Toda industria tiene una alta demanda de recursos de Inteligencia Artificial (IA), en especial los sistemas de respuesta a preguntas que se puedan utilizar para la asistencia legal, las búsquedas de pacientes, la notificación de riesgo e investigación médica.

Otros usos de la IA incluyen:

Atención a la salud

Las aplicaciones de IA pueden proporcionar lecturas personalizadas de medicina y rayos X. Los asistentes personales de atención a la salud pueden actuar como asesores, recordándole tomar sus medicamentos, hacer ejercicio o comer más sano.

Retail

La Inteligencia Artificial proporciona recursos para ventas virtuales que ofrecen recomendaciones personalizadas y analizan opciones de compra con el consumidor. Las tecnologías de gestión de inventario y disposición de sitios también se verán mejoradas con la IA.

Manufactura

La Inteligencia Artificial puede analizar datos de IoT (Internet de las Cosas) de fábricas.

Deportes

La IA se utiliza para capturar imágenes de juegos y proporcionar a los entrenadores reportes de cómo organizar mejor el partido, incluyendo posiciones y estrategia optimizadas en el campo.

La Inteligencia Artificial habrá de transformar todas las industrias, pero tenemos que entender sus límites. ¿Cuáles son los retos de usarla?

La limitación principal de la IA es que aprende de los datos. No hay otra forma en que se pueda incorporar el conocimiento. Eso significa que cualquier imprecisión en los datos se verá reflejada en los resultados. Y cualquier capa adicional de predicción o análisis se tiene que agregar por separado.

Los sistemas de Inteligencia Artificial actuales son entrenados para realizar una tarea claramente definida. El sistema que juega póker no puede jugar solitario o ajedrez. La solución que detecta fraude no puede conducir un automóvil o brindarle asesoría legal. De hecho, un sistema de IA que detecta fraude en la atención a la salud no puede detectar con precisión fraude en impuestos o en reclamos de garantías.

En otras palabras, estos sistemas son muy, muy especializados. Se enfocan en una sola tarea y están lejos de comportarse como humanos.

De la misma forma, los sistemas de autoaprendizaje no son sistemas autónomos. Las tecnologías de IA imaginarias, que ve en las películas y en la TV, siguen siendo ciencia ficción. Pero las computadoras que pueden sondear datos complejos para aprender y perfeccionar tareas específicas se están volviendo bastante comunes.

¿Cómo funciona?

La Inteligencia Artificial funciona combinando grandes cantidades de datos con procesamiento rápido e iterativo y algoritmos inteligentes, permitiendo al software aprender automáticamente de patrones o características en los datos.

La IA es un vasto campo de estudio que incluye muchas teorías, métodos y tecnologías, además de los siguientes subcampos:

El Machine Learning automatiza la construcción de modelos analíticos. Emplea métodos de redes neurales, estadística, investigación de operaciones y física para hallar insights ocultos en datos sin ser programada de manera explícita para que sepa dónde buscar o qué conclusiones sacar.

Una red neural es un tipo de aprendizaje basado en máquina que se compone de unidades interconectadas (como neuronas) que procesa información respondiendo a entradas externas, transmitiendo información entre cada unidad. El proceso requiere múltiples pases en los datos para hallar conexiones y obtener significado de datos no definidos.

El Deep Learning utiliza enormes redes neurales con muchas capas de unidades de procesamiento, aprovechando avances en el poder de cómputo y técnicas de entrenamiento mejoradas para aprender patrones complejos en grandes cantidades de datos. Algunas aplicaciones comunes incluyen reconocimiento de imágenes y del habla.

El Cómputo Cognitivo es un subcampo de la IA que busca una interacción de tipo humano con las máquinas. Utilizando la Inteligencia Artificial y el Cómputo Cognitivo, el objetivo final es que una máquina simule procesos humanos a través de la capacidad de interpretar imágenes y el habla – y luego hable de forma coherente como respuesta. 

La visión de la computadora se sustenta en el reconocimiento de patrones y en el Deep Learning para identificar lo que hay en una imagen o video. Cuando las máquinas pueden procesar, analizar y entender imágenes, pueden capturarlas en tiempo real e interpretar su contexto.

El Procesamiento del Lenguaje Natural (NLP, por sus siglas en inglés) es la capacidad de las computadoras para analizar, entender y generar lenguaje humano, incluyendo el habla. La etapa siguiente de NLP es la interacción en lenguaje natural, que permite a los humanos comunicarse con las computadoras utilizando el habla normal de todos los días para realizar tareas.

Además, varias tecnologías habilitan y dan soporte a la Inteligencia Artificial, como por ejemplo:

Las unidades de procesamiento gráfico son fundamentales para la IA porque aportan gran poder de cómputo, el cual es requerido para el procesamiento iterativo.

Por su parte, el Internet de las Cosas genera cantidades masivas de datos de dispositivos conectados, la mayoría de ellos no analizados. La automatización de modelos con Inteligencia Artificial nos permite usar una mayor parte de ellos.

También se están desarrollando algoritmos avanzados que se combinan en nuevas formas para analizar más datos con mayor rapidez y en múltiples niveles. Este procesamiento inteligente es clave para identificar y anticipar eventos poco comunes, entender sistemas complejos y optimizar escenarios únicos.

Las APIs, o Interfaces de Procesamiento de Aplicaciones (por sus siglas en inglés), son paquetes portátiles de código que hacen posible agregar funcionalidad de IA a productos y software existente.

En resumen, el objetivo de la Inteligencia Artificial consiste en proveer software que pueda razonar lo que recibe y explicar lo que produce como resultado. La IA proporcionará interacciones similares a las humanas con software y ofrecerá soporte a decisiones para tareas específicas, pero no es sustituto de los humanos – y no lo será en el futuro cercano.

_____________________

El autor de este artículo, Héctor Cobo, es Director Regional para SAS México, Caribe y Centroamérica.