacto en la sociedad?

La idea de la presente exposición es tratar de resaltar los aspectos fundamentales de la I.A. desde una óptica macro por una cuestión de espacio sin hacer demasiado zoom en las diferentes temáticas.

Al hablar de las arquitecturas y soluciones de I.A. debe existir una correcta planificación desde una óptica de beneficios para tu empresa, lo que nos va a permitir mejorar procesos productivos, hacerlos más eficientes, aumentar los rendimientos con la misma capacidad de producción, optimizando el conjunto de todos los recursos de una compañía a nivel costos y rendimientos.

Para que un proyecto de I.A. llegue al mundo real, dé valor a tus resultados de facturación, y no caiga en el intento haciéndote perder la inversión del desarrollo, es un desafío que debe seguir una hoja de ruta óptima y pertinente.

El empresario que persigue este tipo de proyecto debe saber con anticipación que cuando hablamos de I.A., nos referimos a líneas de códigos de programación, o sea software que, mediante diversas técnicas y estrategias, persiguen resolver problemas complejos relacionados a seres inteligentes ya sean visuales, lingüísticos, creativos y de toma de decisiones. “La inteligencia puede ser similar a la biológica – humana o distar enormemente de esta siempre que se cumpla el objetivo buscado”

El software debe, como condición esencial, tener capacidad de operar con razonabilidad y adaptabilidad, características propias de un sistema de I.A., como así también resolver problemas, si no le damos ese propósito, no vamos a solucionar ninguna contingencia y no vamos a tener escalabilidad de negocio en cualquier proyecto de I.A.

Sistemas Expertos: machine learning y Deep learning.

Ahora vamos a entrar en una incipiente cuestión técnica dentro de la IA. especifica, que es en la que hoy nos encontramos y no en cuestiones metafísicas, alegando que no toda inteligencia artificial es machine learning  y que no todo machine learning es deep learning. Voy a proceder a explicar de forma muy escueta a qué se refieren estos términos  para un mejor entendimiento del lector.

I.A. basadas en modelos simbólicos siguen reglas lógicas que define un desarrollador humano y un experto en un negocio específico por eso su nombre de sistemas expertos. Esta seria programación clásica como modelo de inteligencia artificial pero la ventaja de esta es la simpleza del código de programación que debe cumplir sus condicionales y la pequeña cantidad de capacidad de computo que demanda, pero lo mas importante es que sabemos que hace el modelo desde el principio al final. Esto es necesario debido a que la empresas persiguen el camino de basar sus sistemas de I.A. en forma transparente.

El machine learning se puede dividir en supervisado, no supervisado y por refuerzo. Comprende un conjunto más grande del algoritmos, que abarca también al deep learning, también tienen reglas y además tienen la capacidad de aprender de los datos de forma automática que se le aportan. En definitiva se refiere a tipos de algoritmos que aprenden, abstraen y hacen inferencias a partir de datos previamente incorporados.

El machine learning es una técnica de lo que es en realidad el campo amplio de la inteligencia artificial como ciencia. Es hoy el más usado dentro de los negocios y el que tiene más perspectivas de uso comercial.

El Deep Learning corresponde a una subcategoría dentro del Machine Learning , es una forma de algoritmo conformado por redes neuronales artificiales  que imita la estructura del cerebro humano en cuanto a sus capas y su formas de conexiones (Sinapsis) a diferencia de la biológica  estas poseen pesos y valores mas una función de activación. Este tipo de modelo es el mas prometedor al día de hoy debido a su alta eficiencia, pero requiere una alta capacidad de computo  como así también de datos. 

La problemática con la redes neuronales profundas es que resulta difícil entender o probar la lógica de su procesamiento “Si uno lo entrena bien, logra resultados de alta calidad, pero es difícil entender cómo lo está haciendo. Si la red falla, es difícil entender qué salió mal”, las redes neuronales de hoy generalmente tienen múltiples capas entre su entrada y su salida, denominadas capas «ocultas»

Datos y capacidad de cómputo: Disciplinas de la IA

Para dar luz verde a un proyecto de I.A., resultan necesarios como punto de partida dos requisitos imprescindibles: datos y capacidad de cómputo.  

Respecto de los datos se pueden escribir largos desarrollos sobre este tema, ya que es el oxígeno para los diferentes modelos del I.A., pero lo neurálgico a alegar es que no nos podemos quedar con un simple aporte de datos, sino que resulta necesaria una cuantía de datos cuantitativa para que el modelo logre realizar acciones relevantes de estadística. Igualmente es importante destacar que  cuanto más datos preprocesados tengamos ósea limpios, representativos y de alta calidad, mejor va aprender el modelo, mejores inferencias va a realizar y va a lograr altos resultados predictivos.

Para la capacidad de cómputo es preciso en algunos modelos, una tarjeta gráfica GPUs ( «Graphics Processing Units» -Unidades de Procesamiento Gráfico, en español) a fin de su pertinente procesamiento.

