Cómo configurar un laboratorio de I+D de IA
Por Foteini Agrafioti
Investigación y desarrollo
Harvard Business Review
En el momento en que una nueva tecnología promocionada atraiga la atención general, muchas empresas se apresurarán a incorporarla a su empresa. La mayoría de estas tendencias se desvanecerán y desaparecerán para el cuarto trimestre. La inteligencia artificial (IA) es poco probable que sea uno de ellos.
AI es una serie transformadora de herramientas que puede acelerar la productividad, impulsar el conocimiento y abrir flujos de ingresos inexplorados. Está preparado para revolucionar la forma en que hacemos negocios y todos los que tienen un rol de liderazgo deberían pensar en ello.
Pero pocas organizaciones están configuradas para hacer IA correctamente.
Existe la idea errónea de que el cambio de marca como una empresa de inteligencia artificial es tan simple como tener datos, infraestructura y datos y análisis estándar. La realidad es que la IA es compleja, de alto riesgo, costosa y, a menudo, requiere una transformación empresarial significativa. Sin embargo, lo más importante es que requiere un grupo de talentos ultra especializados que, según los últimos informes, actualmente cuenta con solo 22,000 expertos de nivel de doctorado en todo el mundo, un grupo muy pequeño.
Cuando considera que las predicciones de valor de mercado anuales para las técnicas de IA oscilan entre $ 3.5 billones y $ 5.8 billones, queda claro por qué la batalla para reclutar de este grupo escaso se ha convertido en un desafío definitorio de la industria. En este momento, las compañías más grandes del mundo están recogiendo a estos expertos para poblar sus equipos porque entienden que la clave para construir una práctica robusta y exitosa de IA es encontrar y retener el talento adecuado.
Entonces, cuando el Royal Bank of Canada (RBC) se me acercó hace tres años para ayudarles a aumentar sus capacidades de inteligencia artificial, esto es lo que aconsejé: Para ir más allá de la ciencia de datos y hacer inteligencia artificial real, debe contratar a las personas adecuadas, emprender la investigación , y adaptar tu cultura.
En este momento, la IA es más una frontera abierta que un espacio compatible con la industria. Sus aplicaciones son lo suficientemente nuevas como para que los profesionales actuales de la IA aún no existan a escala. Esto hace que encontrar, retener y nutrir el talento sea el desafío más apremiante. Si desea esta capacidad en su organización, debe contratar a las personas con el equilibrio perfecto entre intuición de datos y conocimientos avanzados. Estas personas son casi todos los académicos.
Es imposible exagerar la importancia de este nivel de experiencia. Los modelos de aprendizaje automático se ejecutan en matemáticas, cuya sutileza requiere una profunda comprensión de los dominios de datos. Las tareas simples pueden ser desalentadoras para quienes no tienen la experiencia adecuada. Los errores en el espacio de aprendizaje de la máquina son extremadamente comunes, pero cuando se aplican a los negocios también pueden tener consecuencias en la vida real, hasta e incluyendo la vida y la muerte.
Aquí hay un ejemplo de libro de texto de lo fácil que pueden ocurrir estos errores. En 1973, la Universidad de California en Berkeley compiló sus cifras de ingreso a escuelas de posgrado y descubrió lo que parecía ser un sesgo significativo en contra de las mujeres solicitantes. Los números estaban allí en la página: el 44% de los solicitantes masculinos fueron admitidos en programas de posgrado, frente al 35% de las solicitantes femeninas.
Ante el temor de una demanda, los funcionarios escolares enviaron los datos a su departamento de estadísticas para un análisis más detallado. Un equipo dirigido por Peter Bickel, ahora profesor emérito de estadísticas de la escuela, fue capaz de descifrar las cifras al analizar los departamentos individuales. Cuando se analizaron de esta manera, los datos no proporcionaron evidencia de sesgo; el problema era que las mujeres solicitaban programas más difíciles y competitivos con tasas de ingreso más bajas que sus contrapartes masculinas. De hecho, las mujeres tenían tasas de ingreso ligeramente más altas que los hombres por departamento. (Esto no significa que no haya un sesgo de género en juego; simplemente significa que la evidencia que se estaba utilizando para alegar que el sesgo (menores tasas de ingreso para las mujeres) no era en sí una indicación de sesgo).
