Gartner Pronostica el Próximo Capítulo de la IA: Oportunidades, Riesgos y Obstáculos de Adopción

Machine learning e inteligencia artificial se acercan a la etapa de expectativas infladas máximas en un ciclo de hype.

En un webinar, el analista director de Gartner, Peter Krensky, delineó el estado actual de machine learning e inteligencia artificial, los próximos cinco años, y algunos desafíos que probablemente impactarán adopción, desarrollo y despliegue.

Según Krensky, ML e IA se acercan a la etapa de expectativas infladas máximas en un ciclo de hype. Realidad aumentada y virtual ya golpearon el 'valle de la desilusión', que sigue al pico, y vehículos autónomos y drones pasaron el pico pero aún no tocaron fondo del ciclo.

Eso dicho, todavía hay gran cantidad de industrias sin explotar para IA y ML. "Solo el 40% de los mejores ejecutores ven la inteligencia artificial como un gamechanger," dijo Krensky. "Así que hay mucho espacio verde en muchos tipos diferentes de organizaciones, incluso industrias enteras que apenas están probando lo posible con machine learning."

Uno de los factores a favor del desarrollo continuo de IA y ML es la alineación entre conceptos centrales académicos, científicos y corporativos. Más del 90% de la industria escribe algoritmos y plataformas de IA y ML en Python, muchos usan las mismas librerías open-source (Apache, TensorFlow) y la misma infraestructura cloud (AWS, Azure).

Esta alineación lleva a mayor sinergia en la industria, lo que podría ser valioso al reclutar talento en el futuro.

En toda la industria hay una migración constante a la nube, mientras alrededor del 30-45% continúa ejecutando IA o ML on-premises. En muchos casos, Krensky cree que las organizaciones gastan demasiado construyendo el programa de IA o ML, evitando alternativas más baratas como modelos pre-entrenados e infraestructura cloud, cuando los resultados serían similares.

"Tenemos que acostumbrarnos a que la infraestructura de machine learning esté en la nube y un conjunto de componentes propietarios y open-source en constante evolución como la nueva normalidad," dijo Krensky. "Cada año hay un nuevo framework open-source del que no hablábamos hace dos años y ahora hablamos todo el tiempo."

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

• Pasar el testigo — La IA trabaja en la parte tediosa de la tarea, y el operador humano completa el resto.
• Simbiosis — La IA cubre las debilidades de un humano, por ejemplo procesando vastas cantidades de datos en segundos.
• Analítica aumentada — La IA se usa como entrenador o guía para el operador humano, proporcionando analíticas o insights de los datos. Un ejemplo podría ser un proyecto reciente de IA que sugirió palabras o frases faltantes en grabados griegos antiguos.
• Control de cordura — La IA realiza la mayoría de funciones, pero tiene un operador humano en espera para vigilar errores. Por ejemplo, un bot de soporte al cliente que pasa casos difíciles a un humano.

En una encuesta de Gartner, la mayoría de líderes empresariales dijeron que habilidades del personal era el principal desafío para adopción de IA y ML, al 56%. Krensky mencionó en el webinar que la mayoría de desarrolladores ML son jóvenes, tienen menos de cinco años de experiencia y llevan en su trabajo menos de dos.

Además, Gartner ve el éxito de un proyecto como teniendo múltiples miembros de staff con diferentes especialidades. Científicos de datos, ingenieros de datos, especialistas ML y expertos de dominio tienen un rol distinto en el desarrollo de un proyecto de IA o ML, pero frecuentemente las organizaciones dependen de ingenieros de datos con conocimiento amplio.

El segundo mayor desafío fue entender los beneficios y usos de la IA. En el webinar, Krensky recomendó que las organizaciones gestionen correctamente el proyecto de IA y no inviertan en todas las áreas, sino enfocándose en unas pocas zonas clave que tengan sentido financiero.

Alcance y calidad de datos es el tercer mayor desafío y uno que Krensky cree debería encabezar la lista. Sin gestión de datos apropiada, controles de calidad y gobernanza de datos, un proyecto de IA o ML es mucho más probable que falle.