Doxa 1786

Nuevas Tecnologías Llegan a Clusters. ¿Qué Significa Eso para la IA?

Por Thomas C. Redman

Tecnología y Análisis

Harvard Business Review

#Doxa #tecnología #clusters #IA #analisis #competitiva #energia #sistemas #GenaI #líderes #calidad #datos #trabajo #organizacional #proyectos #ventaja #gestión

Resumen. Históricamente, la tecnología llega en clusters. Con la electrificación llegaron dinamos, generadores, engranajes de conmutación y sistema de distribución de energía. Con la imprenta llegaron las tecnologías para hacer grandes cantidades de papel y tinta baratos. Mirar estos grupos pasados puede ayudarnos a comprender el momento en que estamos ahora, y cómo sería realmente el futuro de la IA —, especialmente GenaI —. Por ahora, los líderes deben evaluar el estado de la calidad de sus datos y trabajar para desarrollar músculo organizacional para completar proyectos de datos. También deben buscar datos propietarios que posean, lo que puede darles una ventaja competitiva y reforzar sus capacidades de gestión de cambios.

El potencial — y hype — que rodea el aprendizaje automático, la inteligencia artificial y especialmente la IA generativa está en todas partes. Algunos predicen un conjunto completo de “ esto cambia todo” avanza en todas las industrias, para todas las profesiones y para las personas en sus vidas públicas y privadas. Esta tecnología es inigualable en el reconocimiento de patrones en los datos, y sus defensores argumentan que tiene el potencial de ser un enorme laboratorio de investigación que nunca deja de funcionar, un éxito de paradigma que desbloquea la creatividad humana, un acelerador para el ingenio humano y una ventana a la realidad que actualmente está fuera de su alcance. Sundar Pichai, de Google, compara su potencial para disparar y electricidad.

Yo también estoy genuinamente emocionado, aunque algo más reservado. Hoy, la IA ofrece oportunidades para mejorar la productividad, que ha permaneció plano durante mucho tiempo, y para abordar problemas hasta ahora intratables, como la búsqueda de medicamentos resistentes a los antibióticos, la comprensión de cómo se pliegan las proteínas y la búsqueda de materiales con las propiedades necesarias para construir mejores baterías. Éxitos impresionantes que van desde Motor de recomendación de Amazon, al diseño de Callaway Golfis de sus conductores de próxima generación, a los esfuerzos de PepsiCoals para fabricar cheetos Más consistentes ayuda a justificar la emoción.

Pero también creo que el progreso llevará más tiempo y será mucho más difícil de lo que la mayoría espera, especialmente en entornos comerciales. Como explica Iicill, el éxito con la IA exige esfuerzos concertados que se extiendan mucho más allá de la tecnología. Por lo tanto, exigen el compromiso total del liderazgo más importante de una empresa.

Es importante tener en cuenta que la IA ha generado una emoción considerable en el pasado, sofocada por AI inviernos a mediados de la década de 1970 y principios de la década de 1990. Y hace apenas tres años, en 2020, El Economista notado ese “Otro invierno en toda regla es poco probable. Pero una brisa otoñal está recogiendo.” Como ejemplo, los automóviles autónomos se beneficiaron de una inversión considerable, y siempre parecen serlo “a la vuelta de la esquina,” pero están más probablemente a décadas de distancia. Además, durante la pandemia, cuando las ideas eran una prima, ninguno de los cientos de Herramientas de IA creadas para atrapar a Covid han pasado la reunión. De hecho, la tasa de fracaso de los proyectos de IA parece ser norte del 80%. Finalmente, un estudio reciente realizado por investigadores de Meta (anteriormente Facebook) en condiciones controladas sugiere que los modelos de idiomas grandes no obtienen los hechos correctos dos tercios del tiempo.

