Las 10 Tecnologías de Artificial Intelligence (AI) que determinarán 2018

14-ago-2017

La inteligencia artificial está cambiando la manera en que pensamos sobre la tecnología. Está cambiando radicalmente los diversos aspectos de nuestra vida diaria. Las empresas ahora están haciendo importantes inversiones en IA para impulsar sus negocios futuros.

Según un informe de Narrative Science , solo el 38% de las encuestas de las empresas usaron inteligencia artificial en 2016, pero para 2018, este porcentaje aumentará al 62%.

Otro estudio realizado por Forrester Research predijo un aumento de 300% en la inversión en IA este año (2017), en comparación con el año pasado.

IDC estimó que el mercado de IA crecerá de $ 8 mil millones en 2016 a más de $ 47 mil millones en 2020. "Inteligencia artificial" hoy incluye una variedad de tecnologías y herramientas, algunas probadas en el tiempo, otras relativamente nuevas.

Estas son las 10 tecnologías de inteligencia artificial más revolucionarias que regirán en 2018.

1. Generación de lenguaje natural

Decir (o escribir) las palabras correctas en la secuencia correcta para transmitir un mensaje claro que pueda ser fácilmente entendido por el oyente (o lector) puede ser un asunto complicado. Para una máquina, que procesa la información de una manera completamente diferente a la del cerebro humano, puede ser aún más complicado.

La solución de este problema ha sido el enfoque clave del floreciente campo de Natural Language Generation (NLG) durante años más allá del conteo. La generación de lenguaje natural, un campo que ha dado grandes pasos últimamente, ha comenzado a manifestarse en muchas áreas de nuestras vidas. Actualmente se está utilizando en el servicio al cliente para generar informes y resúmenes de mercado.

Sample vendors: Attivio, Automated Insights, Cambridge Semantics, Digital Reasoning, Lucidworks, Narrative Science, SAS, Yseop.

2. Reconocimiento de voz

Transcriba y transforme el habla humana en un formato útil para aplicaciones informáticas. Actualmente se usa en sistemas interactivos de respuesta de voz y aplicaciones móviles. Cada día, más y más sistemas incorporan la transcripción y transformación del lenguaje humano en formatos útiles para computadoras.

Las compañías que ofrecen servicios de reconocimiento de voz incluyen NICE, Nuance Communications, OpenText y Verint Systems.

3. Plataformas de aprendizaje automático

En estos días, las computadoras también pueden aprender, ¡y pueden ser increíblemente inteligentes!

El aprendizaje automático es una subdisciplina de la informática y una rama de la inteligencia artificial. Su objetivo es desarrollar técnicas que permitan que las computadoras aprendan.

Al proporcionar algoritmos, API (interfaz de programación de aplicaciones), herramientas de desarrollo y capacitación, big data, aplicaciones y otras máquinas, las plataformas de aprendizaje automático están ganando cada vez más tracción cada día.

Actualmente están siendo utilizados en diversas actividades comerciales, principalmente para predicción o clasificación. Las empresas centradas en el aprendizaje automático incluyen Amazon, Fractal Analytics, Google, H2O.ai, Microsoft, SAS, Skytree.

4. Agentes virtuales

No se puede negar que los agentes virtuales, o "bots de chat" (o simplemente, bots), están experimentando un gran resurgimiento de interés y, junto con eso, un rápido avance en innovación y tecnología.

Actualmente utilizado en servicio al cliente y soporte y como administrador de casa inteligente. Algunas de las compañías que ofrecen agentes virtuales incluyen Amazon, Apple, Soluciones Artificiales, Assist AI, Creative Virtual, Google, IBM, IPsoft, Microsoft, Satisfi.

5. Gestión de decisiones

Las máquinas inteligentes son capaces de introducir reglas y lógica a los sistemas de inteligencia artificial y se pueden utilizar para la configuración / entrenamiento inicial, el mantenimiento continuo y el ajuste.

Se utiliza en una amplia variedad de aplicaciones empresariales, asistiendo o realizando decisiones automatizadas. Algunas de las compañías que ofrecen esto son Conceptos avanzados de sistemas, Informatica, Maana, Pegasystems, UiPath.

