Llegamos a ustedes gracias a:



Reportajes y análisis

La inteligencia artificial consigue trabajo

Máquinas inteligentes en el trabajo

Inteligencia artificial, AI

[13/04/2015] Segundas -y terceras, y cuartas - opiniones sobre el tratamiento del cáncer. El análisis del impacto de las campañas publicitarias de las redes sociales a pocos minutos de un evento. El análisis de las finanzas de la oficina de un médico escritas en su totalidad por una máquina.

Estos son algunos ejemplos del nuevo mundo de las máquinas inteligentes -la última generación de inteligencia artificial (AI, por sus siglas en inglés) configuradas para realizar tareas del mundo real. La potencia de estas máquinas es tal que algunos expertos predicen que contribuirán al desplazamiento de los trabajadores y los trastornos económicos. Sin embargo, aquellos con conocimiento sobre el tema dicen que estas máquinas están todavía muy lejos de la verdadera cognición humana.

Largo camino

"La gente ha estado tratando de hacer máquinas inteligentes por más de 60 años", señala Elliot Turner, jefe de AlchemyAPI, que vende una plataforma de aprendizaje de máquina de AI. "Empezaron con las redes neuronales, luego desarrollaron sistemas expertos, y luego aprendizaje de máquina con aprendizaje superficial [elaborado manualmente]. Esos enfoques subyacen muchos de los algoritmos de prevención de fraude en la actualidad. Pero a mediados de la década del 2000 se dio una revolución llamada "aprendizaje profundo. Tomaron las redes neuronales y las apilaron de tal forma que permitieron que las computadoras aprendan representaciones muy complicadas de datos".

Mientras que el aprendizaje profundo se ha hecho práctico por la disponibilidad de grandes cantidades de potencia de cálculo -sobre todo en la nube- y la disponibilidad de grandes cantidades de datos a través de Internet con fines de formación, añade Turner.

Los avances en el procesamiento de lenguaje natural también han sido facilitadores importantes, señala Kenneth Brant, analista de Gartner. "Se trata de aplicaciones en escala de la nube; no estamos hablando de algo que se apila en un escritorio", advierte.

"En los próximos cinco años espero que la gama de decisiones que dejamos que las máquinas tomen de manera autónoma crezca sustancialmente", anota Tim Estes, CEO y fundador de Digital Reasoning, que ofrece un motor de procesamiento de lenguaje natural.

"Durante los próximos cinco o 10 años veremos el surgimiento de una clase de máquinas basadas en AI que serán personalizadas y útiles, y podrán hacer cosas por usted", afirma Neff Hudson, vicepresidente de la aseguradora USAA. "Va a proceder por etapas, y ahora está en la fase de scripting personalizado", en otras palabras, la capacidad de responder preguntas.

Ayudar en oncología

En el Memorial Sloan Kettering Cancer Center, este sistema ha sido desarrollado para ayudar a los médicos a decidir sobre el tratamiento inicial de los pacientes con cáncer de pulmón. Actualmente siendo puesto a prueba, no emite opiniones, sino que enumera las posibles respuestas con las estimaciones de la confianza que tiene en cada respuesta, explica el Dr. Mark G. Kris, médico principal del proyecto.

Se llama Watson Oncology porque se basa en la plataforma Watson de AI de IBM, y llega a tomar sus decisiones mediante el análisis de las múltiples formas de la literatura médica, informes de investigación y los registros médicos de los pacientes, añade Kris.

"Se dedicó una gran cantidad de tiempo a conseguir que lea registros médicos", explica Kris. "Y si bien es buena leyendo textos de un libro de texto, leer tablas de artículos de revistas fue algo que tuvo que ser enseñado, debido a que la información en artículos de revistas a menudo se materializa en las tablas".

De hecho, los médicos que buscan información sobre el tratamiento, a menudo tienen que extrapolarlo de los informes de los ensayos clínicos ya que no hay literatura médica específica en un gran número de tratamientos, explica. En consecuencia, Watson Oncology tiene que ingerir información relativa a miles de ensayos en curso.

"Libera al médico a ser médico, y mirar al paciente a los ojos y decir: 'yo tenía una máquina de destilación de información; esto es lo que decía. Ahora vamos a tomar una decisión'. A los pacientes realmente les gusta la idea de un partido independiente analizando el trabajo", indica Kris.

Con los desarrollos sin escalas del campo oncológico, el sistema necesitará actualizaciones constantes, y nunca se terminará, añade. El sistema también hará un seguimiento de los resultados de sus propios pacientes. "El premio será mostrar, a través de análisis, que las decisiones que se tomaron condujeron a buenos resultados, y esos resultados pueden ser la base para las decisiones sobre pacientes similares", anota Kris.

