De la ciencia ficción a la realidad: el camino de la IA hacia la empresa moderna

Menciona "inteligencia artificial" y la mayoría piensa en Alexa y Siri. Otros recuerdan películas como Terminator o 2001: Odisea en el espacio.

La verdad es que la inteligencia artificial (IA) no es un concepto de ciencia ficción lejano. De hecho, está en todas partes: piensa en Netflix recomendando tu próxima serie o Uber optimizando la mejor ruta a casa.

La IA es un sofisticado ecosistema de tecnologías modernas e interconectadas que ha evolucionado durante décadas y sigue evolucionando hoy. No debería sorprender que la historia de la IA sea también compleja y multicapa. Es una historia que presenta una variedad de herramientas y capacidades cambiantes que han construido la IA tal como la conocemos hasta su estado actual.

Para entender la importancia de la IA hoy y prepararse para el mañana, ayuda saber dónde empezó la IA y cómo ha evolucionado para convertirse en la tecnología transformadora que es hoy.

La IA del siglo XX: una ambiciosa prueba de concepto

La IA moderna nació en las cámaras académicas de departamentos de investigación de universidades de élite, donde los académicos pensaban profundamente sobre el futuro de la computación. Pero sus primeros años la mantuvieron confinada en esas cámaras, estancada por la falta de datos y potencia de cómputo.

En 1956, el Dartmouth College organizó el Dartmouth Summer Research Project on Artificial Intelligence, un taller que se conoció como un primer paso crítico en la investigación académica de la IA. Durante el taller, 20 investigadores buscaban probar la hipótesis de que el aprendizaje podía describirse con tanta precisión "que una máquina puede ser hecha para simularlo".

Un año después, en 1957, el psicólogo estadounidense Frank Rosenblatt amplió la investigación de Dartmouth con el perceptrón, un algoritmo que podía realizar clasificación binaria con éxito. Aquí comenzamos a ver evidencia prometedora de cómo las neuronas artificiales podían aprender de los datos.

Y otro año después, John McCarthy, asistente al proyecto de Dartmouth, y numerosos estudiantes del MIT desarrollaron Lisp (un nuevo lenguaje de programación). Décadas después, la investigación de McCarthy ayudaría a dar vida a proyectos nuevos y aún más emocionantes, como el programa de lenguaje natural SHRDLU, el sistema algebraico Macsyma y el sistema lógico ACL2.

Al mirar estos primeros experimentos, vemos a la IA dando sus primeros pasos tambaleantes del mundo de la investigación académica al mundo práctico de la computación.

1960 vio el debut de Simulmatics, una empresa que afirmaba poder predecir cómo votarían las personas basándose en su demografía.

En 1965, los investigadores desarrollaron los llamados "sistemas expertos". Estos sistemas permitían a la IA resolver problemas especializados dentro de sistemas informáticos combinando una colección de hechos y un motor de inferencia para interpretar y evaluar datos.

Luego, en 1966, el profesor del MIT Joseph Weizenbaum diseñó un programa de coincidencia de patrones llamado Eliza que mostraba a los usuarios que la IA era inteligente. Los usuarios podían dar información al programa, y Eliza, actuando como psicoterapeuta, respondía con una pregunta abierta.

A mediados de la década de 1970, gobiernos y corporaciones perdieron fe en la IA. La financiación se secó, y el período que siguió se conoció como el "invierno de la IA". Aunque hubo pequeños resurgimientos en los 80 y 90, la IA quedó relegada mayormente al reino de la ciencia ficción y el término fue evitado por científicos informáticos serios.

A finales de los 90 y principios de los 2000, vimos la aplicación a escala de técnicas de machine learning como métodos bayesianos para filtrado de spam por Microsoft y filtrado colaborativo para recomendaciones de Amazon.