Los investigadores estarán familiarizados con este fenómeno, conocido como la paradoja de Simpson. Los desafíos del aprendizaje automático han aumentado significativamente en complejidad desde entonces y se requieren años de entrenamiento y experiencia para desarrollar una intuición bien afilada que pueda resolver estos problemas. En el caso de Berkeley, la administración tuvo acceso a un equipo interno de estadísticos de primer nivel. Pero es fácil ver cómo un análisis inexperto podría haber atado a la universidad en una batalla legal costosa y prolongada. En cambio, la universidad emergió con una comprensión más matizada de su proceso de admisión.
En una economía basada en el conocimiento, la investigación se convierte en el medio de producción. Este reconocimiento debería poner fin a cualquier idea errónea de que, como empresa habilitada para la IA, puede "salirse con la suya" sin realizar una investigación interna. Lo que los líderes tienden a perderse aquí es que el progreso científico que hemos logrado en AI no hace que la tecnología esté lista para cualquier entorno. Cada negocio tiene sus propios desafíos y requisitos únicos, desde tipos de datos propietarios hasta restricciones operativas y requisitos de cumplimiento, que pueden requerir personalización adicional y progreso científico.
Esto hace que la IA sea una actividad de alto rendimiento y alto riesgo. Seguir la investigación puede, en este momento, parecer un acto novedoso y audaz. Pero debería ser la norma. Existe una gran ventaja competitiva que proviene de poseer estas soluciones para su industria. Las empresas que invierten en investigación que adapta el aprendizaje automático a su industria generarán propiedad intelectual (IP) extremadamente valiosa.
Una forma de eliminar el riesgo de esta búsqueda es unir la investigación fundamental (ciencia pura) y las prácticas de investigación aplicada. La búsqueda científica es, por definición, abierta: puede continuar para siempre, superando fronteras y conquistando el conocimiento. (Esta es la razón por la cual las universidades nunca saldrán del negocio). La investigación aplicada, por otro lado, está diseñada para resolver problemas específicos del mundo real. Lo que los investigadores aplicados aportan a la mesa es saber cuándo dejar de investigar y concentrarse en brindar una solución. Cada práctica sirve para influir en la otra. Es un impulso simultáneo que es menos probable que termine sin recompensa.
Por ejemplo, una de las áreas en las que nos centramos en Borealis AI (el brazo de I + D de RBC) es el procesamiento del lenguaje natural (PNL), el campo de la IA que puede entender el lenguaje. Hasta ahora, la PNL ha demostrado ser la más poderosa para analizar y analizar los cuerpos de texto con el fin de extraer patrones significativos. Nuestro interés particular en este tipo de aprendizaje automático consiste en capacitar a la PNL en conjuntos de datos de noticias para predecir cómo los eventos globales pueden afectar las trayectorias de las empresas. El objetivo final es crear software que pueda dirigir a los analistas financieros en tiempo real hacia información relevante dentro de sus respectivas industrias.
Es importante tener en cuenta que el estado del arte en el aprendizaje automático no ha alcanzado el nivel en el que pueda resolver todos los aspectos de este problema. Los algoritmos de PNL se desempeñan mejor en entornos restringidos, como los sistemas de preguntas y respuestas, donde un usuario puede hacer preguntas a una computadora a partir de una lista finita de posibles consultas. Dado que la computadora sabe qué anticipar en lenguaje, el programa puede responder en consecuencia.
Pero cuando el objetivo es entender algo tan dinámico como las noticias y aplicar esa información a la relación entre las empresas y los eventos mundiales, se requiere la capacidad de contextualizar y luego hacer un seguimiento de la evolución de entidades muy complejas y dependientes del tiempo. Aquí es donde entra en juego el matrimonio entre la investigación fundamental y la aplicada. En nuestro caso, la investigación fundamental apunta a hacer avanzar la PNL a un lugar donde pueda realizar de manera independiente razonamientos basados en el lenguaje de alto nivel y comprender relaciones complejas al mismo nivel que los humanos. Nuestros investigadores aplicados luego aseguran que estas soluciones puedan aplicarse inmediatamente a los servicios financieros. Así es como construimos productos mientras empujamos los límites de la ciencia.
