Gartner:El futuro de la IA y los desafíos

El aprendizaje automático y la inteligencia artificial se acercan a la etapa máxima de expectativas infladas en un ciclo de exageración.

En un seminario web, el analista director de Gartner, Peter Krensky, describió el estado actual del aprendizaje automático y la inteligencia artificial, los próximos cinco años y algunos de los desafíos que probablemente afectarán la adopción, el desarrollo y la implementación.

Según Krensky, ML y AI se están acercando a la etapa máxima de expectativas infladas en un ciclo de exageración. La realidad virtual y aumentada ya han tocado el "punto bajo de la desilusión", que sigue al pico, y los vehículos autónomos y los drones ya pasaron el pico, pero aún no han tocado el fondo del ciclo.

Dicho esto, todavía hay una gran cantidad de industrias sin explotar para AI y ML. “Solo el 40 por ciento de los mejores ven la inteligencia artificial como un cambio de juego”, dijo Krensky. "Por lo tanto, hay mucho espacio verde dentro de muchos tipos diferentes de organizaciones, incluso industrias enteras que simplemente se están sumergiendo en lo que es posible con el aprendizaje automático".

Uno de los factores a favor del desarrollo continuo de AI y ML es la alineación entre los conceptos básicos académicos, científicos y corporativos. Más del 90 por ciento de la industria escribe algoritmos y plataformas de IA y ML en Python, muchos usan las mismas bibliotecas de código abierto (Apache, TensorFlow) y la misma infraestructura de nube (AWS, Azure).

Esta alineación conduce a una mayor sinergia en toda la industria, lo que podría ser valioso a la hora de reclutar talento en el futuro.

En toda la industria, hay una migración constante a la nube, mientras que alrededor del 30 al 45 por ciento continúa ejecutando AI o ML en las instalaciones. En muchos casos, Krensky cree que las organizaciones están gastando demasiado en la creación del programa AI o ML, evitando alternativas más baratas como modelos previamente entrenados e infraestructura en la nube, cuando los resultados serían similares.

“Tenemos que acostumbrarnos a que la infraestructura de aprendizaje automático esté en la nube y a un conjunto en constante evolución de componentes patentados y de código abierto como la nueva normalidad”, dijo Krensky. “Cada año hay un nuevo marco de código abierto del que no estábamos hablando. Hace unos dos años y ahora estamos hablando de todo el tiempo.

Mirando cómo se implementa la IA, Gartner tiene cuatro modelos:

• Pase la batuta:la IA trabajará en la parte tediosa de la tarea y el operador humano completará el resto.
• Simbiosis:la IA puede cubrir las debilidades de un ser humano, por ejemplo, al procesar grandes cantidades de datos en segundos.
• Análisis aumentados:la IA se utiliza como entrenador o guía para el operador humano, proporcionando análisis o información a partir de los datos. Un ejemplo de esto podría ser un proyecto reciente de IA que sugirió palabras u oraciones faltantes en grabados griegos antiguos.
• Comprobación de cordura:la IA realiza la mayoría de las funciones, pero tiene un operador humano en espera para detectar errores. Por ejemplo, un bot de atención al cliente que pasa casos difíciles a un humano.

En una encuesta realizada por Gartner, la mayoría de los líderes empresariales dijeron que las habilidades del personal eran el principal desafío para la adopción de IA y ML, con un 56 %. Krensky mencionó en el seminario web que la mayoría de los desarrolladores de ML son jóvenes, tienen menos de cinco años de experiencia y han estado en su trabajo por menos de dos.

Además de eso, Gartner ve el éxito de un proyecto en tener varios miembros del personal con diferentes conocimientos. Los científicos de datos, los ingenieros de datos, los especialistas en ML y los expertos en dominios tienen un papel distinto que desempeñar en el desarrollo de un proyecto de IA o ML, pero con frecuencia las organizaciones confían en ingenieros de datos con amplios conocimientos.

El segundo mayor desafío fue comprender los beneficios y usos de la IA. En el seminario web, Krensky recomendó que las organizaciones deben administrar correctamente el proyecto de IA y no invertir en todas las áreas, sino centrarse en algunas zonas clave que tengan sentido financiero.

El alcance y la calidad de los datos es el tercer mayor desafío y Krensky cree que debería ser el primero de la lista. Sin una gestión de datos adecuada, controles de calidad y gobierno de datos, es mucho más probable que un proyecto de IA o ML fracase.