6. Hardware optimizado para IA

Las empresas están invirtiendo mucho en ML / AI con diseños de hardware destinados a acelerar en gran medida la próxima generación de aplicaciones. Unidades de procesamiento de gráficos (GPU) y dispositivos específicamente diseñados y diseñados para ejecutar trabajos computacionales orientados a AI de forma eficiente.

Algunas de las compañías enfocadas en el hardware optimizado para AI incluyen Alluviate, Cray, Google, IBM, Intel, Nvidia.

7. Plataformas de aprendizaje profundo

El aprendizaje profundo es el campo de más rápido crecimiento y la nueva gran tendencia en el aprendizaje automático. Un conjunto de algoritmos que usan redes neuronales artificiales para aprender en niveles múltiples, correspondientes a diferentes niveles de abstracción.

Algunas de las aplicaciones del aprendizaje profundo son reconocimiento de voz automático, reconocimiento de imágenes / reconocimiento de caracteres ópticos, PNL y clasificación / agrupamiento / predicción de casi cualquier entidad que pueda ser detectada y digitalizada.

Los proveedores y proveedores de servicios de plataformas de aprendizaje profundo incluyen Deep Instinct, Ersatz Labs, Fluid AI, MathWorks, Peltarion, Saffron Technology, Sentient Technologies.

8. Automatización de procesos robótica

La automatización de procesos robóticos es posible gracias a los scripts y métodos que imitan y automatizan tareas humanas para admitir procesos corporativos. Ahora se usa en situaciones especiales en las que es demasiado costoso o ineficiente contratar humanos para un trabajo o tarea específica.

Debemos recordar que la inteligencia artificial no está destinada a reemplazar a los humanos, sino a complementar sus habilidades y reforzar el talento humano.

Algunas de las compañías que se enfocaron en esto incluyen conceptos de sistemas avanzados, Automation Anywhere, Blue Prism, UiPath, WorkFusion.

9. Text Analytics y NLP

El procesamiento del lenguaje natural (NLP) se refiere a las interacciones entre las computadoras y los lenguajes humanos (naturales). Esta tecnología utiliza el análisis de texto para comprender la estructura de las oraciones, así como su significado e intención, a través de métodos estadísticos y aprendizaje automático.

También están siendo utilizados por una gran variedad de asistentes automáticos y aplicaciones para extraer datos no estructurados.

Some of the services providers and suppliers of these technologies include Basis Technology, Coveo, Expert System, Indico, Knime, Lexalytics, Linguamatics, Mindbreeze, Sinequa, Stratifyd and Synapsify.

10. Biometría

Esta tecnología se ocupa de la identificación, medición y análisis de los aspectos físicos de la estructura y la forma del cuerpo y el comportamiento humano.

Permite interacciones más naturales entre los seres humanos y las máquinas, incluidas las interacciones relacionadas con el reconocimiento táctil, de imágenes, del habla y del lenguaje corporal.

Actualmente, esta tecnología se utiliza principalmente para estudios de mercado. Los proveedores de estas tecnologías incluyen 3VR, Affectiva, Agnitio, FaceFirst, Sensorial, Synqera y Tahzoo.

Fuente: Knowstartup

¿Cuál es el mercado esperado para el mercado de plataforma de inteligencia digital en los próximos años?

Bijju MathewLinkedIn, 26-12-2017

Se prevé que el mercado global de inteligencia digital crezca de USD 5.65 mil millones en 2017 a USD 13.96 mil millones para el año 2022, a una Tasa de crecimiento anual compuesta (CAGR) del 19.8% de 2017 a 2022. Los factores que impulsan el mercado de la plataforma de inteligencia digital incluyen una mayor adopción de plataformas de inteligencia digital para la diferenciación competitiva y actividades de retención de clientes, un mayor enfoque en el análisis y personalización de redes sociales y la necesidad de optimizar las experiencias digitales en todos los puntos de contacto.

