El libro ‘Máquinas predictivas’ explica los diversos términos relacionados con la inteligencia artificial de una manera muy fácil de leer y entender.
Había estado buscan un libro que explicara los diversos términos relacionados con la inteligencia artificial de una manera muy fácil de leer, y creo que lo encontré: Máquinas predictivas.
El libro Máquinas predictivas comienza con los autores explicando que no son informáticos, sino economistas. Creo que esta razón por sí sola los distingue: tocan los feos detalles detrás de la IA, pero solo para explicar lo que hacen estas máquinas de predicción. Capítulo tras capítulo, podemos leer un texto simple y claro que explica todo el fenómeno de la IA.
Los economistas ven el mundo de manera diferente a la mayoría de las personas. Vemos todo a través de un marco gobernado por fuerzas como la oferta y la demanda, la producción y el consumo, los precios y los costes.
Los autores afirman que, dado que es simplemente económico para nosotros delegar varias tareas a las máquinas, que han mejorado con el tiempo en las predicciones, estamos viendo una adopción más amplia. Si bien esto es cierto para cualquier tarea automatizada, las predicciones respaldan la toma de decisiones y, por lo tanto, son valiosas para los gerentes en todas partes.
Estas predicciones no solo son precisas, superando a menudo a los expertos, sino que también son más rápidas. Ahora, más barato. Los tomadores de decisiones se sienten atraídos por la IA debido a esta combinación.
Máquinas predictivas. La sencilla economía de la inteligencia artificial
Veamos un resumen capítulo por capítulo
Capítulo 3: La magia de las máquinas predictivas
Este capítulo proporciona ejemplos de cómo se utilizan ampliamente la predicción del fraude y la traducción de idiomas (impulsada por el aprendizaje profundo o Deep Learning). También proporciona cómo las predicciones han mejorado y superado los puntos de referencia humanos.
Para 2017, la gran mayoría de los treinta y siete equipos [participantes en la competición de predicción e imagen] lo hicieron mejor que el punto de referencia humano… Las máquinas podrían identificar este tipo de imágenes mejor que las personas.
Capítulo 4: ¿Por qué se llama inteligencia?
Aunque muchas técnicas de aprendizaje automático (Machine Learning) comparten principios comunes con la estadística, el aprendizaje automático es diferente, como se explica en este capítulo. Mientras que la regresión intenta ser precisa en la media (es decir, “regresar a la media”), el aprendizaje automático intenta mejorar las predicciones generales.
Para defender que las máquinas de predicción sean iguales a la inteligencia artificial, los autores citan a Jeff Hawkins, autor de On Intelligence.
La predicción no es solo una de las cosas que hace tu cerebro. Es la función principal del neo córtex y la base de la inteligencia.
Capítulo 5: Los datos son el nuevo petróleo
Este capítulo proporciona múltiples ejemplos de cómo los datos en diversas formas han ayudado a las personas a construir mejores modelos de predicción. Un ejemplo, una startup llamada Cardiogram creo una aplicación para iPhone que recibe los datos de frecuencia cardíaca de un Apple Watch. Luego, la compañía puede “detectar un ritmo cardíaco irregular con un 97 por ciento de precisión utilizando su red neuronal profunda”.
Los autores también lo guían a través de los principios básicos de la construcción de modelos para predicciones. También explican que más datos a veces es mejor, ya que les permite a las empresas diferenciar sus productos, por lo tanto, “los datos son el nuevo petróleo”.
El aumento de los datos genera recompensas desproporcionadas en el mercado.
Capítulo 6: La nueva división del trabajo
Este capítulo muestra cómo nuestros sesgos generan soluciones ineficientes o imprecisas, y esa es la fuerza de una máquina que crea soluciones sin ningún sesgo (a menos, por supuesto, que su diseñador haya introducido algunos sesgos). Vale la pena leer un ejemplo particular: la máquina predice mejor que los jueces si un acusado cometería un delito mientras está bajo fianza.
Las máquinas, por supuesto, no son infalibles: los sesgos inherentes a los datos de entrenamiento, así como los datos faltantes que no se alimentan, pueden generar resultados muy imprecisos. Entonces, aunque las máquinas pueden escalar y crear modelos complicados, todavía se requiere el juicio humano para ajustar o guiar la máquina.
Capítulo 7: Descifrando decisiones
Este capítulo reitera que las máquinas proporcionan predicciones mejores y más rápidas. Sin embargo, la decisión aún debe tomarse después de evaluar los riesgos y las recompensas. Esa toma de decisiones sigue siendo un dominio humano y lo más probable es que permanezca en el futuro cercano. (Los autores brindan un ejemplo doloroso de los taxistas de Londres).
A medida que la predicción se vuelva mejor, más rápida y más barata, usaremos más para tomar más decisiones, por lo que también necesitaremos más juicio humano y, por lo tanto, el valor de juicio aumentará.
Capítulo 8: El valor del juicio
Este capítulo explica cómo, aunque la toma de decisiones final se deja en gran medida a los humanos, al calcular el riesgo y las recompensas, algunas decisiones se pueden dejar en manos de las máquinas. El ejemplo más común de esto es boquear una transacción con tarjeta de crédito que una máquina cree que probablemente sea fraudulenta. Los costes de tal decisión son la irritación del cliente y la pérdida de buena voluntad, y la recompensa es el dinero ahorrado en una transacción fraudulenta.
