una hoja de ruta para empresas

Un manifiesto publicado por el Centro para la Seguridad de la Inteligencia Artificial (CAIS), firmado por expertos y dirigentes de las principales empresas de tecnología del mundo, intenta frenar el avance de la IA para «evitar» que «conduzca a la extinción de la humanidad».

Esta visión apocalíptica es analizada en la siguiente entrevista de iProfesional por Darío Pérez Principi, director de ingeniería en inteligencia artificial de la Universidad de Palermo (UP), quien además describe una posible hoja de ruta de la aplicación de la IA en una organización.

-¿Por qué surge una visión que oscila entre la cautela, el temor y el rechazo en torno a la inteligencia artificial?

-A grandes rasgos, existen dos clases de inteligencia artificial (IA). La denominada inteligencia artificial estrecha («narrow AI») que consiste en aplicaciones que resuelven problemas en un dominio específico, como por ejemplo un modelo de «machine learning» (aprendizaje automático) para análisis de riesgo crediticio.

(La otra clase es) la denominada inteligencia artificial general (AGI por sus siglas en inglés de Artificial General Intelligence), que sería inteligencia en el sentido en el que los seres humanos entendemos el concepto de inteligencia, es decir con capacidad de razonamiento, de representación del conocimiento, de inferencia de conclusiones a partir de modelos, de aprendizaje, etc.

Si bien aún no hemos llegado a desarrollar este último tipo de inteligencia artificial, aplicaciones como ChatGPT nos hacen creer que quizás el camino sea más corto de lo que a priori pensábamos.

Probablemente, en el futuro, la humanidad sea capaz de desarrollar una AGI. En ese momento debemos pensar que la inteligencia artificial dejará de ser una herramienta, para pasar a convertirse en algo más: un ente digital con las mismas capacidades cognitivas que un ser humano o incluso superiores.

A partir de aquí se alimentan dos tipos de teorías, aquellas con una visión pesimista, de competencia, basadas en sentimientos de preocupación y temor; y aquellas teorías positivistas que ven que, con algo tan poderoso, se podrán resolver gran cantidad de los problemas que aquejan a la humanidad, elevando la calidad de vida a través de mejores servicios de salud, mayor equidad, mejores oportunidades, desaceleración del ritmo del cambio climático, por mencionar algunos.

-¿Hay conciencia en la dirigencia política, empresaria, sindical y social de la Argentina acerca de los riesgos y las oportunidades que presenta la inteligencia artificial?

-Desde un punto de vista personal, no poseo vínculos con la dirigencia política y por lo tanto mi opinión será basada en la información pública de la que dispone un ciudadano promedio.

Aclarado esto, pienso que nuestro país atraviesa por problemas de tipo social, económico y político que tienen estatuto de urgente y por lo tanto las agendas para abordar problemas de cambio climático, o la transformación del mercado laboral a partir de tecnologías disruptivas, son desplazadas a segundo plano.

Sin embargo, existen iniciativas por parte del gobierno como la recientemente emitida disposición que aborda el tema de inteligencia artificial ética, desarrollada por la Subsecretaría de Tecnologías de la Información.

Más allá de esto, pienso que no se están percibiendo las oportunidades que brinda la IA, como así lo están viendo los Estados Unidos o China, entre quienes se desarrolla una carrera por tecnologías claves como inteligencia artificial, telecomunicaciones (5G), computación cuántica, etc.

-¿Cómo pueden las organizaciones (empresas, Estado) aprovechar hoy las herramientas que ofrece la inteligencia artificial?

-Podemos pensar la inteligencia artificial como un conjunto de herramientas que pueden ser aplicadas a cualquier organización, sea ésta de ámbito público o privado. Las herramientas están disponibles, solamente hay que utilizarlas.

Todo proyecto de inteligencia artificial suele tener un conjunto de fases bien definidas.

Mi recomendación es que todas aquellas empresas, gobiernos o instituciones que quieran comenzar a utilizar IA, incorporen a sus equipos profesionales idóneos en el tema. Lo ideal suele ser armar equipos en los que haya un mix de profesionales senior y profesionales junior.

La Facultad de Ingeniería de la Universidad de Palermo forma profesionales en las carreras de ingeniería en inteligencia artificial y licenciatura en inteligencia artificial, con posibilidad de cursar tanto en forma presencial como «online». Considero que la academia puede proporcionar recursos que ayuden a las organizaciones a incorporar inteligencia artificial, si es que aún no lo están haciendo.

-¿Qué requisitos tecnológicos y culturales debe tener una organización que decida incursionar en la aplicación de la inteligencia artificial en sus procesos de negocio?

-Actualmente vivimos en tiempos de volatilidad, incertidumbre, complejidad y ambigüedad (VUCA, por sus siglas en inglés de Volatility, Uncertainty, Complexity and Ambiguity).

Desde el punto de vista organizacional se suele recomendar que la organización tenga lo que se denomina un «C-level digital«, es decir que los mandos gerenciales posean una mente digital.