El mercado de la plataforma de inteligencia digital se ha estudiado para América del Norte, Europa, Asia Pacífico, Medio Oriente y África y América Latina. Se espera que el mercado de la plataforma de inteligencia digital en la región de Asia Pacífico crezca al mayor CAGR durante el período de pronóstico. Esto se puede atribuir al rápido crecimiento en la adopción de teléfonos inteligentes y al aumento del comercio electrónico y el m-commerce en la región. El móvil, las redes sociales y la web son los tres principales puntos de contacto en la región de Asia Pacífico. Ha habido un aumento en las compras móviles en línea y el uso de las redes sociales en esta región. Por lo tanto, las organizaciones en esta región se están enfocando en aumentar la experiencia del cliente a través de puntos de contacto móviles y redes sociales.

Los principales actores en el mercado de la inteligencia digital son Adobe Systems (EE. UU.), IBM (EE. UU.), SAS Institute (EE. UU.), Evergage (EE. UU.), Google (EE. UU.), Mixpanel (EE. UU.), Optimizely (EE. UU.), Webtrekk (Alemania), New Relic (EE. UU.), Localytics (EE. UU.) Y Cxense (Noruega). Estas compañías están adoptando diferentes estrategias de crecimiento tales como lanzamientos de nuevos productos, asociaciones, colaboraciones, fusiones y adquisiciones, y expansiones comerciales para aumentar su participación en el mercado.

Las 10 excusas más tontas para no transformar digitalmente la Administración

Víctor Almonacid, 8 diciembre, 2017

Excusas o pretextos hay muchos, pero tras una meticulosa selección hemos identificado los 10 más desgarradores. Bienvenidos al maravilloso mundo de la resistencia al cambio.

pretexto.

(Del lat. praetextus).

1. m. Motivo o causa simulada o aparente que se alega para hacer algo o para excusarse de no haberlo ejecutado (Fuente: RAE)

1.- No veo que sea necesario. La miopía social (incluso por encima de la legal) es el mayor pecado de un cargo público. Alguna vez hemos hablado de burrocracia e ignocracia (ver). La legitimación democrática es sin duda lo más importante, pero cuando por hache o por be, se cuela en la cúspide de lo público una persona especialmente necia o desinformada (curiosamente no suele ser tanto vía elecciones como vía nombramientos), hace mucho daño aunque no tenga exactamente mala fe. También es cierto que una cosa es no saber y otra no querer saber, lo cual es mucho más criticable porque implica no dedicar ni un minuto a quien con mucho gusto te lo quiere explicar. No todo el mundo ha tenido la suerte de estudiar, pero el sentido común, incluso la sabiduría, camina por otro conducto.

2.- Peligra la legalidad y la seguridad jurídica. Cuanto menos resulta paradójico que cumpliendo la legalidad (Ley de procedimiento, Ley de transparencia, Ley de régimen jurídico, ENS, ENI…) peligre la legalidad. Más allá de esta enorme contradicción, lo cierto es que la administración electrónica es mucho más legal y transparente. E infinitamente más eficiente.

3.- Peligra la LOPD. ¿Ah sí? ¿Qué artículo? Para apelar a la LOPD digo yo que habría que sabérsela ¿no?

“Vaya a la ventanilla de al lado, pero está almorzando”… Fotograma de “Las doce pruebas de Astérix”, donde la prueba más dura que tienen que afrontar nuestros amigos para demostrar a César que son Dioses es lidiar con los funcionarios de “La casa que enloquece”. Genial.

 

4.- La administración electrónica va en contra de la gente mayor. ¿Por qué? La administración electrónica no supone la sustitución de una administración por otra, o mejor dicho, sí, pero solo internamente. Desde luego que la administración debe ser íntegramente electrónica pero el ciudadano, ese que paga sus impuestos, puede elegir entre serlo y no serlo. Tenga la edad que tenga. Alguno se sorprendería del enorme uso de los medios electrónicos en la franja de la tercera edad. Hay miles de cursos de informática a nivel de usuario para personas mayores, y les aseguro que son mayores, no tontos, de modo que “controlan”. Y si no siempre se le puede encargar al nieto una gestión… En definitiva, el ciudadano puede optar por relacionarse con la administración por medios electrónicos o, si así lo desea, del modo tradicional. La eAdministración es una puerta más que se abre, pero no se cierra ninguna. No se discrimina a nadie. Precisamente las administraciones más modernas tienen a disposición del público oficinas de atención ciudadana de mayor calidad. La catalogación y la automatización interna de los procesos lo facilita, pero el ciudadano, hoy en 2017 y dentro de 50 años en 2067, que haga lo que quiera.

