Construir economías de escala en la inteligencia artificial

Hoy en día existen innumerables casos de uso que demuestran que los sistemas de inteligencia artificial (IA) son capaces de transformar las empresas, la sociedad y la economía. Los ejemplos de IA que se comportan adecuadamente en un número creciente de escenarios en todas las industrias -desde la conducción autónoma para los ancianos y los discapacitados y la detección de tumores en las exploraciones médicas hasta la educación impulsada por la IA en las aulas- han cristalizado el valor cada vez mayor de la puesta en marcha de la IA a escala.

A pesar de todas las gloriosas promesas de la IA, las organizaciones aún no han alcanzado economías de escala en la IA. Este objetivo de escalar la IA ha sido el mayor y más difícil reto para las empresas en sus esfuerzos de transformación digital y sigue siendo un trabajo en progreso. Una reciente encuesta de PwC subrayó la gravedad de este problema al revelar que, aunque el 90% de los ejecutivos creen que la IA ofrece más oportunidades que riesgos, sólo el 4% planea desplegar la IA en toda la empresa este año. Eso es una caída significativa del 20% que dijo que tenía la intención de desplegar la IA en 2019.

La encuesta sugiere que las compañías necesitan tener los fundamentos de la tecnología justo antes de poder escalarla. La IA introduce desafíos operacionales, gerenciales y de capacitación laboral, ya que afecta todos los niveles de la organización de una empresa y cambia radicalmente los flujos de trabajo y los modelos de negocios.

En su núcleo, la IA es sobre la productividad, por lo que es seguro decir que la IA es sobre la economía. Los sistemas de IA son máquinas predictivas que automatizan y aumentan las tareas y predicciones en la economía, permitiendo a las organizaciones y a las personas ser más productivas y tomar decisiones más informadas. La IA imita las funciones cognitivas humanas, como el aprendizaje y la resolución de problemas, sin deficiencias humanas, como la fatiga, la emoción y el tiempo limitado. Algunos expertos predicen que la IA podría añadir 15,7 billones de dólares a la economía mundial para 2030.


Recomendado: ¿Qué es el Big data?.


La IA es el máximo estimulador económico.

Según Gartner, los activos digitales son la piedra angular de una estrategia digital y el primer paso en la construcción de un ecosistema económico. Un activo digital es todo lo que existe en un formato binario y viene con un derecho de uso.

Afortunadamente, la IA prospera con los activos digitales. De hecho, no puede vivir sin ellos. Estos activos digitales son los enormes volúmenes de datos sobre los que actúan los componentes de aprendizaje de la IA: aprendizaje automático y aprendizaje profundo. Esto hace que la IA sea única desde el punto de vista económico porque la IA puede utilizar economías de escala digitales frente a las físicas. A diferencia de los activos físicos que se desgastan y agotan con el tiempo, los activos digitales nunca lo hacen, y pueden ser reutilizados un número infinito de veces a un coste marginal casi nulo.

Como se explica en el Teorema de Valoración de Activos Digitales Económicos de Schmarzo, un activo digital puede “reducir simultáneamente los costos marginales (mediante economías de escala digitales) y acelerar la creación de valor económico del activo digital (mediante la reutilización de los activos digitales)”.

La capacidad de reutilización es el motor que impulsa las economías saludables. La reutilización de activos ha sido a menudo promocionada como un enfoque económicamente sólido para resolver problemas, como el tiempo de llegada al mercado y la calidad del producto. IBM define la reutilización estratégica de activos como “una estrategia comercial de alto nivel”. En el contexto de la IA, esto no es una subestimación.

Con el aprendizaje de la máquina y el aprendizaje profundo al timón de la IA, los datos y el análisis pueden ser utilizados con mayor precisión para problemas más complejos. Los algoritmos y modelos matemáticos basados en datos de muestra llamados “datos de entrenamiento”, que son utilizados por estas máquinas de predicción, pueden mejorar automáticamente a través de la experiencia, y a medida que los mismos datos se reutilizan posteriormente, su valor se hace cada vez mayor. Además, a medida que reutilizamos los modelos de IA, su valor aumenta, y los aprendizajes de los nuevos usos se propagan a todos los usuarios del modelo.

El valor de integrar el aprendizaje profundo con los sistemas de IA (IA de aprendizaje profundo) para reutilizar y aprender rápidamente mientras se obtienen mejoras exponenciales se amplifica en la cadena de suministro mediante el proceso de automatización de paquetes en la planta de distribución. Con cámaras inteligentes y algoritmos de IA de aprendizaje profundo que tienen como objetivo lograr una mejor calidad que reside en el borde (en o cerca de donde se lleva a cabo el proceso de computación), los paquetes de almacén pueden comunicarse en tiempo real entre sí, lo que permite la autocorrección de los procesos y lazos de retroalimentación de calidad más cortos y precisos.

Por ejemplo, un cliente nuestro aplicó la automatización de la visión artificial con la IA de aprendizaje profundo al límite para optimizar una línea de empaquetado de un almacén entero, logrando más de un 99% de precisión. El proveedor de logística y cadena de suministro utiliza dos cámaras – una que mira el contenido de una caja y la otra lee un código de barras para grabar y clasificar el contenido de los paquetes mientras se mueven a lo largo de la línea de distribución. Esto sirve como un control de calidad usando análisis basados en reglas para identificar discrepancias en la lista de empaque. Se enseña a reconocer objetos desde cientos de ángulos diferentes, escenarios de iluminación y otras desviaciones. Pasos repetitivos como éste son críticos para construir modelos precisos de aprendizaje de máquinas de los que dependen los modelos de aprendizaje profundo porque los modelos de aprendizaje profundo aprenden de forma autónoma (con o sin intervención humana).

¿Quieres empezar con la IA? Empieza con estas mejores prácticas:

1. Empezar en pequeño con un problema de negocios real – pero con la mentalidad de que se convertirá en un activo clave para el futuro previsible.

2. 2. Incluir a todos los interesados, ya que ellos son la clave del éxito de la ampliación. A menudo, es el factor humano el que impide el éxito.

3. Como cualquier activo, se requiere inversión, pero en lugar de depreciarse como la mayoría de los activos, los activos de inteligencia artificial y de datos se aprecian con el tiempo a medida que se logra la escala.

Con el aprendizaje profundo (IA) en el límite como se describe anteriormente, una empresa puede reducir los costos marginales de los nuevos casos de uso y a la vez aumentar el valor económico de la IA. Pueden entonces construir un segundo caso de uso sobre el primero, de modo que el valor financiero y operacional acumulado crece caso por caso. La reutilización de los datos y el análisis en todos los casos posteriores acelera el valor económico de la IA y nos acerca, no sólo de forma incremental sino exponencial, al santo grial de esta era digital: las economías de escala en la IA.