El aprendizaje por transferencia puede simplificar muchas actividades de oficina sin tener que recopilar grandes cantidades de datos y desarrollar modelos personalizados para cada una de ellas.
La inteligencia artificial (IA) volverá a dejar su huella en el mundo de las tecnologías de la información en 2021. Los especialistas en búsqueda empresarial e IA, destacan tres tendencias para la IA centrada en texto y el procesamiento del lenguaje natural que juegan un papel importante en esto.
Las tendencias de IA para 2022
Transferir aprendizaje
Después de 2020, el aprendizaje por transferencia seguirá siendo una tendencia central de IA este año también. El aprendizaje por transferencia es un método especial de aprendizaje automático y permite que las redes neuronales que ya se han entrenado previamente para un propósito específico se utilicen como punto de partida para otra tarea. Lo que ya se ha aprendido de una red capacitada puede, por tanto, utilizarse para un nuevo proyecto.
Con este método, entrenar una red neuronal es significativamente menos intensivo desde el punto de vista computacional y requiere más tiempo, y la cantidad de datos de entrenamiento requeridos se reduce significativamente. El aprendizaje por transferencia impulsará la democratización de la IA y acelerará su uso generalizado en el mundo empresarial. Hasta ahora, la IA solo ha funcionado especialmente bien en las empresas
Incrustaciones de palabras en varios idiomas
Numerosas aplicaciones de procesamiento del lenguaje natural (NLP) solo están disponibles para los idiomas europeos más importantes, a menudo incluso exclusivamente para el inglés. Una razón importante para esto es que la expansión de los modelos de PNL a nuevos lenguajes generalmente requiere la anotación que requiere mucho tiempo de registros de datos completamente nuevos y es muy intensiva en computación.
Sin embargo, para los idiomas menos utilizados, a menudo no hay suficientes datos de entrenamiento disponibles. Esto se puede remediar con modelos multilingües con los llamados incrustaciones de palabras en varios idiomas (CLWE). Estos CLWE aprovechan el hecho de que muchos lenguajes tienen similitudes semánticas. Capturan estas similitudes y pueden representar palabras en varios idiomas en un espacio vectorial común.
IA verde
La inteligencia artificial penetra cada vez más áreas de la vida y los negocios. La huella ecológica que deja al entrenar algoritmos y usarlos está creciendo en consecuencia. En el contexto de una mayor conciencia sobre la protección del medio ambiente y el cambio climático, la IA verde es, por tanto, cada vez más importante. Por ejemplo, cada vez se investiga más sobre algoritmos que requieren menos energía, menos memoria y menos ancho de banda de comunicación.
El suministro de energía y la eficiencia de los centros de datos utilizados para la inteligencia artificial también se examinan cada vez con más frecuencia. Otro aspecto importante de la IA verde es el uso de algoritmos para hacer que la generación de energía, el funcionamiento de la infraestructura de red y el uso de la energía sean lo más eficientes posible.
La democratización de la IA seguirá acelerándose el próximo año. El aprendizaje por transferencia puede simplificar muchas actividades de oficina sin tener que recopilar grandes cantidades de datos y desarrollar modelos personalizados para cada una de ellas. Se han optimizado los productos para reflejar con precisión la realidad operativa para que cada empleado pueda mejorar su rendimiento en última instancia, incluso sin expertos en IA, con muy poco tiempo para entrenar los procesos de IA y así ayudar a la empresa a ahorrar costes y aumentar la competitividad.
De la exageración a la implementación real
En los últimos años, la IA ha sido calificada de manera muy amplia, ya sea como un salvador para varias industrias o como una tecnología de alto riesgo que reemplazará a las personas tarde o temprano. Esos días se acabaron. En cambio, la IA está evolucionando de una tecnología futura apenas tangible a una realidad técnica. En consecuencia, la discusión sobre este tema ahora tiene lugar cada vez más en un marco relacionado con la aplicación.
Por lo tanto, las empresas no solo tienen que pensar en casos de uso específicos, sino también comprender qué tipos de casos de uso diferentes existen y, en consecuencia, abordar la IA de una manera más seria, concentrada y enfocada que antes. Esto significa pasar de la pregunta “¿Cómo podemos, en general, utilizar esta nueva y genial tecnología para nosotros?” A “¿Con qué tecnología podemos resolver nuestro problema específico?”. Una vez que se ha encontrado el caso de uso correcto, las empresas necesitan las herramientas adecuadas para implementar el proyecto de manera específica y reducir la complejidad del proyecto en el caso de uso. Aquí es donde entra la IA explicable.
IA explicable
Las empresas que quieren utilizar proyectos de IA no pueden evitar la IA explicable. Se entiende por esto el principio de hacer que el funcionamiento de una inteligencia artificial, así como los resultados obtenidos sean lo más comprensibles posible para todos los usuarios. Porque a menudo les resulta difícil entender cómo los algoritmos llegan a sus decisiones y resultados. Sin embargo, esta comprensión y la transparencia asociada es de enorme importancia para la aceptación de la inteligencia artificial.
Por ejemplo, es difícil comprender o interpretar las decisiones y los resultados de los modelos de caja negra. El resultado: si un científico de datos no puede comprender el modelo o los resultados producidos, el modelo simplemente no se utiliza. En el futuro, las cajas negras deben diseñarse de manera transparente y transformarse en cajas blancas claras mediante el uso de algoritmos y soluciones de software adecuados para mantener siempre una visión general de todas las entradas y salidas.
Ingeniería de IA
Sacar el máximo partido a la inversión en IA requiere una estrategia sólida de ingeniería de IA que mejore el rendimiento, la escalabilidad, la interpretabilidad y la fiabilidad de los modelos de IA. Si esto no está disponible, los proyectos de IA actuales a menudo fallan debido a la capacidad de mantenimiento, la administración y la escalabilidad. Al mismo tiempo, las empresas ahora deben implementarlo y crear pilotos.
Suele haber poca consideración por la escalabilidad en la creación de prototipos. El resultado: código espagueti, es decir, código anidado, confuso y sin estructura, o el uso de modelos de caja negra. Como consecuencia, los proyectos de IA nunca irán más allá del estudio de viabilidad y se implementarán.
Con la creación de prototipos escalables, este ciclo negativo se rompe. Específicamente, esto significa: Las empresas actúan rápidamente y crean pilotos, pero aún cumplen con todos los requisitos en términos de solidez, confiabilidad e interpretabilidad, y esto también incluye tener en cuenta que el modelo es escalable posteriormente. Si tienes en cuenta estas tendencias el próximo año, podrá convertir los desafíos de tu empresa en casos de uso específicos y abordarlos de manera rápida y eficiente con la ayuda de la IA.
Te puede interesar...