fbpx

Resumen del libro

Máquinas predictivas

Por Ajay Agrawat, Joshua Gans y Avi Goldfarb

y comentarios por Jesús Gómez Espejel

 

DESCARGAR PDF

Video : https://www.youtube.com/watch?v=ByvPp5xGL1I

Gracias al aprendizaje automático, la inteligencia artificial (IA) realiza tareas sorprendentes.

La inteligencia artificial ya está aquí y tiene el potencial de transformar radicalmente los negocios. Como ha sucedido con otras tecnologías revolucionarias, sus aplicaciones y efectos –al principio– no son totalmente claros. Con todo, es necesario conocer cuanto antes las posibilidades que ofrece un nuevo avance tecnológico a fin de aprovecharlo apropiadamente.

Si bien los costos de implementar una tecnología emergente suelen ser altos, implementarla demasiado tarde puede ser desastroso para las compañías.

Lo que vuelve tan especial a la IA es su capacidad para el aprendizaje automático. Los sistemas de los modernos vehículos de autoconducción, por ejemplo, aprendieron a manejar a partir de los datos obtenidos de experiencias reales de conductores humanos.

Los ingenieros registraron largo tiempo cada una de las acciones de operación de diferentes individuos al volante (frenar, girar a la derecha, acelerar, etcétera) mientras unos sensores en el vehículo recopilaban información del entorno, como las condiciones de la ruta, las señales de tránsito, el movimiento de transeúntes y el desplazamiento de otros vehículos. Con esta información la IA aprendió qué acciones de manejo correspondían a determinadas incidencias del camino.

“Una tecnología clave subyacente en varios avances recientes, etiquetada como ‘aprendizaje profundo’, se basa en un enfoque denominado ‘retropropagación’”.

La IA no necesita recibir las instrucciones para realizar una tarea, sino que aprende cómo realizarla a partir del procesamiento de una serie de datos. En este sentido, el mismo principio opera en las aplicaciones informáticas que identifican objetos y personas en imágenes.

Si se desea que una máquina pueda reconocer las fotos donde aparecen gatos, por ejemplo, primero debe alimentarse con suficientes imágenes del animal, a fin de que aprenda los patrones que corresponden con un gato.

La IA es una tecnología de predicción.

En términos técnicos es posible afirmar que la IA aporta máquinas predictivas, en el sentido de que revelan datos desconocidos a partir de una serie de datos conocidos. Cuando los vehículos autónomos conducen, predicen cuáles serían las reacciones de un humano ante las mismas circunstancias de manejo. Lo mismo ocurre con la publicidad personalizada que aparece en internet: gracias a los datos que el sistema recopila de cada usuario, predice qué productos adquirirá y qué anuncios publicitarios serán más exitosos.

“Además de generar información sobre el futuro, la predicción puede generar información sobre el presente y el pasado”.

La IA vuelve la predicción más precisa y barata.

Las máquinas predictivas vuelven la predicción un recurso asequible. De esta manera, numerosos desafíos técnicos pueden ser abordados mediante máquinas predictivas a un menor costo y con mejores resultados. Este es el caso del desarrollo de los vehículos de autoconducción: los primeros modelos requerían que cada una de las instrucciones de manejo fueran codificadas en el sistema por un humano.

Esto volvía el proceso sumamente arduo y presentaba serias limitaciones: los vehículos solo podían manejarse en ambientes estrictamente controlados. En cambio, la IA facilitó la tarea: el aprendizaje automatizado le permitió a la IA considerar muchas más variables, así como las interacciones entre ellas sin la necesidad de la codificación por parte de los ingenieros.

De esta manera, las máquinas predictivas pueden considerarse como un aporte radical a la predicción porque, a diferencia de los métodos de la estadística tradicional, no dependen de la articulación de hipótesis ni de la intuición humana para la proyección de un modelo. Esto permite llevar a cabo predicciones más precisas y económicas.

“Ninguna de nuestras conclusiones se basa en adoptar una posición sobre si los avances en predicción representan avances en inteligencia”.

Las máquinas predictivas necesitan datos para funcionar.