Aún así, estoy menos preocupado por la tecnología per se y más preocupado por los otros avances que deben acompañar a la IA. Porque la historia sugiere que se necesita una amplia gama de tecnologías relacionadas, innovaciones organizativas y adaptaciones entre las nuevas tecnologías y la sociedad para que florezca cualquier nueva tecnología. Iicill utiliza la electrificación y la imprenta para ilustrar estos puntos, luego explora cómo se aplican a la IA.

Como el economista político austriaco Joseph Schumpeter señalado, las tecnologías exitosas tienden a llegar en grupos. Con la electrificación llegaron dinamos, generadores, engranajes de conmutación y sistemas de distribución de energía. Con la imprenta llegaron las tecnologías para hacer grandes cantidades de papel y tinta baratos. Y, aunque no era una tecnología per se, se necesitaban nuevos materiales que no fueran la Biblia y otros clásicos para alimentar la demanda de materiales impresos.

Un solo componente faltante puede impedir la adopción de la nueva tecnología. Hoy, por ejemplo, la falta de suficientes estaciones de carga rápida es ralentizar el avance de los coches eléctricos.

A continuación, las nuevas tecnologías requieren nuevas capacidades organizativas. Si bien los beneficios de la electricidad y los motores eléctricos eran fáciles de ver, requerían que las fábricas fueran rediseñadas. Se necesitaron 40 años de aprendizaje, experimentación e inversión a lo largo de múltiples frentes para electrificar completamente la fábrica. Del mismo modo, tomó tanto tiempo para que surgiera una industria editorial, que ayudó a igualar la oferta, la demanda y el precio.

Tarde o temprano, las nuevas tecnologías y sociedades deben llegar a acomodarse entre sí. ¡Al principio, la electricidad era peligrosa — tocar por error un cable vivo podría resultar fatal! Con el tiempo, los enchufes y enchufes estándar ayudaron a aliviar esa preocupación. Pocas personas podían leer cuando se inventó la imprenta. Pero a medida que las sociedades se volvieron cada vez más alfabetizadas, los beneficios de la imprenta crecieron. Mirar estos grupos pasados puede ayudarnos a comprender el momento en que nos encontramos ahora, y cómo podría ser realmente el futuro de la IA.

Barreras a la adopción de la IA

Cada una de estas áreas presenta barreras formidables para la adopción generalizada de la IA. (Al usar el término inteligencia artificial o IA, estoy lanzando una amplia red, que incluye aprendizaje automático, aprendizaje profundo, visión por computadora, procesamiento de lenguaje natural, robótica, sistemas expertos, lógica difusa, etc, y otras áreas de tareas típicamente asociadas con la inteligencia humana.)

Primero, considere las tecnologías relacionadas con la IA. Los dos más importantes son la potencia informática masiva y grandes cantidades de datos de alta calidad. Los modelos cada vez más sofisticados requieren más potencia de cómputo, que, como lo predice la Ley de Mooreoa, parece estar creciendo a buen ritmo. Probablemente no lo suficientemente rápido para aquellos en el borde de ataque, pero mucho más rápido para la mayoría de los usos comerciales.

La situación es más compleja cuando se trata de “ grandes cantidades de datos de alta calidad. ” Al enseñar a una IA a jugar ajedrez, por ejemplo, los investigadores proporcionaron al algoritmo las reglas y le dieron instrucciones para jugar contra sí mismo, obviando problemas de calidad del mundo real. En contraste, la mala calidad de los datos hundió el Watson de IBM entrada inicial en la atención médica. Para subrayar aún más la importancia de los datos de alta calidad, los investigadores generalmente reconocen que los modelos de IA de hoy en día no serían posibles sin los datos altamente confiables y altamente curados raspado de Wikipedia.

Todo esto es lógico: Incluso una tecnología tan notable como la IA puede producir resultados no mejores que sus entradas. Y en la mayoría de los entornos comerciales, problemas de calidad se parecen a Watson mucho más de cerca que las circunstancias prístinas del ajedrez. El requisitos de calidad para la capacitación, la actualización y el funcionamiento, los modelos de IA son amplios, profundos y, en algunos casos, poco conocidos. Por ejemplo, aunque parece que el chatbot de Microsoft Tay estaba bien entrenado en el discurso normal, el contenido generado por el usuario rápidamente le enseñó a imitar el discurso de odio.

