Por Jorge Manrique, Rector del Colegio Jurista y director general de Gobierno de Calidad, Consultoría de políticas públicas.
Las nuevas tecnologías en la era digital se miran como la panacea a todos los males y se les atribuyen infinitas posibilidades reales e inventadas. En el caso de la Inteligencia Artificial (IA) las expectativas para los negocios parecen multiplicarse.
Ante esto, conviene reconocer los limitantes más importantes de esta tecnología en el ámbito empresarial. Uno de los más relevantes es el etiquetado de datos,
La mayoría de los modelos actuales de IA se entrenan a través del “aprendizaje supervisado”. Esto significa que los seres humanos deben etiquetar y categorizar los datos subyacentes, lo que puede ser una tarea considerable y propensa a errores.
Al mismo tiempo, surgen nuevas técnicas prometedoras, como la supervisión in-stream, en la que los datos pueden etiquetarse en el curso del uso natural.
Los enfoques no supervisados o semi supervisados, reducen la necesidad de grandes conjuntos de datos etiquetados. Dos técnicas prometedoras son el aprendizaje por refuerzo y las redes generativas antagónicas.
La técnica de aprendizaje por refuerzo no supervisada permite a los algoritmos aprender tareas simplemente por ensayo y error. Por cada intento que hace un algoritmo para realizar una tarea, recibe una “recompensa” si el comportamiento es exitoso o un “castigo” si no lo es. Con la repetición el rendimiento mejora, y en muchos casos, incluso supera las capacidades humanas.
El aprendizaje por refuerzo, en cambio, se utiliza en el entrenamiento de computadoras para jugar junto con técnicas de aprendizaje profundo. La aplicación potencial del aprendizaje por refuerzo atraviesa muchos ámbitos empresariales. Las posibilidades incluyen una cartera de operaciones impulsada por IA que adquiere o pierde puntos por ganancias o pérdidas de valor.
El aprendizaje por refuerzo también puede ayudar a la IA a trascender las limitaciones naturales y sociales del etiquetado humano. Esto mediante el desarrollo de soluciones y estrategias previamente inimaginables que, incluso, los profesionales experimentados nunca consideraron.
En cuanto a las redes generativas antagónicas, es un método de aprendizaje semi supervisado. En éste, dos redes compiten entre sí para mejorar y refinar su comprensión de un concepto.
La capacidad de las redes para generar ejemplos de datos cada vez más creíbles puede reducir significativamente la necesidad de conjuntos de datos etiquetados por humanos.
Si bien la aplicación de redes generativas antagónicas aún está lejos para diagnosticar enfermedades, por ejemplo, los investigadores comienzan a usarlas en contextos cada vez más sofisticados como mapas actualizados de áreas en rápido desarrollo.
En los próximos años podremos testificar infinitos usos de las tecnologías actuales que, cada vez más, minimicen los posibles errores humanos. Sin duda, vivimos un momento trascendental en el uso de tecnologías y la Inteligencia Artificial es muestra palpable de ello.
