Todos sabemos que a veces en los negocios tenemos que salir a nuestro propio mundo seguro para tomar decisiones para hacer lo que se debe hacer; sin embargo, no siempre es fácil cambiar la forma de trabajar. Queremos adoptar el cambio y la innovación, pero también queremos asegurarnos de que la inversión genere más valor de lo que cuesta. Esto es lo que sucede cuando exploramos nuevas tecnologías e implementamos software para mejorar nuestras empresas (y nuestras vidas). Y la IA no es una excepción.
¿Cómo decidir si vale la pena invertir en IA?
La IA es software. A pesar de la exageración del marketing o la idealización romántica, la IA sigue siendo solo eso: software. Como cualquier otra decisión de software, el factor principal para decidir si la inversión vale la pena es ver si puede ayudarlo a ganar o ahorrar dinero. En el dominio de IA de datos no estructurados y comprensión y procesamiento del lenguaje natural (NLU/NLP), existe una amplia gama de procesos y tareas funcionales que se pueden automatizar e incluso taxonomiar para resolver casos de uso como análisis de contratos, gestión de correo electrónico o sentimiento del cliente; La IA sin duda puede brindar oportunidades, pero para determinar su solución, depende de usted analizar el desafío o el problema que desea resolver.
Ejecución empresarial frente a ejecución del modelo de IA
En el mundo de los negocios, donde el 60-80 % de los proyectos de IA fallan, es legítimo preguntarse si la IA vale más de lo que realmente vale. Pero también es aconsejable preguntarse por qué las organizaciones han podido sobresalir del fracaso y cómo están impulsando sus proyectos de IA del 40-20 % hacia el éxito.
Los proyectos de software tienen éxito cuando hay un enfoque claro en las expectativas correctas. Olvídese de la ejecución del modelo de IA; más bien, establezca las expectativas correctas y concéntrese en ellas. No son los científicos de datos los que pueden decidir si la IA vale la pena, ya que observan el rendimiento del modelo para ver qué tan bien funcionan los algoritmos con un conjunto de datos determinado. Es la línea de negocio que tiene un problema u oportunidad comercial y se beneficia de lo que se puede lograr con una implementación exitosa de IA.
Escalar no se trata solo de entregar
Hoy estamos viendo grandes inversiones en aprendizaje automático, aprendizaje profundo (ML, DL) y modelos de lenguaje extenso (LLM) de algunas de las compañías tecnológicas más grandes del mundo. Dichos enfoques se basan en estadísticas y reconocimiento de patrones y requieren grandes cantidades de datos para ejecutarse. Cuando se aplica al lenguaje, esto significa que hacen predicciones basadas en la presencia, posición y frecuencia de una palabra clave o patrón en el texto. Pero, por lo general, los datos del lenguaje empresarial son insuficientes para entrenar los modelos (o no hay suficiente tiempo y recursos para entrenarlos), sin mencionar que el principal desafío es el lenguaje en sí, porque sus matices no brindan suficiente consistencia y previsibilidad. Esta es una de las razones más relevantes por las que la IA simbólica se está integrando con ML, DL (creando un enfoque denominado “IA compuesta” o “IA híbrida”) para proporcionar lo mejor de ambos mundos de IA: cerebros que mejoran con cada aplicación. .
Con la IA simbólica, puede asignar significado a cada palabra según el conocimiento y el contexto integrados. De hecho, no trata de predecir nada. trata de imitar cómo entendemos el lenguaje y leemos el contenido como humanos. La ventaja comercial que distingue a la IA de tokens de los enfoques de aprendizaje es que puede trabajar con conjuntos de datos mucho más pequeños para desarrollar y perfeccionar las reglas de IA. Cuando se combinan, la IA simbólica y los enfoques de aprendizaje se complementan entre sí para ofrecer los mejores resultados para las aplicaciones de NLP.
Compensaciones, costos y…
Otros beneficios de complementar las fortalezas de la IA simbólica con ML/DL incluyen la explicabilidad. Los enfoques de aprendizaje se definen como cajas negras; esto significa que una vez que se ha entrenado un modelo, es imposible ver por qué se comporta de cierta manera. No hay forma de corregir cualquier sesgo o eliminar resultados cuestionables o controvertidos, porque no sabemos cómo llegó el algoritmo al resultado o por qué produce un determinado resultado. Debido a que no son explicables y no puede comprender la lógica detrás de ellos, se ve obligado a volver a tratar de obtener los resultados esperados, repitiendo el ciclo de manera ineficiente, porque eso es lo que generalmente debe hacer, o agregar más datos. o etiquetar muchos más datos. Esta es una compensación particularmente difícil de considerar cuando se abordan decisiones de IA en lenguaje natural. Sin embargo, con ML/DP puede enfocarse en partes del problema donde la explicabilidad no es necesaria, mientras que la IA simbólica que puede llegar a conclusiones y tomar decisiones a través de un proceso transparente (IA explicable) no requiere cantidades significativas de datos de entrenamiento. que ML hace.
Según una encuesta reciente, “A medida que las fallas de IA ponen en riesgo a las empresas y a sus clientes y aumenta la atención regulatoria, la evidencia apunta al valor de desarrollar políticas RAI (IA responsable) incluso antes de que se implemente un sistema de IA”.
No existe una única definición revestida de acero de IA responsable, pero a medida que la tecnología madura y los propios clientes se vuelven más conscientes de los problemas relacionados con el medio ambiente, la responsabilidad social, la equidad y la privacidad, existe una creciente aceptación y comprensión de que la IA requiere: incluyen la transparencia (también expresada como explicabilidad o responsabilidad), la sostenibilidad (baja emisión de carbono), la eficiencia (IA práctica) y un enfoque humano en el circuito (la IA debe ser comprensible para los humanos y no reemplazar a los humanos, sino humanizar el trabajo que hacemos). hacer; (permitiéndonos ser más productivos, eficientes y felices tanto en nuestro trabajo como en nuestras vidas en general.) La combinación de estos cuatro aspectos es un marco práctico que lo ayuda a pensar en toda la gama de compensaciones y costos. de AI para definir el valor. : Desea crear, así como el enfoque y el trabajo de IA necesarios para escalar y mantener su sistema de IA en funcionamiento.