Inteligencia Artificial no es una inteligencia "falsa"

Pregunta: ¿Qué es lo primero que viene a la mente cuando escuchas las siguientes frases?

• Césped o pasto artificial
• Edulcorantes artificiales
• Sabores artificiales
• Plantas artificiales
• Flores artificiales
• Diamantes y joyas artificiales

Estas frases probablemente evocan pensamientos como "falso", "no real" o incluso "raído". Artificial es un adjetivo tan duro. La palabra "artificial" se define como "imitación; simulado; con sinónimos como falso, falsificado, y ficticio". A primera vista nada bueno.

La palabra "artificial" puede no ser el término correcto para describir "Inteligencia Artificial", porque la "Inteligencia Artificial" es cualquier cosa menos falsa.

Tal vez un término mejor sea "Inteligencia Humana Aumentada", una frase que resalta la importancia de aumentar la inteligencia del ser humano y aliviar los temores de que los humanos se conviertan en "paletas de carne" (¡rápido, nombre esa referencia de película de Bruce Willis! )

Y aunque no esperamos que este cambio de nombre se mantenga (si es así, por favor denos un poco de crédito), estamos usando este Blog como una excusa para presentar algunos maravillosos nuevos materiales de capacitación sobre inteligencia artificial y aprendizaje automático.

Pero antes de sumergirnos en los detalles, primero enmarquemos la conversación de inteligencia artificial.

Centrarse en el "cómo" no lo llevará al "qué" y "por qué"

Las organizaciones tienen acceso a una variedad cada vez mayor de fuentes de datos internas y externas, que pueden generar mejores predictores de rendimiento comercial.

Si bien se tiene un proceso para idear, validar y priorizar las diferentes fuentes de datos que uno podría querer explorar para sus capacidades predictivas, al final los datos en sí mismos tienen poco valor: las organizaciones necesitan ser más efectivas para aprovechar los datos y análisis para impulsar sus modelos comerciales (ver Figura 1).

Figura 1: Índice de Madurez del Modelo de Negocio de Big Data

Pero para "monetizar" esa creciente cantidad de datos, tendrá que convertirse en un experto en análisis avanzados para descubrir el cliente, el producto, el servicio y los conocimientos operativos que son las verdaderas fuentes de valor económico.

Los líderes empresariales necesitan conocer las capacidades analíticas avanzadas para poder visualizar los casos de uso empresarial "a qué" apuntar y "por qué", antes de que se involucren en el debate del "Cómo".

Preparación para el debate del "Cómo"

Para ayudar a los líderes empresariales a comprender dónde y cómo aplicar las diferentes clases de análisis avanzados (es decir, Aprendizaje Automático, Redes Neuronales, Aprendizaje de Refuerzo, Inteligencia Artificial), hemos creado una hoja de ruta analítica avanzada. Ahora hay que "mapear" la hoja de ruta avanzada de análisis, con el índice de madurez del modelo de negocios Big Data (vea la Figura 2).

Figura 2: El camino para crear la empresa inteligente

Aunque ciertamente no es perfecto (y ciertamente no definitivo dados los avances analíticos avanzados), la Figura 2 intenta clasificar las diferentes capacidades analíticas avanzadas en una hoja de ruta que las organizaciones pueden usar, para ayudarlas a comprender cuándo y dónde aplicar las diferentes capacidades avanzadas de análisis.

Este es nusytro intento de intentar resumir la confusión analítica avanzada, la exageración y la emoción en algo ciertamente accionable.

Con eso como mi objetivo, aquí están los diferentes niveles de análisis avanzados:

Nivel 1: Insights (hacia adentro) y Prospectiva (hacia el futuro). Este es el nivel fundamental que incluye análisis estadísticos, así como las amplias categorías de análisis predictivo (por ejemplo, agrupamiento, clasificación, regresión) y extracción de datos. El objetivo del Nivel 1 es cuantificar causa y efecto, establecer niveles de confianza y medir la bondad de ajuste.

Nivel 2: Optimización de la toma de decisiones humanas. Este nivel incluye Aprendizaje Automático, Aprendizaje Profundo y Redes Neuronales. El objetivo de estos algoritmos analíticos avanzados es permitir que las computadoras aprendan por sí solas; identificar patrones en los datos, construir modelos que expliquen los datos y predecir los resultados sin tener reglas pre-programadas y modelos analíticos.

Nivel 3: El aprendizaje y la empresa inteligente. Este nivel incluye Inteligencia Artificial, Aprendizaje de Refuerzo e Informática Cognitiva. Estos algoritmos analíticos avanzados se auto-controlan, se auto-diagnostican, se auto-ajustan y aprenden por sí mismos y de sí mismos.

Estos análisis perciben el mundo que les rodea, crean objetivos, toman decisiones con respecto a esos objetivos, miden la efectividad de las decisiones y aprenden para refinar las decisiones que avanzan hacia los objetivos (maximizar las recompensas mientras se minimizan los costos).