5.- La administración electrónica es cara. Mentira y de las gordas. No es cara aunque sí tiene un coste que, por definición, se amortiza rápidamente. La organización debe destinar recursos propios y, sobre todo si es pequeña, subvenciones, para cumplir sus obligaciones legales y sociales en la efectividad de los derechos electrónicos de los ciudadanos. Una vez implantados, los servicios electrónicos propician de forma natural una reducción de cargas administrativas para el usuario, y una reducción de costes para la propia Administración que se traducen en un menor gasto e incluso en mayores ingresos. Retorno de la inversión (RCA -> ROI). Pronto la administración electrónica “estará pagada”, y si alguien no se lo cree que pregunte en Picanya, Alzira o Catarroja…

6.- Muchos ayuntamientos pequeños no pueden abordarlo, por falta de medios. Decía la Ley 11/2007 que si el 31 de diciembre de 2009 no había “disponibilidades presupuestarias” la implantación de la Ley se podía demorar. ¿Cuánto tiempo? De momento ya han pasado 10 años desde aquella Ley, ya derogada por otra que impone con mucha mayor contundencia estas obligaciones (en 2015), precedida de otra que atribuye la competencia a las Diputaciones Provinciales (2013). Ante la ausencia de medios pidamos ayuda, porque las administraciones supramunicipales deben darla. No está nada mal, tampoco, el Catálogo de Servicios de la Administración Digital del Estado. Lo que es cierto es que la gestión interna del cambio es algo que nadie hará por usted (ver el vídeo que remata la presente entrada). Un Ayuntamiento pequeño tiene menos recursos, claro está, pero en la parte positiva tiene menos expedientes y mucha menor complejidad. La administración electrónica es barata, y además como hemos dicho se amortiza rápidamente. Muchas veces confundimos el “no poder” con el “no querer”. La administración electrónica tiene enemigos de mucho mayor calado que el coste de la inversión.

7.- La firma electrónica no es una firma. No, y el caballo blanco de Santiago no es blanco… ni caballo, ni nada vamos. Ni siquiera es de Santiago, Santiago lo ha robado. En fin, esta es una de mis preferidas, esgrimida en no pocas ocasiones por “juristas de desconocido prestigio”.

8.- La fe pública no se puede ejercer con la firma electrónica, porque no permite el “ante mí”. ¿Les digo un secreto? En realidad nunca hicimos el “ante mí”. Simplemente viajaba el papel de una mesa a otra, de un edificio a otro… Hay que replantearse seriamente, en las profesiones de Notario y Secretario de Ayuntamiento, la función de fe pública. En los Ayuntamientos actualmente quien da fe de que el Alcalde es el Alcalde en la firma de un decreto es su propia firma electrónica reconocida. Por otra parte el Secretario ya no interviene ni en las mal llamadas compulsas electrónicas (en realidad “copias auténticas”) ni en los certificados de empadronamiento. Sí nos quedan las actas, los contratos y algún poso más de lo que algún día fue esa fe. Nos guste o no, la fe pública, la fehaciencia, ahora la ejercen esencialmente instrumentos como el certificado de firma, el sello de órgano, el timestamping, o el blockchain. No sé cuánto le queda a la Administración de ser el ente autorizado para emitir certificados.

9.- Ya no nos podemos equivocar. Es mucho más difícil rectificar. El procedimiento electrónico no permite sacar un decreto con fecha anterior a la de su emisión/firma, o completar un expediente cerrado con un documento que nos faltaba. Empezando por lo segundo no, no lo permite porque eso no se puede hacer. Antes tampoco se podía hacer, pero el papel, que todo lo aguanta, sí lo permitía. Tampoco ya se pueden “sacar de la chistera” en marzo Resoluciones con fecha 31 de diciembre, para que operen con cargo al ejercicio presupuestario anterior. Hacíamos muchas trampas que el programita y la firma electrónica ya “no te permiten” hacer. Es lo que tiene la administración electrónica: saca las vergüenzas de lo que siempre hicimos mal. En cuanto a lo de no equivocarse, dicen que errar es humano, pero si el cambio sirve para fijarse un poco más cuando hacemos el famoso “copiar y pegar”, bienvenido sea. Y sí, siempre se puede rectificar.

