Carlos B Fernández. El Hype Cycle de Gartner para la Inteligencia Artificial 2021 (Gartner Hype Cycle for Artificial Intelligence, 2021), ha identificado las cuatro tendencias que caracterizarán el desarrollo de la IA en el corto plazo. Estas son la IA responsable (Responsible AI), los datos pequeños y amplios (Smart and Wide data), la puesta en operación (Operationalization) de las plataformas de IA y el uso eficiente de los datos, los modelos y los recursos informáticos.
Llama la atención en el informe que tecnologías relacionadas con la IA muy difundidas, como los coches autónomos, se encuentran ante una previsión de desarrollo en un plazo no inferior a diez años. Un plazo que se prevé todavía mayor para la conocida como IA general, que según Gartner se encuentra en un momento muy incipiente de desarrollo. En cambio, otros sistemas, como los chatbots o la búsqueda semántica, se encuentran en estadios de desarrollo que acercan su generalización.
Estas son las cuatro tendencias que impulsan la innovación en IA, según Gartner:
IA responsable
Según el informe “Top 10 Data and Analytics Technology Trends for 2021“ de Gartner, la IA responsable se orienta al diseño de unos sistemas de IA más inteligentes, menos necesitada de datos, éticamente responsable y más resiliente. Desplegando una IA más inteligente, responsable y escalable, las organizaciones podrán aprovechar los algoritmos de aprendizaje y los sistemas de interpretación (interpretable systems), para ahorrar tiempo en la generación de valor y la mejora del impacto empresarial.
Según Alexander S. Gillis, en https://searchenterpriseai.techtarget.com/, los principios de la IA responsable se basan en que la IA y los modelos de aprendizaje automático que la sustentan deben ser exhaustivos, explicables, éticos y eficientes. La exhaustividad se refiere a que la IA debe tener unos criterios de prueba y gobernanza claramente definidos, para evitar que el aprendizaje automático pueda ser pirateado fácilmente. Además, la IA explicable está programada para describir su propósito, su justificación y su proceso de toma de decisiones de forma que pueda ser entendida por el usuario final medio. Las iniciativas de IA ética cuentan con procesos para buscar y eliminar el sesgo en los modelos de aprendizaje automático y la IA eficiente es capaz de funcionar continuamente y responder rápidamente a los cambios en el entorno operativo.
Por su parte, Según Svetlana Sicular, vicepresidente de investigación de Gartner ha destacado que "el aumento de la confianza, la transparencia, la equidad y la auditabilidad de las tecnologías de IA sigue siendo cada vez más importante para una amplia gama de actores". En este sentido, añadió, "La IA responsable ayuda a alcanzar la equidad, aunque los sesgos se incorporen a los datos; a ganar confianza, aunque los métodos de transparencia y explicabilidad estén evolucionando; y a garantizar el cumplimiento de la normativa, mientras se lidia con la naturaleza probabilística de la IA."
De hecho, Gartner espera que para 2023, todo el personal contratado para el desarrollo y la formación en IA tendrá que demostrar su experiencia en IA responsable.
Datos pequeños y amplios (Small and wide data)
Los datos constituyen la base del éxito de las iniciativas de IA, pero los cambios extremos que ha introducido la pandemia de COVID-19 hicieron que los modelos de Machine Learning e IA basados en grandes cantidades de datos históricos se hayan vuelto menos relevantes. Al mismo tiempo, la toma de decisiones por parte de los humanos y la IA es más compleja y exigente, lo que requiere que los responsables de I&D dispongan de una mayor variedad de datos para un mejor conocimiento de la situación.
"Los datos pequeños (small data) tienen que ver con la aplicación de técnicas analíticas que requieren menos datos pero que siguen ofreciendo perspectivas útiles, mientras que los datos amplios (wide data) permiten el análisis y la sinergia de una variedad de fuentes de datos", pequeños y grandes, no estructurados y estructurados dijo Sicular. "Juntos, estos enfoques permiten una analítica más sólida y ayudan a alcanzar una visión más de 360 grados de los problemas empresariales", destacó.
El enfoque en small y wide data permite una analítica de datos y una IA más sólidas, reducen la dependencia de las organizaciones de los grandes volúmenes de datos y ofrecen un conocimiento de la situación más rico y completo.
Según Gartner, para 2025, el 70% de las organizaciones se verán obligadas a cambiar su enfoque de big data a small and wide data, proporcionando más contexto para la analítica y haciendo que la IA tenga menos hambre de datos.
Hacer operativas las plataformas de IA
La urgencia y la criticidad de aprovechar la IA para la transformación del negocio está impulsando la necesidad de hacer operativas las plataformas de IA. Esto significa pasar los proyectos de IA de la fase de concepto a la de producción, de modo que se pueda confiar en las soluciones de IA para resolver los problemas de toda la empresa.
"La investigación de Gartner ha descubierto que sólo la mitad de los proyectos de IA pasan del piloto a la producción, y los que lo hacen tardan una media de nueve meses en hacerlo", dijo Sicular. "Innovaciones como las plataformas de orquestación y automatización de IA (AI orchestration and automation platforms, AIOAPs) y la operacionalización de modelos (Model operationalization, ModelOps) están permitiendo la reutilización, escalabilidad y gobernanza, acelerando la adopción y el crecimiento de la IA."
Uso eficiente de los recursos
Dada la complejidad y la escala de los datos, los modelos y los recursos informáticos implicados en los despliegues de IA, la innovación en este sector requiere que dichos recursos se utilicen con la máxima eficiencia. La multiexperiencia, la IA compuesta, la IA generativa y los transformadores están ganando visibilidad en el mercado de la IA por su capacidad para resolver una amplia gama de problemas empresariales de manera más eficiente.
Otras tendencias destacadas en el ámbito de la IA
Según Shubhangi Vashisth, analista principal de investigación de Gartner, "la innovación en IA se está produciendo a un ritmo rápido, con un número de casos que alcanzan una adopción generalizada superior a la media de tecnologías en el Hype Cycle, en un plazo de dos a cinco años". Por ello, "innovaciones como la IA de borde (Edge AI), la visión por ordenador, la inteligencia de decisiones (Decision Intelligence), y el aprendizaje automático, están preparadas para tener un impacto transformador en el mercado en los próximos años".
La Edge AI, según explica la página web de Vector ITC group, es “un sistema que utiliza algoritmos de Machine Learning para procesar datos generados por un dispositivo de hardware a nivel local”, de esta manera, el dispositivo “no necesita estar conectado a internet para procesar dichos datos y tomar decisiones en tiempo real”, pudiendo hacerlo en cuestión de milisegundos. “Con esto se consigue reducir considerablemente los costes de comunicación derivados del modelo en la nube. En otras palabras, el Edge AI lleva los datos y su procesamiento al punto más cercano de interacción con el usuario, ya sea un ordenador, un dispositivo IoT o un servidor Edge”.
Por su parte, la inteligencia de decisiones (Decision Intelligence), según señala Cassie Kozyrkov en Introduction to Decision Intelligence (https://towardsdatascience.com/) es una disciplina académica que se ocupa de la selección entre opciones, aplicando la ciencia de los datos, la ciencia social y la ciencia de la gestión en un campo unificado que ayuda a las personas a utilizar los datos para mejorar sus vidas, sus negocios y el mundo que les rodea. Sirve para dirigir proyectos de IA de forma responsable y diseñar objetivos, métricas y redes de seguridad para la automatización a escala.