Es importante poder resumir y presentar el amplio campo del análisis avanzado dentro de un marco que podamos explicar al liderazgo empresarial (porque finalmente acudiremos a ellos en busca de dinero). Entonces, usando la Figura 2 como nuestro marco comercial, profundicemos en cada uno de los niveles analíticos avanzados.

Ahora, con más detalle

Nivel 1: Insights (hacia adentro) y Foresights (hacia el futuro)

El objetivo del Nivel 1 es cuantificar la "causa y efecto" (es decir, cuantificar las relaciones en los datos) y predecir lo que es probable que suceda en algún nivel medible de confianza. El nivel 1 sienta las bases para determinar la "bondad de ajuste" o la medida en que los datos observados coinciden con los valores predichos por los modelos analíticos. El nivel 1 incluye las siguientes capacidades analíticas avanzadas:

1. La estadística es una rama de las matemáticas que se ocupa de la recopilación, el análisis, la interpretación, la presentación y la organización de los datos. Los métodos y análisis estadísticos se utilizan para respaldar hipótesis (decisiones) y brindar credibilidad a los resultados del modelado (a través de niveles de confianza y medidas de "bondad de ajuste").
   
2. Análisis Predictivo y Minado de Datos incluyen detección de anomalías, "clustering", clasificación, regresión y aprendizaje de reglas de asociación. El Análisis Predictivo y la Minería de Datos descubren patrones estadísticamente significativos en grandes conjuntos de datos; descubren relaciones enterradas en los datos para cuantificar riesgos y oportunidades. 

Nivel 2: Toma de decisiones humanas aumentadas

El Nivel 2 se basa en las predicciones creadas en el Nivel 1 con el fin de prescribir acciones y recomendaciones. El nivel 2 es el dominio de las capacidades analíticas enfocadas en el Procesamiento del Lenguaje Natural (NLP por sus siglas en inglés). Traducción de texto, reconocimiento de voz y reconocimiento de foto/imagen/rostro. Las capacidades analíticas avanzadas en el Nivel 2 se centran en el aprendizaje y luego hacen inferencias a partir de ese aprendizaje. El Nivel 2 incluye las siguientes capacidades analíticas:

• Las redes neuronales y el aprendizaje profundo aprovechan un sistema de capas analíticas altamente interconectadas para descomponer formatos de datos complejos (por ejemplo, imágenes, audio, video) con el fin de aprender sobre los datos y crear inferencias sobre los datos. Por ejemplo, la Figura 3 muestra cómo una serie de capas de redes neuronales interconectadas trabajan para identificar un número escrito.

Figura 3: Por qué las redes neuronales convolucionales

Pero ten cuidado, ya que no hay una sola técnica de red neuronal, como se puede ver en la Figura 4.

Figura 4: El Instituto Asimov, The Neural Network Zoo

Machine Learning faculta a los sistemas y aplicaciones con la capacidad de obtener conocimiento sin estar programado explícitamente. El aprendizaje automático se centra en el desarrollo de programas informáticos que pueden cambiar cuando se exponen a nuevos datos.

Los algoritmos de Machine Learning identifican patrones en datos observados, crean modelos que explican el mundo y predicen cosas sin tener que preprogramar explícitamente reglas y modelos analíticos (ver Figura 5).

Figura 5: La diferencia entre el aprendizaje profundo y la inferencia

Fundamentalmente, Machine Learning hace dos cosas: cuantifica las relaciones en los datos (cuantifica las relaciones a partir de datos históricos y aplica esas relaciones a los nuevos conjuntos de datos) y cuantifica las relaciones latentes (dibujar inferencias) enterradas en los datos.

Hay varios tipos de Aprendizaje Automático:

• El Aprendizaje Automático supervisado es un tipo de algoritmo de aprendizaje automático que se utiliza para extraer inferencias de conjuntos de datos con respuestas de etiquetas como fraude, desgaste del cliente, transacción de compra, falla de piezas, interacción con redes sociales o clic en la Web.
  
• El aprendizaje automático no supervisado es un tipo de algoritmo de aprendizaje automático que se utiliza para extraer inferencias de conjuntos de datos sin respuestas etiquetadas, como encontrar patrones ocultos (desconocidos), agrupamientos o relaciones en los datos.
  
• El aprendizaje por adversario es un área bastante nueva de aprendizaje automático. "Adversarial Machine Learning" se encuentra en la intersección del aprendizaje automático y la seguridad informática.
  
  Su objetivo es permitir la adopción segura de técnicas de aprendizaje automático en entornos contradictorios, como el filtrado de spam, la detección de malware y el reconocimiento biométrico. Las técnicas de aprendizaje automático se diseñaron originalmente para entornos estacionarios en los que se supone que los datos de entrenamiento y prueba se generan a partir de la misma distribución.
  
  Sin embargo, en presencia de adversarios inteligentes y adaptativos, es probable que se viole esta hipótesis de trabajo. Por ejemplo, un adversario malicioso puede manipular cuidadosamente los datos de entrada que explotan las vulnerabilidades específicas de los algoritmos de aprendizaje para comprometer la seguridad de todo el sistema.
  
