La exageración de la IA generativa: preguntas y respuestas con el Dr. Eric Siegel

Descubre cómo entregar mejores programas y sistemas en entornos de rápido crecimiento. Únete a nuestra Comunidad

¡Olvídate de los robots asesinos! Estas preguntas y respuestas reveladoras separan la exageración sobre la IA de la realidad. Descubre cómo las empresas utilizan el aprendizaje automático para resolver problemas reales, aumentar las ventas y obtener una ventaja competitiva.

An image showing 'The Interview with Eric Stegall' discussing the overhype of generative AI Featured Image

Estamos siendo bombardeados con visiones de una IA superinteligente apoderándose del mundo, pero ¿es eso realista?

En esta entrevista, el Dr. Eric Siegel, antiguo profesor de Columbia, destacado consultor de ML y autor de El manual de la IA: dominar el raro arte de la implementación del aprendizaje automático, sostiene que la IA predictiva —también conocida como aprendizaje automático empresarial— ofrece un valor concreto que la IA generativa aún no ha demostrado.

Analizaremos por qué fracasan muchos proyectos de ML y cómo salvar la brecha entre los equipos de negocio y los equipos de datos. Descubra cómo las empresas aprovechan el ML para abordar retos del mundo real y obtener una ventaja competitiva.

¿Por qué la gente cree erróneamente que la IA llegará a ser tan capaz como los seres humanos o que podría suponer un riesgo mortal para la humanidad?

La satisfacción de deseos que promete la inteligencia artificial general (AGI) —un software capaz de realizar cualquier tarea intelectual que puedan llevar a cabo los seres humanos— resulta tan seductora que es casi irresistible. Al crear el poder definitivo, alcanzamos la satisfacción máxima de nuestro ego como científicos y futuristas.

Al construir un sistema que establece sus propios objetivos y los persigue de forma autónoma con la misma eficacia que una persona, exteriorizamos nuestra voluntad proactiva y la trasplantamos a un nuevo mejor amigo de la humanidad, al que tenemos en la más alta estima y con quien potencialmente podemos empatizar. Al crear una nueva forma de vida, hacemos realidad hasta el último ápice del potencial aún no realizado de nuestras máquinas de propósito general conocidas como ordenadores. Al recrearnos a nosotros mismos, alcanzamos la inmortalidad.

Al crear una única solución para todos los problemas, trascendemos cualquier medida de recompensa económica para obtener una riqueza infinita. Richard Heimann, referente del ML y directivo, denomina a esto la falacia de la solución única. En lugar de resolver uno a uno los numerosos problemas del mundo, los resolvemos todos de un plumazo con la panacea definitiva.

No tenemos que preocuparnos por problemas globales como el cambio climático, la inestabilidad política, la pobreza o las crisis sanitarias. En su lugar, una vez que exista un ser humano artificial, seguirá mejorándose a sí mismo hasta convertirse en un solucionador de problemas tan capaz como jamás podría serlo la humanidad.

¿Cuál es una buena estrategia para salvar la brecha que separa a los profesionales de negocio de los profesionales de datos y que impide habitualmente que el ML tenga éxito?

Este es el problema. El ML es la tecnología de aplicación general más potente del mundo. Sin embargo, el ML solo puede mejorar las operaciones a gran escala modificándolas. Por tanto, un proyecto de ML no debería considerarse «un proyecto tecnológico». En su lugar, para generar un impacto, debe replantearse como un proyecto empresarial destinado a mejorar el rendimiento operativo, en el que el ML sea solo un componente: necesario, pero no suficiente.

Al centrarse la atención casi exclusivamente en la parte técnica y en su ejecución, el sector no ha conseguido establecer una práctica empresarial ampliamente adoptada para llevar a cabo la otra mitad esencial de un proyecto de ML exitoso. Como consecuencia, las nuevas iniciativas de ML fracasan habitualmente a la hora de implementarse.

Mi solución a esto es bizML, una disciplina de seis pasos para gestionar un proyecto de ML de modo que llegue a implementarse con éxito. Puede leer más sobre ello en mi último libro.

¿Cuál es su explicación de por qué la mayoría de los proyectos de ML empresariales no llegan a implementarse, mientras que unos pocos tienen un éxito arrollador?