10.- La gente no utiliza las Nuevas Tecnologías. Nooooo, qué va…

 https://www.youtube.com/watch?v=Q-W3OZOWbBI&t=27s

MIT: Las cuatro olas de inteligencia artificial que caerán sobre la sociedad

MIT Technology Review

• por Will Knight | traducido por Teresa Woods
 
• 10 Noviembre, 2017

El antiguo responsable de investigación de Google en China Kai-Fu Lee cree que el impacto de la tecnología se estructurará en cuatro grandes olas de cambio y advierte de que la destrucción de empleos, sobre todo en el trabajo de oficina, es inminente e irreversible.

Kai-Fu Lee es uno de los tecnólogos e inversores más conocidos de China. Y en su opinión, la inteligencia artificial (IA) está a punto de suplantar a muchos millones de trabajadores de oficina de su país. "Este reemplazo ya se está produciendo, y está generando una verdadera y completa aniquilación", afirmó la semana pasada en una conferencia celebrada en el Instituto Tecnológico de Massachusetts (MIT, EEUU). El experto añadió: "En mi opinión, la fuerza laboral de cuello blanco [trabajadores de oficina de nivel medio y alto] es la más amenazada, el riesgo para el trabajo del cuello azul [personal técnico de rango bajo] llegará más tarde".

Lee destacó varias inversiones de su empresa, Sinovation Ventures, como claras señales de que la inteligencia artificial ya está transformando el trabajo de oficina rutinario. Por ejemplo, Lee ha respaldado a Smart Finance Group, una empresa que emplea el aprendizaje automático para determinar la elegibilidad de una persona para un préstamo. Sinovation Ventures también ha invertido en empresas que automatizan el servicio al cliente, formación y otros servicios de oficina rutinarios.

Hay muchas razones para hacer caso a la advertencia de Lee.Antes de convertirse en inversor, creó el laboratorio de investigación de Microsoft en China y se convirtió en presidente fundador de Google China en 2009. En la década de 1980, realizó un innovador trabajo técnico en la Universidad de Carnegie Mellon (EEUU) sobre reconocimiento de voz mediante el aprendizaje automático.

En su papel de inversor de capital riesgo, quizás tenga un fuerte incentivo para hacer hincapié en el probable impacto de la inteligencia artificial. Pero su punto de vista sobre China también es importante, dada la enorme inversión que su Gobierno está haciendo en la inteligencia artificial y el potencial de las industrias jóvenes para transformar la economía (ver  China despierta al dragón de la inteligencia artificial 中国 人工智能 的 崛起).

Lee identificó cuatro olas de inteligencia artificial distintas pero no secuenciales. La primera está siendo impulsada por la disponibilidad de grandes cantidades de datos etiquetados. Las grandes empresas de internet, tanto en China como en EEUU, ya se han aprovechado de ello para ganar ventaja en la construcción de sus negocios y en la consolidación de la experiencia en inteligencia artificial.

La segunda ola, la más relevante para la revolución laboral prevista por Lee, se basa en la disponibilidad de datos de las propias compañías, especialmente en industrias como el derecho y la contabilidad. Los bufetes de abogados podrían necesitar menos asistentes legales, por ejemplo, si las máquinas fuesen capaces de buscar rápida y eficientemente entre miles de documentos durante la investigación de un caso.

Una tercera ola depende de las compañías que generan datos a través de nuevos productos o aplicaciones. Y la cuarta ola, aún algo lejana, sería la de los servicios totalmente automatizados, como vehículos autónomos y ayudantes robóticos.

El discurso de Lee continúa: "La IA aplicada a diferentes sectores y convertida en productos generará un valor inmenso. Para cualquier inversor de capital de riesgo o gran empresa que quiera aprovechar estas tecnologías, esta es la era abierta de la inteligencia artificial".