El último paso para construir una práctica de IA es crear el entorno adecuado. El mundo es la ostra proverbial de un investigador de IA en este momento. En una economía incierta, se encuentran entre los pocos raros cuyas oportunidades continúan siendo más fructíferas y se multiplican. Ofrecer a un talento potencial un espacio de trabajo dinámico, cómodo y único es un buen comienzo. También debe poder ofrecer conjuntos de datos convincentes y problemas interesantes para trabajar. También se requiere poder computacional y un equipo fuerte para proporcionar mentores de investigación. Pero la capacidad de perseguir la investigación impulsada por la curiosidad es el verdadero atractivo.
Cuando contrata personal académico, está invitando a un grupo de personas a su organización que provienen de una cultura muy específica. Comparten valores que se basan tanto en la ética de resolver problemas grandes y significativos como en la posibilidad de publicar los resultados de sus esfuerzos. Los investigadores se enorgullecen de las contribuciones que hacen, por lo que estos factores deben estar en su lugar. Esto se traduce en la reproducción de algunas de las condiciones de trabajo que han traído de la academia al tiempo que permite la transparencia de la colaboración y la publicación abierta que sirve para avanzar en su comunidad como un todo. Las empresas que trabajan en entornos cerrados deben reconsiderar ese enfoque. Si está operando en este campo, depende de usted probar sus credenciales y no al revés.
Operar un negocio en el momento de este cambio tecnológico es una oportunidad rara para aprovechar un punto de inflexión económica. Si bien aún no podemos predecir cómo cambiará el mercado, la prevalencia con la que la IA ya está incorporada en nuestras tecnologías centrales favorece la adopción temprana.
Sin embargo, a diferencia de la última revolución industrial, invertir en maquinaria grande no lo reducirá. Para tener un impacto real y seguir siendo relevante en el mercado, depende de los líderes ejecutivos construir el puente entre la investigación y la comercialización. Solo en esta vena colaborativa florecerá el verdadero impacto de AI.
Foteini Agrafioti es el Director Científico de RBC y Director de Borealis AI. Ella es responsable de la cartera de propiedad intelectual de RBC en los campos de inteligencia artificial y aprendizaje automático.
Investigación y desarrollo
Harvard Business Review
En el momento en que una nueva tecnología promocionada atraiga la atención general, muchas empresas se apresurarán a incorporarla a su empresa. La mayoría de estas tendencias se desvanecerán y desaparecerán para el cuarto trimestre. La inteligencia artificial (IA) es poco probable que sea uno de ellos.
AI es una serie transformadora de herramientas que puede acelerar la productividad, impulsar el conocimiento y abrir flujos de ingresos inexplorados. Está preparado para revolucionar la forma en que hacemos negocios y todos los que tienen un rol de liderazgo deberían pensar en ello.
Pero pocas organizaciones están configuradas para hacer IA correctamente.
Existe la idea errónea de que el cambio de marca como una empresa de inteligencia artificial es tan simple como tener datos, infraestructura y datos y análisis estándar. La realidad es que la IA es compleja, de alto riesgo, costosa y, a menudo, requiere una transformación empresarial significativa. Sin embargo, lo más importante es que requiere un grupo de talentos ultra especializados que, según los últimos informes, actualmente cuenta con solo 22,000 expertos de nivel de doctorado en todo el mundo, un grupo muy pequeño.
Cuando considera que las predicciones de valor de mercado anuales para las técnicas de IA oscilan entre $ 3.5 billones y $ 5.8 billones, queda claro por qué la batalla para reclutar de este grupo escaso se ha convertido en un desafío definitorio de la industria. En este momento, las compañías más grandes del mundo están recogiendo a estos expertos para poblar sus equipos porque entienden que la clave para construir una práctica robusta y exitosa de IA es encontrar y retener el talento adecuado.
Entonces, cuando el Royal Bank of Canada (RBC) se me acercó hace tres años para ayudarles a aumentar sus capacidades de inteligencia artificial, esto es lo que aconsejé: Para ir más allá de la ciencia de datos y hacer inteligencia artificial real, debe contratar a las personas adecuadas, emprender la investigación , y adaptar tu cultura.
