Los 8 increíbles avances en Inteligencia Artificial para este 2018

1. Meta-aprendizaje

literature-3068940_1280.jpg

Aprender a aprender. Al dar capacidades de meta-aprendizaje, puede ser posible que las máquinas mejoren continuamente sobre sí mismas, ya que podrán entender el concepto de aprendizaje. Hasta ahora, el aprendizaje profundo se queda en el entorno para el que se ha diseñado. Tenemos que crear la capacidad de que las máquinas entiendan qué es aprender, para poder expandir sus fronteras más allá de lo inicial.

Parece que el concepto del meta-aprendizaje va a ser una de las claves del año. El problema es que estamos entrando en el farragoso mundo de comprender qué es el lenguaje, qué es razonar, qué es aprender… lo cual puede que tampoco lo tengamos muy claro los humanos. Y es que como ya os comentamos en otro artículo, nuestros desarrollos en inteligencia artificial nos van a ayudar a entendernos mejor a nosotros mismos.

2. Modelos generativos aplicados a otros sectores

analytics-1925495_1280.png

Los modelos generativos se van a aplicar en muchísimos nuevos campos. Actualmente, la mayoría de las investigaciones se realizan en el campo de generación de imágenes y voz. Sin embargo, veremos cómo estos métodos se incorporan en herramientas que buscan modelizar sistemas complejos. Una de las áreas donde se verá más actividad es en la aplicación del aprendizaje profundo a modelos económicos.

3. Grandes avances en auto-aprendizaje en juegos

gaming-2259191_1280.jpg

Los juegos son un escenario perfecto para desarrollar la inteligencia. Tienen reglas concretas, suponen competitividad para encontrar una estrategia ganadora y los objetivos son claros, por lo que podemos medir la eficacia de las acciones.

La capacidad de AlphaGo Zero y AlfaZero para “aprender de cero” ha supuesto un salto brutal en Inteligencia Artificial. Algunos opinan que está al mismo nivel de impacto que el descubrimiento del propio aprendizaje profundo. La capacidad para auto-aprender a jugar es el primer paso en el camino de desarrollar verdadera IA.

Es curioso, por cierto, que el equipo de DeepMind no tenga una palabra para esto, pero otro grupo de investigación lo llama “ExIt“.

Como apuesta personal y que ya os avanzamos anteriormente, este año probablemente veamos a la IA ganando a los humanos en el juego Starcraft, pero también, no nos podemos olvidar, seguro que veremos la aplicación de esta capacidad en otros recursos muy dispares, más allá de los videojuegos.

4. Máquinas intuitivas resolviendo el reto de la semántica

man-2814937_1280.jpg

Digamos que hay dos tipos de caminos en IA: máquinas racionales y máquinas intuitivas. Eran dos ramas de investigación diferentes, y desde luego se ha avanzado mucho más en la primera. Ahora esperamos que los caminos de ambas se encuentren.

La noción de la intuición artificial dejará de ser un concepto marginal y será una idea más comúnmente aceptada en 2018. Entenderemos que la inteligencia no es sólo razonar, si es que no nos habíamos dado cuenta aún, y experimentaremos en profundidad con Procesos Duales mucho más complejos.

Google-semantic.gif

Crédito: Google

5. La imposible “explicabilidad”

thinking-2681494_1280

Las redes neuronales, así como todos los cada vez más complejos modelos que las rodean, tienen un pequeño problema: son como una caja negra. Esto quiere decir que cuando la máquina da una solución a un problema, es muy complicado conocer cuáles son sus “razonamientos” para llegar a dicha solución. En parte porque no los hay; pero sin ir a tecnicismos ni a cuestiones filosóficas, el problema es que no podemos saber de la máquina su explicación para llegar a una respuesta. Puede parecer que no importa, pero claro, cuando uno quiere aplicar IA a sus negocios, necesita controlar muy bien por qué se están tomando unas decisiones y no otras. Muchas investigaciones actuales buscan desarrollar métodos que permitan a las máquinas explicar sus “razonamientos”, mostrar algún tipo de “informe” del proceso, pero en esencia son trucos o engaños.

Muy probablemente, tengamos que vivir con esta incertidumbre, al menos por muchos años. Las máquinas resolverán problemas cada vez más complejos pero, en esencia, tendremos que vivir con la situación de no saber cómo. El año 2018 dará para muchas conversaciones en este tema.

6. Incremento de estudios científicos en Deep Learning

books-1012088_640.jpg

El año pasado, sólo en la conferencia de Deep Learning ICLR, se presentaron unos 4000 papers. Se va a dar una paradoja en 2018 y es que para poder revisar todos los artículos científicos sobre Deep Learning, vamos a necesitar aplicar Deep Learning. No hay manera humana de revisar tanta información en tan poco tiempo. Si queremos mantener el ritmo de investigación que demandan los científicos, necesitamos a las máquinas para que nos ayuden.