En la conferencia, llamada IA y el Futuro del Trabajo, había una sensación de que el mundo de la tecnología debe prepararse para lo peor. Cuando comenzó el evento, por ejemplo, el presidente del MIT, Rafael Reif, afirmó que los recientes desarrollos tecnológicos tienen el potencial de afectar profundamente a la sociedad.

Sin embargo, la conferencia también destacó que los tecnólogos y economistas expertos no se ponen de acuerdo sobre cuál será el grado del posible impacto de la inteligencia artificial y la automatización. Esto forma parte de un debate mucho más amplio que ha estado tratándose en círculos de política económica desde hace varios años (ver De cómo la tecnología está destruyendo el empleo y Quien posea los robots acaparará las riquezas del mundo).

Varios ponentes del evento afirmaron que la inteligencia artificial dará lugar a nuevas empresas e industrias, lo que hará que genere más empleos de los que podría destruir (ver "Cada empleo que destruye la tecnología genera uno nuevo"). Sin embargo, Lee claramente no compartió ese punto de vista. El inversor concluyó: "Muchos optimistas dicen que en las revoluciones tecnológicas, unos trabajos desaparecen y aparecen otros nuevos. Es cierto que en algunos sectores aparecerán nuevos puestos de trabajo, pero yo creo que serán la excepción"

La inteligencia artificial nos superará en todo dentro de 45 años, según los expertos

Los más curioso es que los expertos tienden a marcar un horizonte de 40 años para las revoluciones tecnológicas, como ya pasó con la aún inalcanzable fusión fría. Pero si la cifra es correcta, las máquinas conducirán camiones mejor que los humanos dentro de una década

• por Emerging Technology From The Arxiv | traducido por Teresa Woods
• 05 Junio, 2017

La inteligencia artificial (IA) está cambiando el mundo y lo está haciendo a una velocidad vertiginosa. Su promesa es que las máquinas inteligentes conseguirán hacer cualquier cosa mejor y a menos coste que los humanos. Ya sea un buen enfoque o no, las industrias van cayendo una tras otra en su hechizo, aunque de momento son pocas las que se han beneficiado significativamente de la IA.

Y eso plantea una pregunta interesante: ¿cuándo superará la inteligencia artificial el rendimiento humano? Más específicamente, ¿cuándo ejecutará mejor su trabajo una máquina que usted?

La respuesta la acaban de dar la investigadora del Instituto Futuro de la Humanidad de la Universidad de Oxford (Reino Unido) Katja Grace y varios compañeros suyos, que básicamente se han dedicado a preguntar a los expertos. Encuestaron a los principales investigadores del mundo en inteligencia artificial sobre cuándo creen que las máquinas inteligentes superarán a los humanos en una amplia gama de tareas. Y muchas de las respuestas resultan sorprendentes.

Gráfico: Muestra el momento en el que los expertos calculan que la IA dominará tareas como la cirugía, la escritura de un libro superventas y la investigación matemática.

Los perfiles encuestados son académicos y expertos de la industria que presentaron trabajos en la Conferencia Internacional sobre Aprendizaje Automático en julio de 2015 y la conferencia de Sistemas de Procesamiento de Información Neural en diciembre de 2015. Se trata de dos de los eventos más importantes para expertos en inteligencia artificial, por lo que es probable que muchos de los profesionales más destacados figuren en la lista de Grace.

Los encuestados debían rellenar una encuesta sobre cuándo la inteligencia artificial logrará ser más eficaz y barata que los seres humanos en una variedad de tareas. De los 1.634 expertos, respondieron 352, y el equipo utilizó esas repuestas para calcular una media.

Según sus resultados, la inteligencia artificial superará a los seres humanos durante los próximos 10 años en varias tareas, como traducir idiomas (para 2024), redactar ensayos de la escuela secundaria (para 2026) y conducir camiones (en 2027).

Pero las máquinas tardarán mucho más en dominar otras muchas labores, como la venta al por menor, que no llegará hasta 2031, la redacción de un libro superventas, estimada para 2049, y realizar cirugías, que tendrá que esperar hasta 2053.