La IA del siglo XXI: programas piloto salvajemente exitosos

En los 2000, la potencia de cómputo, conjuntos de datos más grandes y el auge del software de código abierto permitieron a los desarrolladores crear algoritmos avanzados que revolucionarían las comunidades científica, de consumo, manufacturera y empresarial en relativamente poco tiempo. La IA se ha convertido en una realidad para muchas empresas hoy. McKinsey, por ejemplo, ha encontrado 400 ejemplos donde las empresas usan actualmente IA para abordar problemas de negocio.

La web ofrece nuevas formas de organizar datos

La revolución web que barrió el mundo a principios y mediados de los 2000 dejó al mundo de la investigación de IA con cambios importantes. Tecnologías fundacionales como Extensible Markup Language (XML) y PageRank organizaron datos de nuevas formas que la IA podía usar.

XML fue una precondición para la web semántica y los motores de búsqueda. PageRank, una innovación temprana de Google, organizó aún más la web. Estos avances hicieron la web más usable y hicieron grandes franjas de datos más accesibles a la IA.

Al mismo tiempo, las bases de datos mejoraron en almacenar y recuperar datos, mientras los desarrolladores trabajaban en lenguajes de programación funcional que facilitaban operar esos datos. Las herramientas estaban presentes para que investigadores y desarrolladores avanzaran la tecnología de IA.

Redes neuronales y deep learning demuestran el potencial de la IA

Había grandes sueños para la IA en el siglo XX, pero la potencia de cómputo los hacía casi imposibles de construir. En el siglo XXI, sin embargo, las computadoras se volvieron exponencialmente más potentes para almacenar, procesar y analizar grandes volúmenes de datos. Esto significó que los elevados objetivos de redes neuronales y deep learning pudieran convertirse en realidad.

Los investigadores desarrollaron conjuntos de datos específicamente adecuados para el entrenamiento de máquinas, resultando en redes neuronales como AlexNet. Antes, el entrenamiento de máquinas dependía de conjuntos de datos de decenas de miles, pero el avance de las unidades de procesamiento gráfico (GPU) significó que nuevos conjuntos de datos podían numerar decenas de millones.

El fabricante de chips Nvidia lanzó su plataforma de computación paralela CUDA en 2006. Dentro de esta plataforma, Nvidia usó GPUs para acelerar su computación. Este impulso de rendimiento ayudó a más personas a ejecutar modelos grandes y complejos de machine learning escritos en librerías como TensorFlow y PyTorch.

Más adelante, estas librerías se volvieron de código abierto e inspiraron experimentación generalizada a medida que la tecnología se volvía más accesible. Esta democratización de la IA ayudaría a herramientas emocionantes como AlphaGo, Google DeepMind e IBM Deep Blue a despegar.

Visión por computadora abre la puerta a nuevas aplicaciones industriales

Hasta los 2000, la IA solo era realmente útil si procesabas texto. Pero a finales de siglo, los avances en visión por computadora, que permitieron a las computadoras reconocer e interpretar imágenes, impulsaron los casos de uso de la IA a nuevas alturas.

Esta vez, nuestros pioneros no fueron académicos. Vivían dentro de tu hogar y hacían la limpieza (Roomba) y los videojuegos (Xbox Kinect) más fáciles que nunca, llevando la visión por computadora a hogares de todo el mundo.

También vimos visión por computadora en coches autónomos emergentes y en hospitales para detectar automáticamente condiciones como lesiones y neumonía.

Más allá de casos de uso específicos de la industria, la variación de la visión por computadora también ayudó a encender el avance de la automatización robótica de procesos (RPA). Complementado con reconocimiento óptico de caracteres (OCR), los robots RPA pueden procesar tanto datos estructurados como no estructurados, lo que ha cambiado el mundo del análisis de datos tal como lo conocemos.

Analítica de datos mejora las aplicaciones empresariales de IA

Las últimas dos décadas nos han mostrado que la automatización y la IA pueden medirse contra casos de uso empresariales complejos. Y a medida que la IA mejora en el análisis de datos, las empresas pueden aprovecharla aún más para trabajar de forma más inteligente y eficiente.