Además, muchos de los papers son complejos, con matemática muy avanzada detrás. Revisar y calificar estos estudios es muy difícil y requiere conocimientos matemáticos que no todos los investigadores tienen.

Los estudios científicos en Deep Learning puede que se multipliquen por 3 o por 4 en el año 2018. ¿Podrá el Deep Learning entender y estudiar las investigaciones en Deep Learning?

7. Nuevos entornos de aprendizaje profundo

christmas-3013762_640.jpg

El camino hacia un desarrollo más previsible y controlado de los sistemas de aprendizaje profundo pasa por el desarrollo de nuevos entornos de aprendizaje.

Los sistemas biológicos aprenden de la interacción con el medio ambiente; no pueden aprender de forma aislada. Hemos estado desarrollando algoritmos de auto-aprendizaje, como antes comentábamos, pero necesitamos entornos ricos de experiencias, donde las máquinas puedan aprender de verdad por interacción.

El procedimiento de entrenamiento de aprendizaje profundo actual es uno de los métodos de enseñanza más brutos que uno pueda imaginar. Se basa en la presentación repetitiva y aleatoria de hechos sobre el mundo, con la esperanza de que el estudiante (es decir, la red neuronal) sea capaz de desenredar y crear suficientes abstracciones de ello. Ni los peores profesores nos han enseñado así.

En 2018 veremos nuevos entornos de desarrollo e infraestructuras enfocadas al Deep Learning, donde las máquinas puedan experimentar e interaccionar con un entorno particular.

8. Cognición conversacional

interview-1018333_640.png

Volvamos al objetivo de los desarrollos de alto nivel en inteligencia artificial: buscamos una Inteligencia Artificial General. Este es un asunto que hemos tratamos muchas veces en Puentes Digitales.

Para más inri, lo que nosotros entendemos por inteligencia es básicamente la inteligencia humana, por lo que intentamos que las máquinas sean inteligentes, o mejor dicho, humanamente inteligentes.

Sabemos que el lenguaje y la interacción conversacional es uno de nuestros pilares de la inteligencia. De hecho, una discusión antropológica histórica es si el lenguaje provocó nuestro aumento cognitivo o si nuestro aumento cognitivo derivó en lenguaje.

Dondequiera que se encuentren los procesos y fenómenos socio-cognitivos del desarrollo, el lugar para su descubrimiento es el contexto conversacional. Debemos dar a las máquinas la capacidad de aprender por medio de la conversación. Hasta ahora el Deep Learning aplicado a Chatbot se queda reducido, no hay un aprendizaje cognitivo detrás y estamos perdiendo una oportunidad de oro. La cantidad de información que pueden recopilar las máquinas por medio de la conversación es enorme, sobretodo porque es una información muy rica. Nuestros propios razonamientos, nuestra inteligencia, se plasma en palabras. Cuando hablamos a Siri, Google o Alexa, podemos estar ayudándoles a aprender.

Inteligencia artificial para marketing

El marketing es una disciplina que se ha vuelto cada vez más analítica y cuantitativa a lo largo de los años. Muchas de las técnicas de Análisis predictivo y de IA se aplican principalmente en el Marketing, por ejemplo, modelado predictivo para la migración de clientes, probabilidad de compras y modelos de agrupamiento para la segmentación de clientes.

Estos son algunos de los nuevos avances de la IA en el marketing, de forma específica, algunas funcionalidades de Marketing Cloud Einstein.

  • Puntuación predictiva por correo electrónico: le permite a los profesionales de marketing saber (antes de lanzar una campaña de marketing para correo electrónico) cuál es la probabilidad de que sus clientes respondan a la campaña; o bien, la abandonen. El objetivo aquí es anticipar la respuesta del cliente para ofrecer viajes verdaderamente personalizados;
  • Audiencias predictivas: con base en la puntuación predictiva, será posible segmentar mejor su base de clientes y prospectos en función de un comportamiento predictivo al agrupar a personas que tienen puntos en común. Cuanto mayor sea la segmentación, mejor será la conversión;
  • Optimización del tiempo de envío: ¿es mejor enviar una campaña a las 2 p. m. o a las 4 a. m.? Con la optimización del tiempo de envío, el algoritmo de IA le indicará la hora en que será más probable que cada contacto en su base de clientes abra un correo electrónico y participe en su campaña.

La Inteligencia artificial está transformando nuestras vidas y revolucionará rápidamente la manera en la que trabajamos.

¿Desea conocer más? Consulte el libro electrónico Inteligencia artificial para CRM: una guía práctica de todo lo que necesita saber.

Los derechos de ALBERT EINSTEIN se usan con la autorización de la Universidad Hebrea de Jerusalén. Representado exclusivamente por Greenlight.