Exacerbando esto, muchas empresas’ arquitecturas de datos y sistemas son cada vez más desordenadas y caóticas. Esto hace que poner los datos en forma para aplicar las herramientas de IA sea mucho más difícil, agravando los problemas de calidad.

Me parece paradójica esta situación. Como mejor puedo decir, todos los involucrados entienden la importancia de los datos de alta calidad. Algunos profesionales admiten en privado que los datos son la parte más importante de cualquier proyecto de IA. Pero las empresas ni siquiera han puesto a alguien a cargo, no importa resolver el programa completo que necesitarán para asegurarse de que tienen los datos de alta calidad que necesitan. Quizás, como investigadores de Google nota, “Todo el mundo quiere hacer el trabajo del modelo, no los datos work.” Pero hasta que se realice el trabajo de datos, es difícil ver que surjan buenos modelos y que la IA tenga éxito.

Ahora considere los problemas asociados con las capacidades organizativas necesarias para poner la IA a trabajar. Estos pueden resultar tan difíciles como los problemas de calidad. Encuentro la penetración de técnicas analíticas básicas, aunque poderosas, ampliamente instructivas aquí porque tanto ella como la IA dependen en gran medida de los datos. Tales herramientas han existido durante al menos dos generaciones.

Pero aparte de los informes básicos, la mayoría de las organizaciones todavía no los usan mucho o bien. Y estas herramientas son mucho más fáciles de entender que los modelos de IA. La desafortunada realidad es que el análisis está atornillado, en lugar de integrado, a las organizaciones, prácticamente garantizando una lucha perpetua por la relevancia. Es difícil ver un futuro brillante para la IA hasta que se resuelva este problema estructural.

El segundo gran problema organizativo es que los empleados resisten las innovaciones que amenazan sus trabajos. Y si bien la IA puede reducir el trabajo pesado en el trabajo, hacer que los empleados sean más productivos y conducir a un crecimiento en el empleo, la mayoría tiene razón en preocuparse. Después de todo, un trabajo pesado no supera a ningún trabajo cuando ayuda a alimentar a una familia. Entonces, ¿cómo trabajarán juntos los empleados y la IA? ¿Debería esperarse que los empleados ayuden a crear una IA que los reemplace? ¿Para explicar y / o limpiar los datos de capacitación? En situaciones donde la IA los reemplaza, ¿cómo deberían ser compensados? En situaciones en las que la IA hace que las personas sean más efectivas y/o eficientes, ¿deberían las personas recibir una mayor compensación? No hay respuestas fáciles.

Un último punto sobre el personal. Incluso cuando la IA generativa es fácil de usar, desarrollar e implementar la mayoría de la IA requiere los mejores talentos. Sin embargo, demasiados científicos de datos sienten que sus talentos se desperdician. Como dijo un veterano, “Encuentro que la mayoría de los científicos de datos están increíblemente frustrados porque no están teniendo mucho impacto.” ¡No es ninguna sorpresa! Encontrar algo novedoso que la empresa realmente use e implementar un modelo en la práctica es increíblemente difícil. Peor aún es lidiar con la burocracia, los problemas de calidad y los temores de los afectados por su trabajo. Las empresas que esperan atraer y retener a los mejores talentos deben abordar estas frustraciones.