Las máquinas predictivas requieren grandes cantidades de datos. Cuanto mayor sea su número, las predicciones serán más precisas. Por ello, en la era de la IA los datos son un bien preciado y no es raro que numerosas compañías estén deseosas por acceder a los datos de sus clientes.

La IA tiene la capacidad de mejorar sus predicciones con la retroalimentación. Las máquinas predictivas que realizan estimaciones sobre la rotación de clientes de un banco, por ejemplo, pueden mejorar su desempeño a medida que obtiene nuevos datos sobre el resultado de sus propias predicciones.

Sin embargo, hay que tomar en cuenta que el valor de los datos suele ser decreciente. A partir de cierto número de datos procesados, la predicción dejará de aumentar significativamente su precisión.

Los datos suelen ser costosos y difíciles de recabar, por ello es necesario proyectar la inversión que requieren a fin de obtener su mayor rendimiento. En la medida de lo posible, es recomendable que las compañías recaben sus propios datos para utilizarlos posteriormente.

Existen tres tipos de datos utilizados por las máquinas predictivas:

  1. Datos de entrenamiento– Son los datos iniciales que le servirán a la máquina para formular su algoritmo predictivo.

 

  1. Datos de alimentación– Son los datos a partir de los cuales se arrojará la predicción, aplicando el algoritmo predictivo.

 

  1. Datos de retroalimentación– Son los nuevos datos que se generan a partir de la propia predicción, los cuales sirven para perfeccionar el algoritmo predictivo.

La capacidad de las maquinas predictivas para reproducir el juicio humano es limitada.

La predicción aporta certeza ante la incertidumbre. Con más predicciones confiables el juicio puede reflexionar sobre las decisiones que se han de tomar. Las máquinas predictivas son eficaces en situaciones donde se dispone de grandes cantidades de datos. Sin embargo, en situaciones donde no se posee suficiente información o es imprescindible la comprensión de los procesos de producción de dichos datos, la predicción humana es más eficiente.

En diferentes campos, ha resultado favorable combinar ambas predicciones para aumentar la precisión. En la medicina, por ejemplo, los patólogos expertos aumentan el éxito del diagnóstico del cáncer con la ayuda de las máquinas predictivas. La combinación del juicio del patólogo con la predicción de la máquina ha demostrado aumentar la precisión total del diagnóstico.

“Las maquinas no pueden predecir el juicio si una determinada situación no ha ocurrido muchas veces en el pasado”.

Es probable que las máquinas terminen por aprender y perfeccionar sus predicciones en ciertos ámbitos hasta igualar o superar el juicio humano. Mientras tanto, el juicio humano ha de seguir siendo indispensable e incluso aumentará su valor.

La automatización final es posible y llegará en algunos espacios, en otros la legislación pondrá limites a causa de las externalizaciones.

Por ejemplo, los autos de autoconducción enfrentan algunos desafíos legales, en relación con la responsabilidad jurídica en caso de accidentes.

Antes de incorporar una herramienta de IA a su negocio debe analizar los flujos de trabajo.

Cada herramienta de IA ofrece una solución específica y genera un tipo de predicción concreta. Es así que, antes de implementar alguna de estas herramientas en su compañía, deben identificarse aquellas tareas que son susceptibles de ser realizadas por la IA con la misma o mayor eficiencia.

Esto requiere un análisis minucioso de los flujos de trabajo de la organización y de las tareas específicas correspondientes.

“Las grandes corporaciones están compuestas de flujos de trabajo que convierten los insumos en resultados”.

Cada compañía debe realizar un análisis para juzgar la pertinencia de desarrollar o comprar una herramienta de IA. Aunque en ocasiones el retorno de la inversión es inmediato gracias al aumento de la productividad o la reducción de los costos, algunas veces el beneficio de la inversión no será inmediato.

Hay que tener en cuenta que rediseñar los flujos de trabajo de una compañía para favorecer una estrategia de IA implica forzosamente degradar la estrategia anterior.