Capítulo 9: Prediciendo el juicio
Los autores enfatizan que las máquinas no pueden predecir lo que no pueden ver, y que los humanos son mejores en el contexto. Un gran ejemplo del ingenio humano fue el de Abraham Wald y su cuestionamiento de los datos faltantes en los aviones bombarderos durante la Segunda Guerra Mundial.
Capítulo 10: Dominar la complejidad
Si el proceso de toma de decisiones se ve como un gran diagrama de flujo de si-y-entonces, entonces para decisiones complejas, como la conducción autónoma, la lista de si-y-entonces crece. Sin embargo, cuando no tenemos suficiente conocimiento sobre si tomar una decisión, elegimos tomar decisiones “satisfactorias”, es decir, tomamos decisiones que son lo suficientemente buenas.
Un ejemplo de satisfacción:
Para la mayoría de las personas, no es intuitivo pensar en las salas VIP de los aeropuertos como una solución a la mala predicción y que serán menos valiosas en una era de poderosas máquinas de predicción.
Capítulo 11: Toma de decisiones totalmente automatizada
Si bien los capítulos anteriores nos convencieron de que los humanos tienen un papel, este da ejemplos de cómo eso no será cierto por mucho tiempo para muchas decisiones.
Capítulo 12: Deconstruir los flujos de trabajo
Dado que las herramientas de IA se pueden construir para realizar tareas pequeñas, para completar proyectos más grandes, los ingenieros deberán identificar todas las tareas pequeñas para aplicar las herramientas de IA por completo. Pero si no se puede completar todo el proyecto con IA, los usuarios aún verán beneficios inmediatos al aplicar IA a tareas pequeñas. Sin embargo, esto puede no ser práctico. Los autores proporcionan el teclado del iPhone como un ejemplo de IA que completa una tarea pequeña, pero importante, de un proyecto más grande.
Capítulo 13: Descomponiendo las decisiones
Este capítulo se basa en el capítulo anterior, al proporcionar un marco para enumerar todas las diferentes tareas de IA necesarias para completar un proyecto o una idea. Lo llaman el IA canvas.
Capítulo 14: Rediseño del trabajo
Este capítulo aborda las muchas preocupaciones que tiene la gente de que la IA reemplazará a los trabajadores humanos. Proporciona un ejemplo importante de hojas de cálculo. Las hojas de cálculo redujeron drásticamente el tiempo que les tomaba a los contables hacer varios cálculos, pero muchos se quedaron sin trabajo. Esa es la premisa de este capítulo: la IA ayudará a muchos trabajadores, y los trabajadores dedicarán tiempo a hacer preguntas mejores y más importantes.
Capítulo 15: La IA y los directivos de alto nivel
Parece que este capítulo dice que los gerentes deben darse cuenta de que los datos son un activo, y que las personas que emiten juicios utilizando predicciones para ayudar a tomar mejores decisiones son valiosas. Aun así, alguien debe tomar medidas sobre esas predicciones. De lo contrario, esas predicciones no tienen ningún valor.
Como se suele decir:
El 100% de tu análisis en el que el lector no toma medidas se desperdicia.
O
Interesante no es procesable.
Capítulo 16: Cuando la IA transforma tu negocio
Las herramientas de IA pueden transformar un negocio, a veces, desdibujando o ampliando los límites de sus objetivos empresariales. Esa es una decisión que deben tomar los gerentes: ofrecer servicios (o datos o predicciones) utilizando los datos patentados que tienen, o recopilar más datos para una mayor eficiencia.
Dado que es probable que el juicio sea el papel clave para el trabajo humano a medida que se difunde la IA, el empleo interno aumentará y la mano de obra subcontratada disminuirá.
Capítulo 17: Su estrategia de aprendizaje
Este capítulo describe varias formas en que se puede usar e implementar la IA, es decir, aprendizaje supervisado frente a no supervisado, simulación y nube frente a local. También proporciona información útil para los líderes empresariales que están pensando en utilizar herramientas de inteligencia artificial para sus negocios.
El beneficio de implementar [herramientas de IA] antes es un aprendizaje más rápido y el coste es un mayor riesgo [para la marca o la empresa].
Capítulo 18: Gestionar el riesgo de la IA
Este capítulo identifica los seis riesgos principales a los que se enfrenta el aprendizaje automático: riesgo de responsabilidad, riesgo de calidad, riesgo de seguridad, riesgo de datos de entrada, riesgo de datos de entrenamiento y riesgo de datos de retroalimentación. Los de datos son obvios: si la máquina aprende de datos erróneos, los resultados también serían erróneos. Sin embargo, para gestionar los tres primeros riesgos, los líderes necesitan una planificación e implementación cuiadosas. Los autores proporcionan el fallo del chatbot de Microsoft como un ejemplo de los riesgos de datos.
Ofrecen este consejo:
Equilibre la compensación entre los riesgos de todo el sistema y el beneficio de hacer todo un poco mejor.
Capítulo 19: Más allá del negocio
El libro ‘Máquinas predictivas’ termina con este capítulo que ofrece reflexiones sobre el impacto de la IA en la sociedad. Los autores abordan preguntas como, ¿la IA es algo bueno? ¿Terminarán todos los trabajos? ¿La IA creará más desigualdad de ingresos?
La mayor diferencia entre las máquinas de predicción (a lo que nos referimos actualmente como IA) y la inteligencia artificial general (IAG) es que las aplicaciones típicas de IA aprenden de ejemplos dados (es decir, datos) para un propósito específico, pero IAG puede generalizar el aprender y hacer cosas “generalmente”. Esto se conoce como singularidad tecnológica. No estamos allí. Aún.