Técnicas principales de la Inteligencia artificial

Ahora que ya conoce la definición de la IA y más de su historia, la mejor forma de profundizar en el tema es conocer las principales técnicas de la IA, específicamente, los casos en los que la Inteligencia artificial se utiliza para los negocios.

Aprendizaje automático

Generalmente, el concepto de Aprendizaje automático se confunde con el de “IA débil”. Es en este campo en donde los avances más importantes de la IA se están llevando a cabo. En términos prácticos, “el Aprendizaje automático es la ciencia que se encarga de hacer que las computadoras realicen acciones sin necesidad de programación explícita”. La idea principal aquí es que se les puede proporcionar datos a los algoritmos de Aprendizaje automático y luego usarlos para saber cómo hacer predicciones o guiar decisiones.

Algunos ejemplos de algoritmos de Aprendizaje automático incluyen los siguientes: diagramas de decisiones, algoritmos de agrupamiento, algoritmos genéticos, redes Bayesianas y Aprendizaje profundo.  

Aprendizaje profundo                                                                                      

¿Recuerda cuando Google anunció un algoritmo que encontraba videos de gatos en Youtube? (Si desea refrescar su memoria haga clic aquí). Pues bien, esto es Aprendizaje profundo, una técnica de Aprendizaje automático que utiliza redes neuronales (el concepto de que las neuronas se pueden simular mediante unidades computacionales) para realizar tareas de clasificación (piense en clasificar una imagen de un gato, de un perro o personas, por ejemplo).  

Algunos ejemplos de aplicaciones prácticas del Aprendizaje profundo son las siguientes: identificación de vehículos, peatones y placas de matrícula de vehículos autónomos, reconocimiento de imagen, traducción y procesamiento de lenguaje natural.  

Descubrimiento de datos inteligentes

Es el próximo paso en soluciones de IE (Inteligencia empresarial). La idea consiste en permitir la automatización total del ciclo de la IE: la incorporación y preparación de datos, el análisis predictivo y los patrones y la identificación de hipótesis. Este es un ejemplo interesante de la recuperación de datos inteligentes en acción. La información que ninguna herramienta de IE había descubierto.  

Análisis predictivo

Piense en ese momento en el que está contratando un seguro para auto y el agente le hace una serie de preguntas Estas preguntas están relacionadas a las variables que influyen en su riesgo. Detrás de estas preguntas se encuentra un modelo predictivo que informa sobre la probabilidad de que ocurra un accidente con base en su edad, código postal, género, marca de auto, etc. Es el mismo principio que se emplea en los modelos predictivos de crédito para identificar a los buenos y malos pagadores. Por lo tanto, el concepto principal de análisis predictivo (o modelado) significa que se puede utilizar un número de variables (ingresos, código postal, edad, etc.) combinadas con resultados (por ejemplo, buen o mal pagador) para generar un modelo que proporcione una puntuación (un número entre 0 y 1) que representa la probabilidad de un evento (por ejemplo, pago, migración de clientes, accidente, etc.).

Los casos de uso en los negocios son amplios: modelos de crédito, modelos de segmentación de clientes (agrupamiento), modelos de probabilidad de compra y modelos de migración de clientes, entre otros.  

4. Ejemplos del uso de la Inteligencia artificial en los negocios

“Parece interesante… Pero, ¿qué nos ofrece la IA que no tengamos ya?”

Existe una gran cantidad de aplicaciones para IA en los negocios. En esta publicación nos vamos a centrar en un aspecto fundamental: el cliente. La IA está transformando las expectativas de los clientes. Por ejemplo, el cliente que organiza su vida desde aplicaciones como Uber, Google y Amazon. Estos clientes saben que las empresas disponen de información sobre ellos y, lo que es más importante, saben lo que las empresas podrían hacer con esta información para proporcionar una experiencia de atención al cliente excepcional. Por ejemplo, los millenials están obsesionados con la experiencia de atención al cliente (es decir, todo debe ser sencillo, rápido e inteligente).  

Esta es una lista de algunos ejemplos prácticos de cómo la IA está transformando los procesos empresariales.

Inteligencia artificial para ventas

La IA ofrece una mayor productividad para los equipos de ventas, ya que permite centrarse en las oportunidades que pueden llevar al éxito, así como ahorrar tiempo al personal de ventas durante el registro de información. Veamos algunos ejemplos a continuación:

  • Captura automáticamente las actividades de ventas, lo que significa que el personal de ventas no tiene que dedicar tiempo al llenado de la base de datos del CRM;
  • Registra automáticamente los datos del cliente, por ejemplo, registros de navegación del sitio web y conexiones al sitio web, entre otros;
  • Sugiere la mejor acción de seguimiento y recomienda respuestas de correo electrónico al conectar la información del CRM a la bandeja de entrada;
  • Valoración predictiva de prospectos: mediante el análisis predictivo, el sistema podrá indicar la probabilidad de que un prospecto se convierta en una venta. Más interesante aún, el sistema le indicará por qué se llegó a esta puntuación (p. ej., canal de acceso del prospecto, sector, etc.). Por ejemplo, Salesforce Einstein, tendrá la funcionalidad de puntuación predictiva de prospectos.