En este momento, la IA es más una frontera abierta que un espacio compatible con la industria. Sus aplicaciones son lo suficientemente nuevas como para que los profesionales actuales de la IA aún no existan a escala. Esto hace que encontrar, retener y nutrir el talento sea el desafío más apremiante. Si desea esta capacidad en su organización, debe contratar a las personas con el equilibrio perfecto entre intuición de datos y conocimientos avanzados. Estas personas son casi todos los académicos.
Es imposible exagerar la importancia de este nivel de experiencia. Los modelos de aprendizaje automático se ejecutan en matemáticas, cuya sutileza requiere una profunda comprensión de los dominios de datos. Las tareas simples pueden ser desalentadoras para quienes no tienen la experiencia adecuada. Los errores en el espacio de aprendizaje de la máquina son extremadamente comunes, pero cuando se aplican a los negocios también pueden tener consecuencias en la vida real, hasta e incluyendo la vida y la muerte.
Aquí hay un ejemplo de libro de texto de lo fácil que pueden ocurrir estos errores. En 1973, la Universidad de California en Berkeley compiló sus cifras de ingreso a escuelas de posgrado y descubrió lo que parecía ser un sesgo significativo en contra de las mujeres solicitantes. Los números estaban allí en la página: el 44% de los solicitantes masculinos fueron admitidos en programas de posgrado, frente al 35% de las solicitantes femeninas.
Ante el temor de una demanda, los funcionarios escolares enviaron los datos a su departamento de estadísticas para un análisis más detallado. Un equipo dirigido por Peter Bickel, ahora profesor emérito de estadísticas de la escuela, fue capaz de descifrar las cifras al analizar los departamentos individuales. Cuando se analizaron de esta manera, los datos no proporcionaron evidencia de sesgo; el problema era que las mujeres solicitaban programas más difíciles y competitivos con tasas de ingreso más bajas que sus contrapartes masculinas. De hecho, las mujeres tenían tasas de ingreso ligeramente más altas que los hombres por departamento. (Esto no significa que no haya un sesgo de género en juego; simplemente significa que la evidencia que se estaba utilizando para alegar que el sesgo (menores tasas de ingreso para las mujeres) no era en sí una indicación de sesgo).
Los investigadores estarán familiarizados con este fenómeno, conocido como la paradoja de Simpson. Los desafíos del aprendizaje automático han aumentado significativamente en complejidad desde entonces y se requieren años de entrenamiento y experiencia para desarrollar una intuición bien afilada que pueda resolver estos problemas. En el caso de Berkeley, la administración tuvo acceso a un equipo interno de estadísticos de primer nivel. Pero es fácil ver cómo un análisis inexperto podría haber atado a la universidad en una batalla legal costosa y prolongada. En cambio, la universidad emergió con una comprensión más matizada de su proceso de admisión.
En una economía basada en el conocimiento, la investigación se convierte en el medio de producción. Este reconocimiento debería poner fin a cualquier idea errónea de que, como empresa habilitada para la IA, puede "salirse con la suya" sin realizar una investigación interna. Lo que los líderes tienden a perderse aquí es que el progreso científico que hemos logrado en AI no hace que la tecnología esté lista para cualquier entorno. Cada negocio tiene sus propios desafíos y requisitos únicos, desde tipos de datos propietarios hasta restricciones operativas y requisitos de cumplimiento, que pueden requerir personalización adicional y progreso científico.
Esto hace que la IA sea una actividad de alto rendimiento y alto riesgo. Seguir la investigación puede, en este momento, parecer un acto novedoso y audaz. Pero debería ser la norma. Existe una gran ventaja competitiva que proviene de poseer estas soluciones para su industria. Las empresas que invierten en investigación que adapta el aprendizaje automático a su industria generarán propiedad intelectual (IP) extremadamente valiosa.
Una forma de eliminar el riesgo de esta búsqueda es unir la investigación fundamental (ciencia pura) y las prácticas de investigación aplicada. La búsqueda científica es, por definición, abierta: puede continuar para siempre, superando fronteras y conquistando el conocimiento. (Esta es la razón por la cual las universidades nunca saldrán del negocio). La investigación aplicada, por otro lado, está diseñada para resolver problemas específicos del mundo real. Lo que los investigadores aplicados aportan a la mesa es saber cuándo dejar de investigar y concentrarse en brindar una solución. Cada práctica sirve para influir en la otra. Es un impulso simultáneo que es menos probable que termine sin recompensa.