La causa principal de la mayoría de los fracasos de los proyectos de ML es la falta de una planificación rigurosa de la implementación: la planificación del cambio operativo que provocaría la integración de un modelo predictivo. Puesto que el mundo concibe los proyectos de ML como proyectos técnicos que implican los cálculos numéricos más avanzados, se da por hecho que el proyecto técnico generará valor. Es un grave error de concepto.

El valor solo se obtiene *cambiando* —y, por tanto, mejorando— las operaciones a gran escala, guiándose por las predicciones proporcionadas por un modelo de ML.

¿Tiene una valoración contraria a la opinión general sobre el entusiasmo desmedido que rodea a la inteligencia artificial y sobre por qué casi nadie pregunta —ni mide— hasta qué punto es buena la tecnología de IA?

Son dos cuestiones diferentes. En cuanto al entusiasmo desmedido, la narrativa popular sostiene que nos dirigimos hacia la AGI. Es un mito. Es la novela que Mary Shelley habría escrito si hubiera conocido los algoritmos.

En cuanto a por qué no medimos lo *buena* que es la IA —su rendimiento cuantitativo y cuánto valor empresarial podría aportar, dependiendo de cómo se implemente—, el enfoque es erróneo.

eric siegel

Author's Tip

“Al evaluar modelos de ML, los científicos de datos se centran casi por completo en métricas técnicas como la precisión, la exhaustividad y la elevación, una especie de multiplicador predictivo (en otras palabras, ¿cuántas veces predice mejor el modelo que una simple conjetura?). Sin embargo, estas métricas son claramente insuficientes. Nos indican el rendimiento relativo de un modelo predictivo —en comparación con una referencia, como una conjetura aleatoria—, pero no ofrecen una lectura directa del valor empresarial absoluto de un modelo. Incluso la métrica más habitual y utilizada, la exactitud, pertenece a esta categoría. (Además, normalmente resulta impertinente y a menudo engañosa.)

 

En su lugar, el enfoque debería centrarse en las métricas empresariales —como los ingresos, los beneficios, el ahorro y el número de clientes captados—. Estas métricas sencillas y relevantes evalúan las nociones fundamentales del éxito. Están directamente relacionadas con los objetivos empresariales y revelan el verdadero valor de las predicciones imperfectas que ofrece el ML. Son esenciales para construir un puente muy necesario entre los equipos de negocio y de ciencia de datos.

 

Por desgracia, los científicos de datos omiten habitualmente las métricas empresariales de los informes y los debates, a pesar de su importancia. En su lugar, las métricas técnicas dominan la práctica del ML, tanto en lo que respecta a la ejecución técnica como a la presentación de resultados a las partes interesadas.”

MIT Sloan Management Review

¿Cómo utilizan activamente las organizaciones el aprendizaje automático para impulsar las operaciones y crear una ventaja competitiva en diversos sectores?

El aprendizaje automático innova de una manera sencilla, aunque disruptiva. No permita que el resplandor de esta deslumbrante tecnología oculte la simplicidad de su función fundamental: para la mayoría de las aplicaciones empresariales, el propósito del aprendizaje automático es emitir predicciones procesables, razón por la que a veces también se denomina analítica predictiva o IA predictiva.

Aunque aprender de los datos para generar un modelo predictivo merece tanta admiración como cualquier otro logro científico o de ingeniería, esa capacidad se traduce en un valor tangible de una manera sencilla: el modelo genera puntuaciones predictivas que, a su vez, impulsan millones de decisiones operativas.

De este modo, el aprendizaje automático combate nuestros riesgos más importantes, incluidos los incendios forestales, el cambio climático, las pandemias y el maltrato infantil. Aumenta las ventas, reduce los costes, previene el fraude, agiliza la fabricación y refuerza la atención sanitaria.

Para leer entrevistas más interesantes, suscríbase al boletín de The CTO Club.

Katie Sanders
As a data-driven content strategist, editor, writer, and community steward, Katie helps technical leaders win at work. Her 15 years of experience in the tech space makes her well-rounded to provide technical audiences with first-hand operating wisdom so senior tech leaders can get clarity. Tech leaders want to learn from peers who’ve been there. Katie surfaces hard-won lessons that help leaders scale systems, teams, and strategy in the face of disruption. Katie is an Executive Editor at Black & White Zebra. She nurtures a large and diverse community of technical experts and writers, and she knows that a thriving community doesn't grow without thoughtfulness, advocacy, and intention. Interested in being reviewed? Find out more here.
Follow the author:

You may also like