Inteligencia artificial para Atención al cliente

  • Clasificación automática de los casos de atención al cliente, lo que evita depender del agente de atención al cliente a la hora de tener que tomar una decisión y, por lo tanto, ahorra tiempo al agente.
  • Enrutamiento automático de casos una vez que la llamada se ha clasificado automáticamente, el sistema ya puede reenviar la llamada al agente mejor calificado para determinar el tipo de problema.
  • Recomendación de soluciones y bases de conocimiento. Esto aumenta la productividad y la calidad de un servicio, al sugerir la solución con mayores probabilidades de resolver el problema del cliente.
  • Comunicaciones de autoservicio. Research muestra que la generación actual de clientes prefiere el autoservicio (por ejemplo, portal o aplicación del cliente) en lugar de llamar por teléfono a un centro de atención. Gracias a la IA, las comunidades de servicios serán más inteligentes, por ejemplo, al personalizar el entorno que depende del cliente y sugerir soluciones de forma automática, ej. utilizar el reconocimiento de imagen para identificar el producto que está en una foto tomada por el cliente.
  • Por ejemplo, los bots conversacionales le permiten al cliente enviar mensajes de texto para establecer comunicación.   

Acontecimiento

1842    Lovelace: máquina analítica programable
1950    Turing: la prueba de Turing
1956    McCarthy, Minsky, Rochester y Shannon celebran la primer conferencia sobre IA
1965    Weizenbaum: «ELIZA», el primer sistema especialista
1993    Horswill: «Polly» (robótica basada en el comportamiento)
2005    TiVo: tecnología de recomendaciones
2011    Apple, Google y Microsoft: aplicaciones móviles de recomendaciones
2013    Varios: avances tecnológicos en aprendizaje automático y profundo
2016    Google DeepMind: AlphaGo supera a Lee Sedol en el juego “Go”

¿Qué es la inteligencia artificial?

La Inteligencia artificial es el campo científico de la informática que se centra en la creación de programas y mecanismos que pueden mostrar comportamientos considerados inteligentes. En otras palabras, la IA es el concepto según el cual “las máquinas piensan como seres humanos”.

Normalmente, un sistema de IA es capaz de analizar datos en grandes cantidades (big data), identificar patrones y tendencias y, por lo tanto, formular predicciones de forma automática, con rapidez y precisión. Para nosotros, lo importante es que la IA permite que nuestras experiencias cotidianas sean más inteligentes. ¿Cómo? Al integrar análisis predictivos (hablaremos sobre esto más adelante) y otras técnicas de IA en aplicaciones que utilizamos diariamente.

Primera entrada del blog

en este blog vamos hablar de la inteligencia artificial que esto se refiere a todo lo inteligente que a creado el ser humano gracias a los avances de la tecnología que existe hoy en día. Con estos grandes avances se pueden hacer grandes cosas para las necesidades de los seres humanos.

 

Historia de la inteligencia artificial

La mayoría de nosotros tenemos un concepto de la Inteligencia artificial alimentado por las películas de Hollywood. Exterminadores, robots con crisis existenciales y píldoras rojas y azules. De hecho, la IA ha estado en nuestra imaginación y en nuestros laboratorios desde 1956, cuando un grupo de científicos inició el proyecto de investigación “Inteligencia artificial” en Dartmouth College en los Estados Unidos. El término se acuñó primero ahí y, desde entonces, hemos presenciado una montaña rusa de avances (“¡Vaya! ¿Cómo sabe Amazon que quiero este libro?”), así como frustraciones (“esta traducción es completamente errónea”).  

Al inicio del proyecto, el objetivo era que la inteligencia humana pudiera ser descrita de forma tan precisa que una máquina fuera capaz de simularla. Este concepto también fue conocido como “IA genérica” y fue esta la idea que alimentó la (asombrosa) ficción que nos daría entretenimiento ilimitado.

Sin embargo, la IA derivó en campos específicos. Con el paso del tiempo, la ciencia evolucionó hacia áreas de conocimiento específicas, y fue entonces que la IA comenzó a generar resultados significativos en nuestras vidas. Fue una combinación entre el reconocimiento de imagen, el procesamiento de lenguaje, las redes neuronales y la mecánica automotriz lo que hizo posible un vehículo autónomo. En ocasiones, el mercado se refiere a este tipo de avances como “IA débil”