Para el servicio al cliente

En USAA, IBM Watson fue una de las plataformas que se utilizaron para crear lo que Hudson llama máquinas de pregunta-respuesta, destinados a la atención al cliente.

Con este tipo de máquinas, "el usuario no solo emite un comando y es obedecido, sino le hace una consulta y recibe una respuesta matizada", señala Hudson. Las máquinas inteligentes de USAA incluyen un agente virtual que puede hablar sobre unos 200 temas diferentes, incluyendo qué hacer después de un accidente de coche, añade. USAA también ha lanzado una máquina que ofrece asesoramiento para los miembros que están a punto de dejar el ejército, y está trabajando en una que asesore a los miembros más jóvenes sobre las finanzas personales.

Hudson agrega que está contemplando darle a ese último una voz de sargento de instrucción.

Además, reporta numerosos desafíos. Por ejemplo, "Hemos encontrado que a la gente le gusta cambiar rápidamente entre temas generales y personales, de, '¿Cuál es el mejor coche?' a '¿Cómo lo puedo pagar?' Las computadoras aún no son buenas para eso", indica.

Mientras tanto, las interfaces de lenguaje natural deben tener en cuenta la preferencia de los usuarios de más edad para emitir comandos discretos, mientras que los más jóvenes prefieren hablarle de forma natural a una computadora, indica. En cualquier caso, si el sistema no responde dentro de cinco segundos, los usuarios plantearán la pregunta de nuevo, sobrecargando el sistema con otro hilo, añade.

Para informes y PR

Una máquina inteligente construida para Zotec Partners, un servicio médico de facturación, utiliza una interfaz de lenguaje natural, pero en este caso, es para salida, no entrada. Jeff Maze, director de inteligencia de negocios de Zotec, señala que la idea era generar reportes financieros mensuales de dos páginas automáticamente para cada uno de los varios cientos de grupos de médicos que son clientes de la firma.

"El jefe del grupo debe ser capaz de leer las dos páginas y tener una comprensión clara de los resultados financieros del grupo y las tendencias que deben tenerse en cuenta", anota Maze.

La máquina se basa en un producto fuera de la plataforma llamada Quill de Narrative Science que genera informes descriptivos de feeds del tipo de datos estructurados que las empresas suelen tener en sus archivos, como los datos de transacciones y los de rendimiento, explica Stuart Frankel, director de Narrative Science.

"Hemos recibido algunos comentarios muy alentadores de los clientes", añade Maze, pero también señala que el desarrollo de la máquina no fue provocado por las peticiones del cliente. En su lugar, se inspiró en la experiencia de Maze con el fútbol de fantasía, donde un resumen ingenioso era generado al final de cada juego.

La retroalimentación inmediata fue también el objetivo de la empresa de relaciones públicas Waggener Edstrom Communications, que construyó una máquina llamada Waggener Edstrom Infinity (WEI) para medir, en tiempo casi real, el impacto del mensaje de un cliente (o último evento publicitario). La firma utiliza la plataforma AlchemyAPI, que combina el aprendizaje profundo con datos no estructurados.

"Nuestros clientes se enfrentan a una avalancha de datos, pero ahora tienen una manera de capturar los datos correctos para tomar las decisiones correctas", comenta Karla Wachter, vicepresidente senior de Waggener Edstrom. "No pudimos encontrar lo que queríamos en el mercado, así que lo construimos en casa".

Al filtrar las noticias y los feeds de los medios de comunicación social para las menciones del cliente, el sistema mide el impacto mediante la percepción (es decir, los sentimientos expresados), amplificación (es decir, si las personas están compartiendo el mensaje), compromiso (si las personas están publicando comentarios al respecto) y llegada (cuánta gente vio el mensaje), explica Wachter. "El nivel de información es más rico y estratégico ahora, y los clientes pueden entender qué mensajes están llegando y cuáles no", añade.

"Seguimos trabajando en ello, añadiendo más fuentes de datos o haciéndolo más accesible. Nunca habremos terminado", agrega David Kohn, vicepresidente de desarrollo Waggener Edstrom.

Escala de esfuerzo

Lo que los ejemplos anteriores tienen en común es el esfuerzo no trivial involucrado en la creación de una máquina inteligente. USAA, por ejemplo, tiene un grupo de 20 empleados que trabajan en los proyectos de máquinas inteligentes de la firma, señala Hudson.

El sistema de Watson Oncology tomó tres años para desarrollar, con 10 personas de Memorial Sloan Kettering y otros 10 de IBM, añade Kris.

En Waggener Edstrom, Kohn agrega que un equipo interno de 10 trabajó en la solución durante tres años.