Esto no significa necesariamente que deban ser capaces de desarrollar un modelo de IA, sino que posean conocimientos de las tecnologías existentes (IA, blockchain, «virtual/mixed reality», etc.) y fundamentalmente que puedan entender cómo estas tecnologías pueden ayudar a la organización y desarrollar un plan de implementación de estas.

Para ello es necesario saber cuáles son los puntos de dolor de la organización y pensar como pueden ser abordados y resueltos con el uso de tecnología. Soy consciente que muchas empresas tradicionales no poseen un C-level digital.

Antes de iniciar el proyecto basado en IA, es fundamental disponer de las fuentes de datos para plantear modelos útiles.

Mi recomendación en este caso es que vayan incorporando talento y recursos humanos con las competencias necesarias para abordar la transformación digital que les asegurará sostenibilidad a largo plazo.

-¿Cuáles son las mejores prácticas que recomienda al momento de aplicar inteligencia artificial?

-Muchas veces cuando una tecnología pasa a ser mundialmente conocida, dentro de las organizaciones se cree que ésta debe ser adoptada sin pensar demasiado el para qué.

Lo importante es conocer cuáles son los problemas que una organización enfrenta o áreas a mejorar y comenzar por plantear soluciones basadas en tecnología empezando por aquellos problemas prioritarios cuya resolución aportará el mayor valor agregado.

De esta manera, será fácil justificar la adopción de un proyecto de IA si este viene a resolver un verdadero problema. Antes de iniciar el proyecto basado en IA, es fundamental disponer de las fuentes de datos acordes y necesarias para plantear modelos útiles.

Si los datos son insuficientes no se podrá desarrollar un modelo con la complejidad suficiente para resolver el problema. Muchas veces se inicia con una búsqueda exploratoria, de tipo análisis no supervisado, donde se intenta encontrar ciertos patrones o coherencia.

Sin embargo, en general los análisis que utilizan herramientas de tipo aprendizaje supervisado, es decir aquellas donde se dispone de un «ground truth» (anotación de experto) son las que brindan mayor valor y responden preguntas más complejas.

Darío Pérez Principi.

Respecto de los datos, es importante asegurar que no se trata de datos sesgados y en caso de que el sesgo no pueda removerse, ser conscientes de las limitaciones que presentará el modelo que será entrenado a partir de esos datos.

-¿Cómo es la hoja de ruta de aplicación de la inteligencia artificial en una organización?

-Todo proyecto de inteligencia artificial suele tener un conjunto de fases bien definidas y que en su conjunto se denomina ciclo de vida de la IA. Todo comienza con una etapa de definición del problema, donde se intenta responder preguntas como (las siguientes):

• ¿A quién vamos a ayudar con nuestro proyecto de IA?
• ¿Cómo vamos a beneficiar el usuario y cómo se va a medir su uso?
• ¿Por qué utilizar IA en nuestro proyecto es mejor que el proceso que manejamos actualmente?

Luego pasamos a la fase de recolección de datos, donde, como se mencionó anteriormente, debemos asegurarnos la calidad de los datos. Continúa con una etapa de preprocesado y normalización de los datos, para luego pasar a la fase de construcción del modelo.

El modelo debe ser entrenado y testeado para conocer su performance. Una vez hecho esto comenzamos a iterar sobre todo el proceso, es decir, que, si no estamos satisfechos con los resultados, modificamos el modelo, volvemos a entrenar y volvemos a medir su performance.

Puede ocurrir que también se decida incorporar nuevos datos o nuevas fuentes de datos, con lo cual se debe pasar por las fases de recolección y preprocesado antes de que esos datos sean alimentados al nuevo modelo. Una vez que estemos satisfechos con el comportamiento del modelo, el mismo pasa a producción donde será utilizado por el usuario final del mismo.

Podemos pensar la inteligencia artificial como un conjunto de herramientas que pueden aplicarse a cualquier organización.

-¿Cuáles son los errores más comunes y frecuentes que observan en las organizaciones que aplican la inteligencia artificial?

-Basado en experiencias personales, puedo decir que los errores más frecuentes son el pensar que la tecnología no es útil para la organización, sin pensar que se trata de un conjunto de herramientas que pueden beneficiar cualquier organización, ya sea a través de una reducción de costos, un incremento en las ventas, una mejora en la experiencia de usuario, una mejora en la eficiencia de procesos, etc.

Otro error común es contratar profesionales juniors sin la guía de un profesional con más experiencia y conocimiento. En estos casos el resultado será pobre y muy desviado de los esperados.

Otro error común, se produce en la conjunción de «big data» e inteligencia artificial. Cuando se trabaja con muchos datos pueden encontrarse correlaciones sin ningún tipo de fundamento teórico.

Es importante entonces, tener a priori un conjunto de preguntas que se espera que los datos respondan y entrenar los modelos con datos útiles. A veces ocurre que más datos no son mejores datos. Para evitar todos estos errores, nuevamente recomiendo la contratación de profesionales idóneos provenientes de ámbitos académicos.