[12/08/2020] A estas alturas, la mayoría de nosotros entiende que, en nuestra era actual, la inteligencia artificial (IA) y su subconjunto de aprendizaje por máquina (ML) tienen poco que ver con la inteligencia humana. La IA/ML consiste en reconocer patrones en los datos y automatizar tareas discretas, desde algoritmos que señalan transacciones financieras fraudulentas hasta chatbots que responden a las preguntas de los clientes. ¿Y adivine qué? Los líderes de TI aprecian el enorme potencial.
Según una encuesta a los líderes de TI publicada en febrero, el 62% de los encuestados consideraron que la tecnología AI/ML era la más disruptiva, y la de mayor impacto el 42% -en ambos casos el doble del porcentaje del rival más cercano de AI/ML, la analítica de big data. Un impresionante 18% ya tenía una solución de AI/ML en producción.
La encuesta titulada July CIO Pandemic Business Impact Survey hizo una pregunta más provocativa: "¿Qué probabilidad hay de que su empresa aumente la consideración de la IA/ML como una forma de aplanar o reducir los costos de capital humano?" Casi la mitad, el 48%, señaló que era muy o algo probable que lo hiciera. La implicación es que, a medida que la crisis económica se profundiza, la demanda de soluciones de IA/ML puede intensificarse.
Ahora es el momento de poner en forma su estrategia de AI/ML. Para ello, CIO, Computerworld, CSO, InfoWorld y Network World han producido cinco artículos que diseccionan los problemas y proporcionan recomendaciones significativas.
La empresa inteligente
Aunque AI/ML sin duda sustituirá algunos trabajos, el artículo de Computerworld de Matthew Finnegan, "IA en el trabajo: Su próximo compañero de trabajo podría ser un algoritmo", se centra en situaciones en las que los sistemas de IA colaboran con la gente para extender su productividad. Uno de los ejemplos más interesantes se refiere a los "cobots", que funcionan junto con los trabajadores en la fábrica para mejorar la capacidad humana.
Pero las soluciones efectivas de IA/ML vienen en muchas formas, como cuenta Clint Boulton de CIO con un nuevo grupo de casos de estudio, "Una mirada al interior: 5 historias de éxito de ML". Se lee como uno de los mayores éxitos de las aplicaciones de ML: análisis predictivo para anticipar los resultados de los tratamientos de salud, análisis intensivo de datos para personalizar las recomendaciones de los productos, análisis de imágenes para mejorar el rendimiento de los cultivos. Un patrón claro: Una vez que una organización ve el éxito de la ML en un área, una tecnología similar de ML se aplica frecuentemente en otras.
El colaborador Neil Weinberg destaca un uso muy práctico de la IA/ML con beneficio directo para TI en "Cómo la IA puede crear centros de datos autocontrolados". De acuerdo con Weinberg, la IA/ML puede manejar la energía, el equipo y la administración de la carga de trabajo, optimizándose continuamente sobre la marcha -y en el caso del hardware, prediciendo fallas- sin intervención humana. La seguridad de los centros de datos también se beneficia de la capacidad de la AI/ML, tanto para alertar a los administradores de las anomalías, como para identificar las vulnerabilidades y sus remedios.
El ML en todas sus formas típicamente comienza con la búsqueda de patrones en grandes cantidades de datos. Pero en muchos casos, esos datos pueden ser sensibles, como informa la colaboradora de CSO, Maria Korlov, en "¿Qué tan seguros son sus proyectos de IA y ML?" Korlov observa que la seguridad de los datos a menudo puede ser una idea tardía, lo que hace que algunos sistemas de ML sean intrínsecamente vulnerables a las violaciones de los datos. La respuesta es establecer políticas de seguridad explícitas desde el principio y, en las organizaciones más grandes, dedicar un solo ejecutivo a la gestión de los riesgos relacionados con la IA.
Entonces, ¿dónde debería construir su solución de Inteligencia Artificial y Logística? Los proveedores públicos de nubes ofrecen opciones muy atractivas, pero hay que seleccionar cuidadosamente, argumenta Martin Heller, editor colaborador de InfoWorld. En "Cómo elegir una plataforma de aprendizaje de máquina en la nube", Heller esboza 12 capacidades que toda plataforma de cloud ML debería tener y por qué las necesita. Con tantas cargas de trabajo de análisis de datos moviéndose a la nube, tiene sentido añadir ML para obtener mayor valor -pero crucialmente, debe asegurarse de que puede aprovechar los mejores marcos de ML y beneficiarte de modelos pre-entrenados.
Todavía estamos a generaciones de distancia de cualquier equivalente de inteligencia artificial de la inteligencia humana. Mientras tanto, la IA/ML se infiltrará progresivamente en casi todos los tipos de aplicaciones, reduciendo el trabajo pesado y ofreciendo capacidades sin precedentes. No es de extrañar que los líderes de TI crean que tendrá el mayor impacto.
Eric Knorr, CIO (EE.UU.)