P
Gestionar Aprenda a aplicar las mejores prácticas y optimizar sus operaciones.

Un desafío de datos de aprendizaje de máquina de IA: predecir lo impredecible

Una prueba difícil para las empresas que desean capitalizar grandes cantidades de datos y tecnología emergente es lograr que se ajuste a lo que no pueden ver, dice Iyad Rahwan del MIT.

La inteligencia artificial (IA) y el aprendizaje automático (machine learning) son muy prometedores, destacaron los especialistas durante el Sloan CIO Symposium del MIT, con avances en el cuidado de la salud y la conservación de la energía, entre otros, atribuidos a la prodigiosa cantidad de datos en los que confían las tecnologías. Pero a medida que gigantes como Google y otros con los dólares para invertir en I+D continúan avanzando, los CIO de muchas compañías luchan por administrar los datos de aprendizaje automático de IA. ¿Qué desafíos deberían esperar enfrentar?

El público de alto nivel ejecutivo reunido en mayo en Cambridge, Massachusetts, hizo la pregunta a los investigadores del MIT en una mesa redonda sobre el futuro del trabajo. Fue retransmitido por Erik Brynjolfsson, director de la Iniciativa del MIT sobre Economía Digital.

Un gran desafío es asegurarse de que los datos de aprendizaje de máquinas de IA sean actuales y estén dirigidos a un propósito específico, como predecir la demanda de un producto, dijo el panelista Iyad Rahwan, profesor asociado de artes y ciencias multimedia en el MIT Media Lab. A veces las empresas "se vuelven locas" y la usan para una variedad de cosas.

"Entonces las cosas cambian, y a veces, cuando cambian, la distribución de las cosas que están sucediendo en el mundo cambia debido a alguna modificación en las reglamentaciones u otra cosa", dijo Rahwan. El resultado podría ser al principio indirecto, pero más adelante, "podría estar perdiendo oportunidades adicionales para optimizar el negocio".

Brynjolfsson interrogó a Rahwan sobre el reto de los datos de aprendizaje de las máquinas de IA, algunas formas reales en que puede funcionar y también sobre los prejuicios que los humanos pueden estar generando en algoritmos y tecnología que toman decisiones cada vez más importantes sobre las vidas de las personas. Les dejamos aquí la conversación, editada para fines de claridad y brevedad.

Erik Brynjolfsson: En cuanto a la gran cantidad de datos que tienen las organizaciones, ¿qué desafíos existen aprovechando esos datos en un mundo de inteligencia artificial y aprendizaje automático?

Iyad Rahwan: Creo que uno de los desafíos es saber que los datos están actualizados y de hecho reflejan algún proceso subyacente. Por ejemplo, si estás tratando de predecir el movimiento del precio de una acción, o si estás tratando de predecir la demanda de Uber en diferentes lugares, creo que estos están un poco más estructurados. Pero a veces se construye un modelo predictivo a partir de datos, y luego se emocionan y lo usan para optimizar todo tipo de procesos comerciales.

Pero luego las cosas cambian y, a veces cuando cambian, la distribución de las cosas que están sucediendo en el mundo cambia debido a modificaciones en las reglamentaciones u otras cosas.

Brynjolfsson: Dame algunos ejemplos específicos…

Rahwan: Podríamos, digamos, optimizar algo relacionado con el transporte o la logística, y luego, de repente, se produce algún cambio en la regulación. Y esto tiene un impacto en su negocio que es muy indirecto. Entonces, de repente, tal vez haya menos migrantes que se muden al país o al lugar, lo que significa que demandarán menos proveedores de servicios de mudanza.

Y hay una especie de efecto de goteo. Si entrena modelos de aprendizaje automático en un conjunto de datos que es histórico y luego lo implementa, y el mundo cambia debido a algo que realmente no ha pensado que afectaría su negocio, entonces podría estar perdiendo oportunidades adicionales para optimizar el negocio.

Entonces, en este caso, muchos de los nuevos tipos de técnicas en IA tienen este aprendizaje en línea, como algoritmos que básicamente aprenden continuamente. No es solo cosa de entrenarlos y una vez que están entrenados, desplegarlos. Uno tiene que aprender continuamente de sus experiencias, del mundo real sin parar, esencialmente.

Brynjolfsson: ¿Le preocupa que aprendan cosas equivocadas? Se han discutido los prejuicios que tenemos los humanos cuando tomamos decisiones de contratación, decisiones de libertad condicional, recomendaciones, decisiones de préstamos… ¿esos sesgos serán aprendidos por nuestras máquinas?

Rahwan: Básicamente, los humanos ya están predispuestos y algunos de estos sesgos son buenos, porque tenemos que discriminar, por ejemplo, entre algo que es de buena calidad y de menor calidad. Esa es una tendencia útil. Pero también hay malos tipos de prejuicios, un sesgo que es discriminatorio o rompe algunas leyes o normas de alguna manera, por ejemplo, discriminando en las decisiones de contratación contra un grupo minoritario.

Creo que AI ahora está haciendo que estos sesgos sean un poco más destacados y un poco más identificables, porque ahora tenemos una mejor comprensión de cómo los datos causan el sesgo. Y creo que eso ya está creando presión sobre las compañías para que sean un poco más reflexivas, y si no lo son, entonces se trata de un verdadero riesgo para las empresas en materia de relaciones públicas y reputación.

Profundice más

¿Qué necesita resolver?

Por favor, añada un título para su pregunta

Obtenga respuestas de un experto de TechTarget en lo que sea que necesite resolver

Usted será capaz de añadir detalles en la siguiente página

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close