Los bancos usan IA para clasificar consultas de clientes en diferentes categorías a partir de grandes volúmenes de correos electrónicos no estructurados recibidos anualmente. Este proceso es manualmente intensivo o genera malos resultados al usar clasificación basada en reglas de palabras clave. La IA permite a los bancos clasificar estos correos con altos niveles de precisión y reducir el tiempo medio de gestión (AHT).

La IA y la automatización no solo ayudan a empresas de servicios financieros. Las aseguradoras de salud aceleran la identificación de embarazos de alto riesgo. El robot de software carga datos de pacientes verificados y accede a un modelo predictivo para puntuar al paciente por riesgos, determina el plan de gestión de cuidados apropiado. Los resultados: un 24 % de aumento en el número de embarazos de bajo peso al nacer identificados con precisión, evitando un 44 % de embarazos de bajo peso al nacer, ahorrando 11 millones de dólares anuales. Lee la historia completa.

Procesamiento de lenguaje natural y reconocimiento de voz aumentan la usabilidad de la IA

Aunque la IA empezó con el análisis de texto, de ninguna manera lo ha dominado. Hasta hace poco, el texto —incluso con OCR— necesitaba estar estructurado en formatos legibles por máquina. El campo del procesamiento de lenguaje natural (NLP) ha empujado la vanguardia en la capacidad de programar computadoras para entender lenguaje natural.

Uno de los ejemplos más conocidos de NLP es Generative Pre-trained Transformer 3 (más conocido como GPT-3). GPT-3, presentado en mayo de 2020, usa deep learning para generar texto que se parece mucho al texto humano. Ya han surgido aplicaciones interesantes para GPT-3, como escribir artículos (The Guardian, por ejemplo, encargó a GPT-3 un artículo sobre la inofensividad de los robots) y generar programas informáticos.

Las aplicaciones de NLP van más allá de GPT-3. NLP puede usarse para convertir voz en texto, resumir automáticamente el significado de un tramo de texto, traducir texto entre idiomas, y más.

Aunque NLP a menudo existe en la vanguardia, también ha llegado a nuestros hogares. Asistentes virtuales como Alexa y Google pueden procesar peticiones en lenguaje natural y traducirlas en comandos ejecutables. Con una simple petición de voz, estos asistentes de IA pueden buscar información, enrutar comandos a dispositivos inteligentes como luces o cerraduras, y más.

El futuro de la IA: un cambio de juego para la empresa

A medida que avanzamos hacia la próxima década de madurez tecnológica, los casos de uso empresariales de la IA solo seguirán creciendo. Las herramientas pasadas han sentado la base de lo que es posible con la IA, pero aún queda mucho terreno por romper al llevar estas herramientas a escala.

A medida que la IA avanza aún más, veremos a las empresas aprovechar RPA, machine learning, process mining y analítica de datos para crear una potente suite de automatización de extremo a extremo a medida que estas tecnologías se vuelven más accesibles para empresas en todas las etapas de madurez. La IA ya no será el dominio exclusivo de investigadores y desarrolladores; usuarios cotidianos, ayudados por herramientas modernas, podrán crear soluciones basadas en IA para los problemas que identifiquen.

UiPath AI Fabric facilita a los usuarios lanzar un modelo, alimentarlo con datos, obtener insights y evaluar su utilidad.

Nota del editor: A medida que el mercado de automatización sigue evolucionando, la plataforma UiPath también se actualiza para servir mejor las necesidades de automatización de nuestros clientes. Como tal, el nombre del producto AI Fabric ha evolucionado desde que se publicó el artículo originalmente. Para información actualizada, por favor visita nuestra página de AI Center.

La IA hoy: el momento adecuado para empezar

Es hora de automatizar. Hemos alcanzado la etapa en la evolución de la IA donde no es teórica, es imperativa y se predice que desbloqueará cientos de miles de millones de dólares en valor para las empresas que la adopten.

Descubre cómo las organizaciones líderes están usando automatización e IA para convertir la visión de convertirse en una empresa totalmente automatizada™ en realidad: