Los pilares de la Inteligencia Artificial aplicada a los negocios

El investigador de Intel, Pradeep Dubey, le llama a la inteligencia artificial (IA) "una simple visión en la que las computadoras se vuelven indistinguibles de los humanos". También se ha definido simplemente como "darles sentido a los datos", lo que refleja en gran medida la forma en que las compañías la utilizan en la actualidad para sus procesos.

En general, la IA es un término genérico para una variedad de algoritmos y enfoques informáticos que permiten que las máquinas perciban, razonen, actúen y se adapten, como lo hacen los seres humanos , o en formas que van más allá de nuestras habilidades.

Según la gigante tecnológica de Silicon Valley, hay cuatro grandes razones por las que hoy estamos en una nueva primavera de la inteligencia artificial: más cómputo (la nube pone al alcance de todos servidores de gran capacidad), más datos (sobre todo con la proliferación de cámaras y detectores), mejores algoritmos y amplias inversiones.

Uno de los elementos clave de la IA es el denominado "machine learning", que dice relación en la forma como van aprendiendo los sistemas informáticos para generar respuestas cada vez mejores. Intel definió que hay una primera etapa de esta metodología denominada como "aprendizaje automático."

"Es un programa en el que el desempeño mejora con el tiempo y con más datos. Es decir, la máquina es más inteligente y, cuanto más estudia se vuelve aún más", dice Dubey, de Intel.

Para Mauricio Magofke, gerente área RAS IT de BDO, "es la base de la optimización de los procesos automatizados o semiautomáticos, lo que trae consigo la reutilización adecuada de recursos financieros y humanos, en tareas de mayor importancia o que no habían sido consideradas por falta de estos recursos", dice Magofke.

Incluso, el ejecutivo cree que en un proceso industrial automático, se podría obtener de un 5% a 10% de mejora de los recursos, mediante machine learning.

Para los investigadores de Intel, viene una segunda etapa de machine learning denominado "aprendizaje profundo". Es un método específico de aprendizaje automático que se basa principalmente en el uso de redes neuronales.

"En lugar de especificar las características de nuestros datos que pensamos que conducirán a una mejor precisión de la clasificación, dejamos que la máquina encuentre esta información por sí sola. A menudo, ésta puede ver el problema de una manera que incluso un experto no hubiera podido imaginar", aseguran los expertos de la firma tecnológica.

El informe The Future of Jobs, publicado por el World Economic Forum, indica que uno de los perfiles más importantes para la economía digital, serán los especialistas en machine learning. "Esta disciplina científica está requiriendo filósofos con altos conocimientos de lógica proposicional", comenta Tomás Casas, consultor de tecnología de Randstad Professionals.

Uno de los conceptos que tiene entusiasmadísimos a los científicos hace décadas son los sistemas de "redes neuronales", qué básicamente se refiere a la forma en que trabaja el cerebro para pensar.

La novedad es que la analítica y la IA se basan en esta metodología, aunque - técnicamente- son "redes neuronales artificiales", que proporcionan los algoritmos y sistemas matemáticos para que el aprendizaje actúe.

Google ofrece una herramienta (www.tensorflow.org) en la que cualquier persona puede jugar en forma real con una red neuronal en su navegador, algo que lo definen de la siguiente forma: "Primero, se crea una colección de 'neuronas' de software y se conectan, permitiendo que se envíen mensajes entre sí. Después, se le pide a la red que resuelva un problema, lo que intenta hacer una y otra vez, cada vez fortaleciendo más las conexiones que llevan al éxito y disminuyendo las que llevan al fracaso", dice este proyecto en su página web.

El análisis de Intel sobre la inteligencia artificial profundiza más aún en este concepto y define dos términos clave: la "capacitación" y la "inferencia".

La primera es la parte del aprendizaje automático en el que los sistemas están construyendo su algoritmo, configurándolo con datos para que haga lo que la persona quiere que haga.

"La capacitación es el proceso mediante el cual nuestros sistemas inteligentes encuentra patrones en los datos," escribió el equipo de IA de Intel, agregando: "Durante la capacitación, pasamos datos a través de la red neuronal, se corrigen errores después de cada muestra y se repite hasta que se logra la mejor parametrización de la red. Después de que se capacitó la red, la arquitectura resultante puede usarse para inferencia", dicen los científicos.

Según los expertos, es quizá la parte más difícil de todo el proceso de IA.

Luego de la captación de datos (capacitación), viene la inferencia, que, según el diccionario es un "acto o proceso de derivar conclusiones lógicas de premisas que se conocen o asumen que son verdaderas".

En la analogía del software, capacitar es escribir el programa, mientras que inferencia es usarlo.

"Los principales beneficios de la analítica son poder entender el negocio desde la perspectiva de los datos, es decir, ser capaces de lograr modelar comportamientos predictivos, monitorearlos en el tiempo y finalmente optimizar el negocio en función de expectativas y acciones", comenta Antonio Díaz, gerente general de la compañía chilena de software, Unholster.

El ejecutivo agrega, además: "En la medida en que las empresas se vuelquen hacia observar los datos que escriben su negocio, esta tendencia adquiere un valor preponderante y esencial dentro del día a día de sus actividades", concluye Díaz.