Nuevas tendencias y aprendizajes en Inteligencia Artificial
Hace solo una semana atrás tuvimos el privilegio y la suerte de asistir a una de las conferencias de Inteligencia Artificial más importantes y que reúne a grandes empresas y profesionales de distintos lugares y sectores. En los 3 días que duró la conferencia pudimos conocer los últimos avances en este fascinante campo y las distintas aplicaciones que están revolucionando el mundo de los negocios. Es por ello que luego de esta experiencia queremos compartir con ustedes un resumen de las tendencias y los aprendizajes que pudimos recoger de las distintas conferencias.
Fuente: https://www.kdnuggets.com/2018/02/ai-conference-april-nyc.html
¿Qué es Inteligencia Artificial (IA)?
Cada vez más escuchamos el término “Inteligencia Artificial”, sin embargo, todavía no somos totalmente conscientes de su actual impacto en nuestras vidas. Desde aplicaciones tan cotidianas como las recomendaciones personalizadas de series y películas de Netflix o el reconocimiento de rostros de Facebook, hasta las respuestas automatizadas de los asistentes virtuales o los carros auto-conducidos, todas ellas contienen distintas formas de Inteligencia Artificial. Actualmente las investigaciones y desarrollos en este campo se están orientando hacia un área de la Inteligencia Artificial llamada Deep Learning (DL), en donde se busca imitar el funcionamiento del cerebro humano a través de un concepto llamado Redes Neuronales. Estas Redes Neuronales no son más que complejos modelos matemáticos que tienen por objetivo predecir un resultado futuro en base a grandes cantidades de información histórica. Y es necesario hacer énfasis en esto: grandes cantidades de información histórica. De esta manera podemos mencionar uno de los primeros aprendizajes a tener en cuenta: para poder construir un buen modelo de Deep Learning se requiere tener mucha información histórica y de buena calidad.
Fuente: http://robohub.org/artificial-intelligence-understanding-how-machines-learn/
Natural Language Processing (NLP) = Natural Language Understanding (NLU) + Natural Language Generation (NLG)
Una de las ramas de IA con mayor presencia en las charlas de la conferencia fue la de NLP. Esto concuerda con una de las aplicaciones más conocidas de IA: los asistentes virtuales o chatbots. De las múltiples charlas sobre este tema nos quedan importantes aprendizajes:
- Las aplicaciones de NLP que pudimos encontrar van más allá de los chatbots, mostrando asistentes virtuales muy específicos como algunos asistentes de ventas por correo, o asistentes que “escuchan” una conversación telefónica entre un cliente y un agente de soporte y va mostrando la información que el agente necesita para ayudar más rápido y mejor al cliente.
- El campo del NLU todavía está en proceso de maduración y es por ello que se debe dedicar tiempo para construir aplicaciones eficientes.
- El campo de NLG todavía está en sus comienzos, pero ya está mostrando algunos resultados interesantes para humanizar aún más los asistentes virtuales.
Computer Vision
Otra de las ramas de IA con mayor crecimiento en los últimos años es la relacionada a reconocimiento de imágenes. Esto está permitiendo mejorar muy rápidamente la exactitud de los modelos de reconocimiento de imágenes que hoy en día permiten realizar tareas tan complejas como conducir un auto o identificar a personas en base a su rostro.
El poder de la computación para IA
Los modelos de Machine Learning y DL requieren de una alta capacidad de procesamiento por parte del hardware en donde corren. Esto ha generado distintas opciones dependiendo de la aplicación: desde el uso de Graphics Processing Units (GPUs) en laptops o desktops hasta el provisionamiento de capacidad de GPUs o TPUs en la nube. Esta diversidad de opciones ha generado que el hardware necesario para los correr modelos de DL esté al alcance de un mayor número de científicos de datos y desarrolladores, generando cada vez más y mejores modelos. Una novedad que pudimos apreciar es el Intel Movidius, que es un dispositivo USB con un VPU (similar en forma a una memoria USB), que al ser conectado a una computadora le brinda las capacidades de procesamiento necesarias para correr modelos de IA de procesamiento de imágenes. Ahora pensemos en las posibilidades de conectar Raspberry PI + Camara + Movidius, una solución de AI at the Edge con múltiples aplicaciones.
Fuente: https://www.amazon.com/Intel-NCSM2450-DK1-Movidius-Neural-Compute/dp/B076751BN8
Mención aparte merece el futuro del procesamiento que está marcando IBM con la computación cuántica. Este cambio en el paradigma de la computación permitirá superar la barrera que se vislumbra en la tecnología basada en semiconductores.
Construir un modelo vs utilizar un API de IA
Si se desea construir una aplicación basada en IA existen dos caminos: recolectar, depurar y procesar tu propia data para construir tu propio modelo de Machine Learning muy personalizado para tus propias necesidades, o, por otra parte, utilizar APIs de terceros que disponibilizan a los desarrolladores modelos de IA, previamente entrenados por estos terceros para fines específicos. En el primer caso, el tiempo y esfuerzo para construir el modelo propio es alto, sin embargo, se compensa con la diferenciación que puede lograr la empresa al implementarlo. En el segundo caso, el tiempo y el esfuerzo es menor, pero puede que la aplicación no pueda ajustarse totalmente a las necesidades del negocio. ¿Qué opción utilizar? Dependerá de cada caso y del problema a solucionar.
En resumen, el desarrollo de nuevas y mejores opciones de procesamiento, on-premise o en la nube, así como los avances en investigación en el campo de Deep Learning están impulsando el nacimiento de más y mejores aplicaciones de la Inteligencia Artificial en las empresas, con especial foco en los asistentes virtuales y el reconocimiento de imágenes.
No cabe duda q es apasionante campo con un potencial casi ilimitado. Saludos