La Sobrevaloración de la IA Generativa: Preguntas y Respuestas con el Dr. Eric Siegel
Estamos bombardeados con visiones de una IA superinteligente apoderándose del mundo, ¿pero es eso realista?
En esta entrevista, el Dr. Eric Siegel, exprofesor de Columbia, principal consultor de ML y autor de The AI Playbook: Mastering the Rare Art of Machine Learning Deployment, sostiene que la IA predictiva —también conocida como aprendizaje automático empresarial— ofrece un valor concreto que la IA generativa todavía no ha demostrado.
Exploraremos por qué fallan muchos proyectos de ML y cómo cerrar la brecha entre los equipos de negocio y los equipos de datos. Descubre cómo las empresas aprovechan el ML para abordar desafíos del mundo real y obtener una ventaja competitiva.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
¿Por qué la gente cree erróneamente que la IA llegará a ser tan capaz como los humanos, o incluso 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 puede hacer un ser humano, es tan seductora que resulta casi irresistible. Al crear el poder supremo, alcanzamos la máxima satisfacción del ego como científicos y futuristas.
Al construir un sistema que establece sus propios objetivos y los persigue de forma autónoma tan eficazmente como una persona, externalizamos nuestra voluntad proactiva, trasplantándola a un nuevo mejor amigo para la humanidad al que tenemos en la más alta estima y con el que, potencialmente, podemos empatizar. Al crear una nueva forma de vida, realizamos todo el potencial no materializado aún de nuestras máquinas de propósito general conocidas como computadoras. Al recrearnos a nosotros mismos, obtenemos la inmortalidad.
Al crear una solución única para todos los problemas, trascendemos cualquier recompensa económica para obtener riqueza infinita. El líder de pensamiento y ejecutivo de ML Richard Heimann llama a esto la falacia de la solución única. En lugar de resolver los muchos problemas del mundo uno a uno, los solucionamos todos de una sola vez con la bala de plata definitiva.
No necesitamos preocuparnos por problemas globales como el cambio climático, la inestabilidad política, la pobreza o las crisis de salud. En cambio, una vez que exista un ser humano artificial, este seguirá avanzando hasta convertirse en un solucionador de problemas tan capaz como la propia raza humana.
¿Cuál es una buena estrategia para cerrar la brecha que separa a los profesionales de negocio y a los profesionales de datos, y que rutinariamente impide que el ML tenga éxito?
He aquí el problema. El ML es la tecnología de aplicación general más poderosa del mundo. Sin embargo, el ML sólo puede mejorar las operaciones a gran escala efectuando cambios en ellas. Por lo tanto, un proyecto de ML no debería verse como “un proyecto tecnológico.” Para tener impacto, debe replantearse como un proyecto de negocio destinado a mejorar el rendimiento operativo, con el ML como un solo componente — necesario pero no suficiente.
Con la atención abrumadoramente centrada en la parte técnica y su ejecución, la industria no ha establecido una práctica empresarial ampliamente adoptada para ejecutar la otra mitad de un proyecto de ML exitoso. Como resultado, las nuevas iniciativas de ML rutinariamente fracasan en su despliegue.
Mi solución a esto es bizML, una disciplina de seis pasos para llevar un proyecto de ML a un despliegue exitoso. Puedes leer más sobre esto en mi último libro.
¿Cuál es tu explicación de por qué la mayoría de los proyectos de ML empresariales fracasan en su despliegue mientras que unos pocos tienen un éxito rotundo?
La raíz de la mayoría de los fracasos en proyectos de ML es la falta de una planificación rigurosa para el despliegue — la planificación del cambio operacional que supondría la integración de un modelo predictivo. Dado que el mundo concibe los proyectos de ML como proyectos técnicos que implican los cálculos numéricos más avanzados, se asume que el proyecto técnico entregará valor. Esto es un grave error.
El valor sólo se obtiene *cambiando* — y por ende mejorando — las operaciones a gran escala, guiadas por las predicciones que proporciona un modelo de ML.
¿Tienes una opinión contraria sobre el excesivo bombo que rodea a la inteligencia artificial y por qué casi nadie pregunta — o mide — cuán buena es la tecnología de IA?
Son dos temas distintos. En cuanto al bombo, la narrativa popular es que nos dirigimos hacia la AGI. Es un mito. Es la novela que Mary Shelly habría escrito si hubiera conocido los algoritmos.
En cuanto a por qué no medimos lo *buena* que es la IA — cuán bien funciona cuantitativamente y cuánto valor empresarial podría entregar, dependiendo de cómo se implemente — el enfoque está desviado.
¿Cómo están utilizando activamente las organizaciones el ML para potenciar sus operaciones y crear ventajas competitivas en diversos sectores?
El ML innova de forma directa, aunque disruptiva. No dejes que el brillo que irradia esta tecnología deslumbrante oculte la sencillez de su función fundamental: Para la mayoría de las aplicaciones empresariales, la finalidad del ML es emitir predicciones accionables—por eso a veces también se le llama analítica predictiva o IA predictiva.
Aunque aprender de los datos para generar un modelo predictivo merece tanta admiración "de asombro" como cualquier otro logro científico o de ingeniería, esa capacidad se traduce en valor tangible de una manera nada complicada: el modelo genera puntuaciones predictivas, que a su vez impulsan millones de decisiones operativas.
De este modo, el ML combate algunos de nuestros riesgos más significativos—incluyendo incendios forestales, cambio climático, pandemias y abuso infantil. Incrementa las ventas, reduce costes, previene fraudes, agiliza la fabricación y refuerza la atención sanitaria.
Para más entrevistas perspicaces, únete al boletín de The CTO Club.