Por ejemplo, una de las áreas en las que nos centramos en Borealis AI (el brazo de I + D de RBC) es el procesamiento del lenguaje natural (PNL), el campo de la IA que puede entender el lenguaje. Hasta ahora, la PNL ha demostrado ser la más poderosa para analizar y analizar los cuerpos de texto con el fin de extraer patrones significativos. Nuestro interés particular en este tipo de aprendizaje automático consiste en capacitar a la PNL en conjuntos de datos de noticias para predecir cómo los eventos globales pueden afectar las trayectorias de las empresas. El objetivo final es crear software que pueda dirigir a los analistas financieros en tiempo real hacia información relevante dentro de sus respectivas industrias.
Es importante tener en cuenta que el estado del arte en el aprendizaje automático no ha alcanzado el nivel en el que pueda resolver todos los aspectos de este problema. Los algoritmos de PNL se desempeñan mejor en entornos restringidos, como los sistemas de preguntas y respuestas, donde un usuario puede hacer preguntas a una computadora a partir de una lista finita de posibles consultas. Dado que la computadora sabe qué anticipar en lenguaje, el programa puede responder en consecuencia.
Pero cuando el objetivo es entender algo tan dinámico como las noticias y aplicar esa información a la relación entre las empresas y los eventos mundiales, se requiere la capacidad de contextualizar y luego hacer un seguimiento de la evolución de entidades muy complejas y dependientes del tiempo. Aquí es donde entra en juego el matrimonio entre la investigación fundamental y la aplicada. En nuestro caso, la investigación fundamental apunta a hacer avanzar la PNL a un lugar donde pueda realizar de manera independiente razonamientos basados en el lenguaje de alto nivel y comprender relaciones complejas al mismo nivel que los humanos. Nuestros investigadores aplicados luego aseguran que estas soluciones puedan aplicarse inmediatamente a los servicios financieros. Así es como construimos productos mientras empujamos los límites de la ciencia.
El último paso para construir una práctica de IA es crear el entorno adecuado. El mundo es la ostra proverbial de un investigador de IA en este momento. En una economía incierta, se encuentran entre los pocos raros cuyas oportunidades continúan siendo más fructíferas y se multiplican. Ofrecer a un talento potencial un espacio de trabajo dinámico, cómodo y único es un buen comienzo. También debe poder ofrecer conjuntos de datos convincentes y problemas interesantes para trabajar. También se requiere poder computacional y un equipo fuerte para proporcionar mentores de investigación. Pero la capacidad de perseguir la investigación impulsada por la curiosidad es el verdadero atractivo.
Cuando contrata personal académico, está invitando a un grupo de personas a su organización que provienen de una cultura muy específica. Comparten valores que se basan tanto en la ética de resolver problemas grandes y significativos como en la posibilidad de publicar los resultados de sus esfuerzos. Los investigadores se enorgullecen de las contribuciones que hacen, por lo que estos factores deben estar en su lugar. Esto se traduce en la reproducción de algunas de las condiciones de trabajo que han traído de la academia al tiempo que permite la transparencia de la colaboración y la publicación abierta que sirve para avanzar en su comunidad como un todo. Las empresas que trabajan en entornos cerrados deben reconsiderar ese enfoque. Si está operando en este campo, depende de usted probar sus credenciales y no al revés.
Operar un negocio en el momento de este cambio tecnológico es una oportunidad rara para aprovechar un punto de inflexión económica. Si bien aún no podemos predecir cómo cambiará el mercado, la prevalencia con la que la IA ya está incorporada en nuestras tecnologías centrales favorece la adopción temprana.
Sin embargo, a diferencia de la última revolución industrial, invertir en maquinaria grande no lo reducirá. Para tener un impacto real y seguir siendo relevante en el mercado, depende de los líderes ejecutivos construir el puente entre la investigación y la comercialización. Solo en esta vena colaborativa florecerá el verdadero impacto de AI.
Foteini Agrafioti es el Director Científico de RBC y Director de Borealis AI. Ella es responsable de la cartera de propiedad intelectual de RBC en los campos de inteligencia artificial y aprendizaje automático.
No hay comentarios:
Publicar un comentario