Tomó un año completo crear el sistema Zotec, explica Maze, con dos personas de Zotec y otro de Narrative Science. "Era como contratar a una nueva persona que no hubiese trabajado en la salud antes, y darle un curso intensivo en la asistencia sanitaria, facturación y Zotec, y hacerla lo suficientemente independiente como para revisar y analizar un cliente, y resaltar las tendencias", recuerda Maze.

Mirando hacia el futuro, la construcción de máquinas inteligentes "madurará a una industria artesanal, después de que lleguemos al punto en que entendamos la tecnología tan bien que podremos ver patrones comunes y simplificar lo que está disponible", comenta Rob High, director de tecnología de Watson Group de IBM, proveedor de la plataforma de AI de Watson. Él señala que los proyectos basados en Watson actualmente pueden tomar entre seis semanas y 18 meses en formarse, pero su grupo está trabajando en una herramienta que permita el despliegue aún más rápido de un "asesor de compromiso" que responda a preguntas sobre un producto o servicio, añade.

"Si el caso de uso es un dominio en el que hemos operado antes, el proceso [de crear una nueva máquina inteligente] puede tomar tan poco como un par de semanas", explica Frankel en Narrative Science. "Si es nuevo, el proceso podría tomar 90 días o menos. Por lo general, un par de personas de nuestra firma participan y un representante de un cliente".

Los miedos y perspectivas

Un estudio de la Universidad de Oxford de setiembre del 2013 (PDF) concluyó que el 47% de los trabajadores estadounidenses están en alto riesgo de informatización, debido a los avances tecnológicos, incluidos AI. Pero con el esfuerzo necesario para construir una máquina inteligente en comparación a lo que se necesita para entrenar a un empleado o un técnico, cualquier amenaza que los sistemas basados en AI plantean al empleo parece ser puramente teórica.

"No veo a la tecnología sustituyendo empleados en ningún futuro cercano, especialmente debido a que se utiliza sobre todo como apoyo para la toma de decisiones", señala High en IBM. "Ninguno de estos sistemas son buenos tomando decisiones por usted". Al igual que la máquina de Watson Oncology, las máquinas inteligentes con las que él está familiarizado, normalmente enumeran sugerencias en lugar de dar una respuesta firme. "Las decisiones tienen que ser tomadas en el contexto, y no todos los contextos, como el conocimiento de las preferencias declaradas de un paciente, aparecen en los datos", explica.

"En el futuro, veo un ligero cambio de apoyo en decisiones a lo que yo llamo el apoyo a la inspiración" para la gente que busca nuevas respuestas a los problemas, como nuevos compuestos para hacer productos farmacéuticos. "Se podría decir que las máquinas inteligentes pueden ofrecer apoyo en la toma de decisiones para aquellos en campos creativos", añade High.

Más allá de eso, "es difícil para los sistemas de lenguaje natural ver el humor o la ironía", comenta Tom Dietterich, presidente de Association for the Advancement of Artificial Intelligence. "Eso hace que sea difícil para ellos leer comentarios de productos", entre otras cosas.

Para manejar el contexto, y tal vez el humor y la ironía, la adición de conocimiento del mundo real probablemente será la próxima tendencia en las máquinas inteligentes, señala Turner. "El aprendizaje profundo cae en situaciones en las que usted dice, "le disparé a un elefante en pijama. '¿Quién llevaba el pijama? Tiene que especificarse que la gente usa pijama".

En total, las últimas máquinas inteligentes parecen coincidir con la definición de "AI débil", donde el sistema imita la inteligencia humana dentro de los límites de una tarea específica, pero sin poseer inteligencia general o conocimiento verdadero. Las fuentes coinciden en que llegar más allá de una "AI potente", o inteligencia general artificial, es otra cosa.

"Ha habido una gran cantidad de mala prensa sobre AI diciendo ser potencialmente peligroso, de parte de personas que deberían saber mejor", anota Tom Austin, analista de Gartner. "Dentro de veinte o treinta años van a estar diciendo las mismas cosas, ya que no habremos construido inteligencia general. En lugar de eso, habremos tenido avances importantes en la construcción de lo que ellos llaman AI débil".

"Para razonar como un ser humano -es ahí donde los líderes de la industria están jugando", contrarresta Hudson. "Todavía estamos mucho más cerca al inicio que a la meta, pero ya no se siente imposible conseguir que una máquina razone; de hecho, se siente probable".

Para resaltar su punto, Hudson plantea esta pregunta: "¿Cuánto tiempo estuvo Orville Wright en el aire, esa primera vez?"

Lamont Wood, Computerworld (EE.UU.)