• Finalmente, el Aprendizaje Automático Ensemble combina varias técnicas de aprendizaje automático en un modelo predictivo para disminuir la varianza, el sesgo o mejorar la efectividad del pronóstico. Los métodos de conjunto se pueden dividir en dos grupos:

1. Métodos de conjunto secuencial donde los alumnos de base se generan secuencialmente. La motivación básica de los métodos secuenciales es explotar la dependencia entre los estudiantes de base. El peso de los ejemplos anteriormente mal etiquetados con mayor peso puede aumentar el rendimiento general.
   
2. Métodos de conjunto paralelo donde los alumnos base se generan en paralelo (por ejemplo, "Random Forest"). La motivación básica de los métodos paralelos es explotar la  independencia entre los estudiantes base, ya que el error se puede reducir drásticamente al promediar.

Nivel 3: El aprendizaje y la empresa inteligente

El nivel 3 se centra en la creación de una empresa inteligente que puede autocontrolar, autodiagnosticarse, autocorregirse y autoaprenderse. El nivel 3 es el dominio de las técnicas analíticas avanzadas de "aprendizaje y ajuste" continuo, como el aprendizaje de refuerzo, la inteligencia artificial y la informática cognitiva. El nivel 3 incluye las siguientes capacidades analíticas:

• El aprendizaje de refuerzo se centra en cómo los agentes de software toman acciones en un entorno para maximizar las recompensas acumuladas y minimizar los costos. El aprendizaje de refuerzo usa prueba y error para asignar situaciones a acciones a fin de maximizar las recompensas.
  
• Las acciones pueden afectar las recompensas inmediatas, pero las acciones también pueden afectar las recompensas posteriores o de más largo plazo, por lo que se debe considerar el alcance total de las recompensas al evaluar la efectividad del aprendizaje reforzado. El aprendizaje de refuerzo se usa para abordar dos problemas generales:

1. Predicción: Cuánta recompensa se puede esperar para cada combinación de posibles estados futuros
   
2. Control: al pasar por todas las combinaciones posibles del entorno, encuentre una combinación de acciones que maximice la recompensa y permita un control óptimo

Entonces, ¿qué viene siendo la Inteligencia Artificial?

La inteligencia artificial es la capacidad de un sistema informático para adquirir conocimiento dentro de un entorno particular, aplicar el conocimiento para interactuar con éxito en ese entorno y aprender de la interacción resultante para que las interacciones posteriores sean más efectivas, incluso cuando una aplicación inteligente artificial podría volver a programarse para realizar con más éxito (¿sobrevivir?) dentro de un entorno o situación compleja (que ahora debería asustar a la gente de la singularidad).

La inteligencia artificial implica el estudio de agentes que perciben el mundo que les rodea, forman planes y toman decisiones para alcanzar sus objetivos. Un agente inteligente es una entidad autónoma que observa a través de sensores y actúa sobre un entorno utilizando actuadores (es decir, es un agente) y dirige su actividad hacia el logro de objetivos (es decir, es "racional", como se define en economía). Hay 4 tipos generales de agentes inteligentes:

• Agentes de Reflejo Simple
• Agentes de Reflejo basados en modelos
• Agentes de Reflejo basados en objetivos
• Agentes de Reflejo basados en la utilidad

Figura 6: Agente simple de Reflex

Cómputo Cognitivo es un concepto relativamente nuevo que está siendo defendido por IBM Watson. La computación cognitiva implica sistemas de autoaprendizaje que simulan los procesos de pensamiento humano y la toma de decisiones en situaciones complejas. De Wikipedia, obtenemos funciones de sistemas cognitivos que incluyen:

• Adaptativo: puede aprender a medida que la información cambia, y a medida que evolucionan los objetivos y los requisitos.
  
• Interactivo: puede interactuar fácilmente con los usuarios para que esos usuarios puedan definir sus necesidades cómodamente.
  
• Iterativo: puede ayudar a definir un problema haciendo preguntas o encontrando información adicional de la fuente si el enunciado del problema es ambiguo o incompleto.
  
• Contextual: puede comprender, identificar y extraer elementos contextuales tales como el significado, la sintaxis, el tiempo, la ubicación, el dominio apropiado, las regulaciones, el perfil del usuario, el proceso, la tarea y los objetivos.

Resumen

No puede llegar al "Qué" y al "Por qué", centrándose sólo en el "Cómo"

También es importante comprender el "cómo" para visualizar el "qué" y el "por qué". A veces, la gran variedad de técnicas analíticas avanzadas y algoritmos causan confusión y hacen que los líderes empresariales disminuyan la velocidad o incluso se detengan hasta que comprendan estos capacidades analíticas avanzadas mejor.

El objetivo de esta entrada en el Blog es proporcionar una explicación suficiente de análisis avanzados a los líderes empresariales, de modo que cuando nos involucramos en un ejercicio de visualización, evitemos que los gobernadores limiten el pensamiento creativo.

Al final, lo importante es que tengamos una idea clara, tal vez no concisa pero tampoco demasiado amplia, de todo esto que ya forma parte del quehacer tecnológico, en áreas avanzadas (y no tanto) de Tecnologías de la Información.