Las disciplinas principales que se aplican en el mundo real para el uso de los modelos de IA. son: visión artificial, procesamiento del lenguaje natural y machine learning. La  visión artificial es la capacidad de los ordenadores de ver imágenes y videos e incluso generar  imágenes desde cero y con actividades más profundas y detalladas. El procesamiento del lenguaje natural (NLP)  consiste en la capacidad de un software de entender y producir lenguaje como si fuera un humano. Un modelo de uso actual es el Chat GPT3 y otros desarrollos similares. También existen los modelos predictivos, que en definitiva resultan ser machine learning, y aquí hablamos en realidad de datos puros, de datos en formato numéricos  donde no intervienen los sentidos como en los otros casos.

En estas disciplinas se insertan hoy la mayoría de los proyectos de inteligencia artificial. Comparten una arquitectura común y esto se debe a que todos los modelos de IA. tienen entradas de datos en diferentes maneras o formas y poseen la capacidad de procesarlos mediante algoritmos, a fin de que lograr un Output que genere valor para las empresas y se traduzca en rentabilidad.

Condiciones de un buen proyecto

Para desarrollar un proyecto de valor y rentable resulta necesario comenzar por el análisis del Output para desde allí definir la programación adecuada. Es la empresa la que va a solventar el proyecto;  por esta razón debe saber claramente qué beneficio va a obtener con el desarrollo.

Entonces debemos entender qué es lo que quiere el empresario para su compañía, por qué lo quiere y qué le vamos a preguntar al modelo, ya que le debemos decir lo qué debe hacer el modelo de I.A.. Es central tener en claro  lo precedente de este párrafo, qué lógica de negocios hay detrás de nuestro proyecto de I.A, ya sus resultados van a dar valor en productividad a los negocios.  

Todo el que emprende un proyecto de transformación digital debe comprender que la I.A. optimiza procesos o consigue  que el proceso sea de mayor calidad con mejores resultados.

Es preciso definir cómo le vamos a comunicar los resultados del modelo al cliente, que transita por este proyecto de I.A,. así le ayude en la toma de decisiones.  Hay algunas formas que son más útiles que otras pero lo que más le agradaría a los desarrolladores, un archivo estructurado como ser un excel XLSX, CSV, JSON. La salida del modelo se incorpora en un formato tabla y luego se incorpora a la empresa a través de sus especialistas.

Otra forma de comunicar intermedia es en base de datos relacionales. También se pueden integrar los resultados de un modelo en un dashborad o un cuadro de mando que no es más que un cuadro de gráficos interactivos, por ejemplo el  PowerBi que es una de las herramientas comerciales. 

Es indispensable hablar previamente sobre las formas de hacer llegar el resultado del modelo al cliente o empresa ya que si la comunicación no es a tiempo o es  incorrecta no vamos a cumplir el objetivo del proyecto de I.A.

Cuando ya sabemos qué es lo quiere la empresa, volvemos al principio y ahí es donde entramos al tipo de modelo y tipo de tecnología que vamos a precisar para cumplir con el proyecto:  de visión artificial, de procesamiento del lenguaje natural o de aprendizaje de maquina (Machine Learning) según la actividad productiva que haya que abordar.

Volvemos entonces al inicio de la estructura y definimos cómo vamos a alimentar el modelo de IA, con qué datos dentro de las tres disciplinas ya enunciadas anteriormente, que son los grandes pilares en los que hoy se apoya la inteligencia artificial.

Al input nos lo van a dar los datos, y cómo hacemos para que estos datos lleguen a nuestros modelos:  aquí entra un modelo de ingeniería, cuya consideración  excede los límites de este artículo

Asimismo es necesario tener cuenta qué tiempo se  va a demorar en informar a la empresa los resultados el modelo, o sea cuál es la criticidad que necesitamos para realizarla lo cual depende del entendimiento del negocio. 

No es menor destacar que la mayoría de los desarrollos requiere de personal idóneo para poder cumplir con el etiquetado de datos ya que la mayoría de los modelos de I.A. hoy son de clasificación. 

Por último, vale mencionar que si se quiere lograr un proyecto de I.A. para tu compañía, resulta fundamental seguir las pautas desplegadas y hacerlo por etapas a fin de cumplir con el objetivo; como así también saber que el modelo mas avanzado según el estado del arte al día de hoy no resulta obligatorio,  sino que simplemente uno acorde al proceso productivo específico, precisaría de menos requerimientos y podría estar dentro del mismo margen de eficiencia. (Bibliografía y Referencias: Introducción a la Inteligencia Artificial – Maestría Centro Europeo de Posgrado).

*Urueña, Project Management I.A. Abogado. Diplomado en Derecho del Trabajo y Relaciones Laborales, Universidad Austral; Diplomado en Derecho 4.0, Universidad Austral; Magíster en Derecho del Trabajo y Relaciones Laborales, Universidad Austral (T.P); Posgrado de Inteligencia Artificial y Derecho, I.A.L.A.B, U.B.A. Posgrado en Metaverso, U.B.A. Actualmente Cursando Maestría de Inteligencia Artificial Centro Europeo de Posgrado.