Tercero, y por último, considere los problemas de humanos/sociedad e IA que se acomodan entre sí. Como se señaló anteriormente, algunos creen que la IA elevará a la humanidad, mientras que otros creen que la IA amenaza a la civilización. Entonces, estos problemas ya están generando una enorme atención, aunque hasta ahora poco acuerdo, a nivel nacional e internacional. Aunque solo unas pocas empresas tendrán mucha influencia en esos niveles, la mayoría descubrirá que tienen que tomar una posición sobre algunas, como:

• ¿Cuáles son los estándares con los que las empresas deben comparar sus IA? Existen numerosos informes de muertes causadas por automóviles sin conductor. Pero las personas están lejos de ser conductores perfectos y sus errores también matan a muchas personas. ¿Es el objetivo “accidentes cero” o “menos accidentes”?
• ¿Deberían las empresas compensar a las personas por proporcionar sus datos? ¿Deberían pagar más por los datos garantizados correctamente?
• ¿Cómo deberían los problemas de seguridad nacional, como la competencia entre Estados Unidos y China, afectar los planes de companies’?
• AI es muy parecido a un “black box” — no da buenas explicaciones de las formas en que llegó a sus conclusiones. Por lo tanto, las empresas deben comenzar a pensar en cómo abordarán preguntas legítimas como “¿Por qué negó mi préstamo?”

¿Qué hacer?

Este es probablemente un buen momento para hacer un balance. ¿Su empresa está adoptando plenamente los datos, la organización y los desafíos sociales que la IA requiere y su liderazgo senior está totalmente comprometido? Si es así, ha aumentado sus posibilidades de éxito. ¡Buena suerte!

O, ¿la gran mayoría de su trabajo se centra en la tecnología, tal vez dirigida por su director de análisis y/o su grupo de tecnología? Si es así, pregúntese si está preparado para la gama completa de trabajo sobre los datos, la organización y los problemas de la sociedad/personas necesarios para obtener resultados comerciales significativos. Si no, es mejor mantener su polvo seco. Si es así, el trabajo realmente duro e importante aún está por venir. Simplemente debe invertir su liderazgo más alto en el esfuerzo. No hay un script establecido para hacerlo.

También debe comenzar a trabajar en los datos y los problemas organizacionales descritos anteriormente. Recomiendo dos pasos para ayudarlo a comenzar:

• Para la calidad de los datos, realice algunas mediciones para que sepa dónde se encuentra. Entonces haz algunas mejoras al encontrar y eliminar las causas raíz del error.
• Para construir el músculo organizacional que necesita, completar varios proyectos de “datos pequeños,” involucrando a equipos de personas enfocados en mejorar sus propios procesos de trabajo.

También recomiendo dos pasos más, anticipando una decisión de lanzarse de cabeza al esfuerzo:

• Recorre la compañía en busca de datos patentados, cosas que tienes que otros no pueden igualar. Esto es importante porque es poco probable que cree una ventaja sostenida con datos a los que también pueden acceder sus competidores.
• Fortalezca sus capacidades de gestión de cambios. No importa lo que funcione mejor, poner a la IA a trabajar requerirá un cambio masivo. Comience a construir la ayuda profesional que necesitará.

La IA no es fácil

La exageración que rodea a la IA hace que parezca mucho más fácil de lo que es. ¡No te atrapen! Es fácil “play” en el sandbox de IA. Pero en realidad hacer que valga la pena, a escala, en toda la empresa requiere un trabajo serio, de arriba a abajo y en toda la empresa. La tecnología es casi seguramente el más manejable de los esfuerzos requeridos. También necesita datos de alta calidad y algunos cambios organizativos difíciles, todo en un contexto de aceptación social. ¡La IA es solo para aquellos en ella a largo plazo!

Lea más sobre Tecnología y análisis o temas relacionados IA y aprendizaje automático, Análisis y ciencia de datos y Gestión de datos

Thomas C. Redman, “the Data Doc,” es presidente de Soluciones de Calidad de Datos. Ayuda a las empresas y a las personas a trazar sus cursos hacia futuros basados en datos con especial énfasis en la calidad, el análisis y las capacidades organizativas. Su último libro, Personas y Datos: Unirse para Transformar su Organización (Kogan Page) fue publicado el verano de 2023.