O eso dicen los expertos, aunque sus estimaciones no suelen ser demasiado fiables, como cuando calcularon que una inteligencia artificial no podría derrotar a un humano en el juego del Go hasta 2027, pero Google lo consiguió en 2015. Tardaron dos años en lugar de 12. Así que las predicciones de los expertos pueden ponerse en duda.

Las probabilidades de que la inteligencia artificial supere a los humanos en prácticamente todo dentro de unos 45 años son del 50%, según esta encuesta. Pero este cálculo debe cogerse con pinzas. El horizonte de predicción de 40 años siempre debe generar alarmas. Según algunos expertos en energía, quedan unos 40 años para lograr una energía de fusión rentable, pero siempre se ha hecho la misma predicción. Y, en teoría, cuando los investigadores exploraron por primera vez la fusión fría, faltaban 40 años para conseguirla. Pero este campo, que arrancó hace más de medio siglo, sigue siendo un sueño inalcanzable porque los desafíos han sido más importantes de lo que nadie se imaginaba.

40 años es un número importante cuando los seres humanos realizan predicciones porque coincide con la duración de la vida laboral de la mayoría de las personas. Por lo tanto, cualquier cambio previsto para después de 40 años significa que el cambio se producirá más allá de la vida laboral de todos los que trabajan ahora mismo. En otras palabras, no puede suceder con ninguna tecnología con la que los expertos de hoy tienen experiencia práctica. Por tanto, el número que debe ser tratado con precaución.

Pero la cifra de 45 años es la media de las predicciones individuales de cada experto, así que tal vez la media esconda algunas estimaciones de expertos más precisas que el resto. Para averiguar si los diferentes segmentos de expertos ofrecieron predicciones diferentes, el equipo de Grace analizó cómo las predicciones varían en función de la edad de los investigadores, su número de citaciones (es decir, su experiencia) y su región de origen.

Resulta que la edad y la experiencia no muestran ninguna influencia demostrable sobre  la predicción, pero sí la región de origen. Mientras que los investigadores estadounidenses esperan que la IA supere a los humanos en todo en unos 74 años, los investigadores de Asia esperan que suceda en tan solo 30 años. Esa es una gran diferencia que resulta difícil de explicar. Y plantea una pregunta interesante: ¿saben los investigadores asiáticos algo que el resto no sabe, o al revés?

Ref: arxiv.org/abs/1705.08807: ¿Cuándo superará la IA el rendimiento humano? Evidencia de los expertos de AI

Inteligencia artificial o cómo diseñar para el futuro

Sanjay Shamdasani, co-fundador de Spring Studio

La inteligencia artificial (IA) es una de las grandes prioridades de BBVA y de muchas entidades financieras en el resto del mundo.

La razón es sencilla: la automatización de tareas, la capacidad de recabar más información, su procesamiento y la gestión de esos datos se puede hacer de manera más rápida y eficiente si se deja en manos de las máquinas.

Esto no pretende restar valor al impacto de la interacción humana sino más bien proveer de nuevas herramientas a la gente –ya sean clientes o compañeros de trabajo- para hacer más gracias al uso de la computación y poder así tomar decisiones y comprender la información.

BBVA ya cuenta con ejemplos actuales de aplicación de la IA: por ejemplo, el asistente de voz MIA, que está disponible para los clientes de Garanti en Turquía. Y se prevén más novedades en los próximos meses y años.

Pero, ¿cómo se diseñan los productos y servicios futuros relacionados con la inteligencia artificial? ¿Cuáles son los escenarios previsibles? Una de las personas mejor informadas para responder a estas interrogantes es Sanjay Shamdasani, co-fundador de Spring Studio, una empresa de BBVA, que esta semana participó en la Cumbre Global de IA en Londres.

Para Shamdasani, “en la actualidad, la principal aplicación de la IA se centra en la utilidad, practicidad y eficiencias, pero las máquinas pueden predecir mucho mejor lo que una persona desea comprar o no”.

La diferencia, explica, es que “no pueden entender por qué y cómo se siente la persona. En la mayoría de las experiencias actuales con IA hay una falta de emoción, de calidad humana y de comprensión. