Contenido
- Mito 1: el aprendizaje automático y la inteligencia artificial son lo mismo.
- Mito 2: el aprendizaje automático no se puede controlar.
- Mito 3: el aprendizaje automático destruirá trabajos.
- Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
- Mito 4: el aprendizaje automático es en realidad aprender.
Fuente: agsandrew / iStockphoto
Para llevar:
El aprendizaje automático está a punto de infiltrarse en el mundo tecnológico. Pero antes de que podamos evaluar si conducirá a un paraíso digital o una tecno-tiranía, debemos entender lo que puede y no puede hacer.
El aprendizaje automático (ML) será una bendición o una maldición para la empresa, dependiendo de con quién hable. Por un lado, traerá una amplia gama de nuevas capacidades a los procesos digitales, desde flujos de trabajo automatizados hasta infraestructura de autogestión. Por otro lado, desplazará los empleos y dejará a las organizaciones impotentes para hacer correcciones cuando las cosas salgan mal.
La verdad probablemente esté en algún punto entre estos dos extremos, pero para entender realmente lo que ML puede y no puede hacer, es necesario disipar algunos de los mitos que han surgido en torno a la tecnología. (Con tanto para ofrecer, ¿por qué no todos usan ML? Averigüe en 4 obstáculos que están deteniendo la adopción del aprendizaje automático).
Mito 1: el aprendizaje automático y la inteligencia artificial son lo mismo.
Si bien es cierto que ambos utilizan la misma tecnología fundamental, AI es un término general que abarca una amplia gama de disciplinas. Según el Dr. Michael J. Garbade, CEO de Education Ecosystem, AI abarca no solo ML, sino también redes neuronales, procesamiento de lenguaje natural, reconocimiento de voz y una gran cantidad de otras tecnologías emergentes. ML tiene la distinción de poder alterar su propio código basado en experiencias, cambios en su entorno o la introducción de nuevos objetivos: este es esencialmente el aspecto de "aprendizaje" del aprendizaje automático.
"La intención del aprendizaje automático es permitir que las máquinas aprendan por sí mismas utilizando los datos proporcionados y hacer predicciones precisas", dijo. "Es un método de entrenamiento de algoritmos para que puedan aprender a tomar decisiones".
El aprendizaje automático, por lo tanto, es la forma en que los sistemas de datos se vuelven inteligentes. Pero dado que el aprendizaje es un proceso, los trabajadores del conocimiento tendrán que acostumbrarse a la idea de que las tecnologías futuras no ofrecerán una funcionalidad completa desde el primer momento, sino que gravitarán hacia un rendimiento cada vez más optimizado a medida que pase el tiempo.
Mito 2: el aprendizaje automático no se puede controlar.
Esta capacidad de "aprender" naturalmente ha dado lugar al temor de que los sistemas basados en ML comiencen a tomar decisiones y tomar medidas más allá de lo que los usuarios pretendían. Pero las historias sobre robots asesinos que se están volviendo locos o los señores de la computadora que eliminan a los molestos humanos son más ciencia ficción que realidad. Lo que se sabe que sucede es que los sesgos en los datos a los que está expuesto ML pueden hacer que tome malas decisiones, como lo demuestra el caso de Tay, un chatbot de Microsoft que generó opiniones racistas.
Pero como el CEO de IV.AI, Vince Lynch, señaló en Tech Crunch recientemente, no se trata de una falta de control, sino de la falta de implementación de los controles adecuados. Al elegir los modelos de aprendizaje y los conjuntos de datos correctos, y luego someter el sistema a una supervisión rigurosa, las organizaciones deberían poder implementar ML de manera segura sin consecuencias catastróficas. De hecho, los algoritmos de ML implementados correctamente podrían alertar a los usuarios sobre los sesgos inherentes que existen en la mayoría de los conjuntos de datos, lo que llevaría a un marco más racional de operaciones comerciales e industriales clave.
Mito 3: el aprendizaje automático destruirá trabajos.
Si bien se pueden perder algunos trabajos, es más exacto decir que ML rediseñará el trabajo, no lo reemplazará, dice Tom Relihan de la Sloan School of Management del MIT. Para la mayoría de las personas, ML se hará cargo de las tareas mundanas y aburridas que hacen que el trabajo sea tedioso, pero no el trabajo en sí. Existe una diferencia clave entre la inteligencia artificial estrecha, que está diseñada para adaptarse a funciones altamente específicas, y la inteligencia artificial general, que puede funcionar en gran medida de forma humana. La IA estrecha es lo que tenemos ahora, mientras que la variedad general no estará lista durante décadas, si es que lo hace. Entonces, no importa cuán mejor sea ML para hacer ciertas cosas, no podrá reemplazar a los humanos por completo, y de hecho nos hará más productivos.
Sin errores, sin estrés: su guía paso a paso para crear software que cambie su vida sin destruir su vida
No puede mejorar sus habilidades de programación cuando a nadie le importa la calidad del software.
Claramente, esto afectará algunas ocupaciones más que otras, y no será necesariamente el trabajo menos complejo que se automatiza. Los radiólogos, por ejemplo, pueden ver funciones clave como leer imágenes médicas dando paso a ML, pero un masajista probablemente seguirá siendo una profesión práctica durante algún tiempo. (Para obtener más información sobre cómo cambiarán los trabajos debido a la IA, consulte Nuevos empleos en la era de la IA).
Mito 4: el aprendizaje automático es en realidad aprender.
Recuerde, como señaló el Dr. Garbade, ML es solo algoritmos. El aprendizaje humano real es mucho más misterioso, tanto que incluso los neurocientíficos líderes del mundo no pueden explicarlo completamente. Como señala Chris Meserole del Brookings Institute, el aprendizaje humano requiere experiencia y la capacidad de medir probabilidades en lugar de lógica y razón puras, y las computadoras son muy buenas para calcular probabilidades, por lo que en este sentido una máquina puede "aprender" a hablar, leer y reconocer enfrenta de la misma manera que nosotros.
Sin embargo, la diferencia clave es que un algoritmo nunca dará el salto de un simple análisis y predicción de datos a una comprensión plenamente realizada de lo que significa todo. Desde su perspectiva, todo son solo números. Por lo tanto, un sistema ML puede escanear una imagen de, por ejemplo, un gato, convertir la imagen en una secuencia de números que representan cada punto de la imagen en términos de color, sombreado, etc., y luego comparar esa secuencia con todas las demás secuencias conocidas solo para proponer si es un gato, un perro o un rinoceronte. Mientras tanto, una niña de tres años, que puede haber visto solo un gato en su vida, puede mirar un dibujo lineal crudo por apenas un segundo y, con pocos cálculos y prácticamente cero energía consumida, le puede decir con certeza que es un gato.
Y esta es la razón por la cual, en el análisis final, podemos concluir que ML será una bendición para la empresa desde el CEO hasta el trabajador de nivel de entrada. Nunca reemplazará el trabajo humano, pero lo hará más rico y más gratificante.