Las compañías han de ser pacientes y perseverantes en la implementación de las estrategias de IA puesto que las máquinas predictivas aprenden lentamente. Asimismo, hay que tener en cuenta que mientras más grandes sean las compañías, opondrán mayor resistencia a cambios radicales.

Las oportunidades que abre la inteligencia artificial son tan ricas que puede llevar incluso a la organización a un cuestionamiento serio sobre sus objetivos y fundamentos.

Si una universidad, por ejemplo, deseara matricular a los mejores candidatos a un máster, seleccionándolos con una máquina predictiva, primero debería definir quiénes son exactamente los mejores candidatos: aquellos que pueden obtener mayores calificaciones en el programa, o aquellos que presentan mayores posibilidades de éxito en el ámbito laboral al concluirlo.

No es raro que las predicciones brinden información tan sofisticada que requieran una labor ardua del juicio para tomar las decisiones más acertadas.

La implementación de máquinas predictivas considera cuatro elementos: predicción, juicio, acción y resultado.

Para considerar la adquisición o desarrollo de una máquina predictiva conviene considerar cuatro elementos fundamentales a fin de decidir apropiadamente como incorporarla a su organización.

  • Predicción– Es el resultado que se espera de la máquina. La predicción se genera a partir de los datos de alimentación

 

  • Juicio – Se realiza sobre la base de las predicciones. El juicio humano discierne considerando los aspectos no contemplados por la máquina.

 

  • Acción– La consecuencia de la decisión es la acción.

 

  • Resultado– Las acciones conllevan resultados que sirven para brindar retroalimentación a la máquina predictiva.

La IA puede suscitar un cambio de estrategia y una reinvención de la propia empresa.

Las estrategias de IA deben ser diseñadas desde la dirección de la compañía puesto que pueden afectar a más de una parte de la organización, incluso pueden modificarla radicalmente.

Las maquinas predictivas pueden llevar a una redefinición de la estrategia. Esto sucede cuando puede invertirse un modelo de negocio con base en la reducción de la incertidumbre.

Amazon, por ejemplo, está a punto de transformarse en esta dirección. En lugar de un modelo de compra-envío, espera transitar a un modelo de envío-compra.

Esto significa que espera predecir con tal precisión qué desean sus clientes, que podrá enviárselo sin que tengan que comprarlo. Amazon confía en que el costo de gestionar los productos devueltos será menor al beneficio de invertir su modelo de negocios.

La transformación es tan prometedora que Amazon está dispuesto incluso a implementar este modelo antes de que sea por completo rentable, puesto que la abundancia de información que se empezará a generar, servirá para corregir los algoritmos y volver el modelo exitoso en un corto periodo.

“Las maquinas predictivas aumentaran el valor de los complementos, lo que incluye el juicio, las acciones y los datos”.

Las máquinas predictivas implican riesgos privados y colectivos.

Si bien la IA abre posibilidades prometedoras para la humanidad, también conlleva algunas amenazas que deben ser consideradas. Las máquinas predictivas pueden ser vulneradas por piratas informáticos.

Los datos pueden falsearse o ser robados. Además, las máquinas predictivas pueden ser copiadas con relativa facilidad, lo que resulta en una pérdida de la inversión.

Las máquinas predictivas además deben ser supervisadas a fin de que no reproduzcan estereotipos o conductas discriminatorias. Diversas experiencias han mostrado que las máquinas predictivas son especialmente vulnerables a sesgos raciales o de género.

Asimismo, es necesario considerar los riesgos para la privacidad y la libertad asociados al manejo de datos. En este sentido, los mecanismos de control y coerción social pueden radicalizarse.

Las empresas disponen de mayores incentivos para construir maquinas predictivas si tienen más control, pero, junto con las economías de escala, esto podría conducir a la monopolización”.

El control de esta tecnología por parte de unas cuantas compañías podría causar una peor distribución de la riqueza y una reducción generalizada del empleo.

Algunos oficios desaparecerán y otros habrán de transformarse. En general, tras una reducción de las vacantes, los salarios podrían reducirse. En todo caso, los gobiernos deben desarrollar estrategias ante este panorama.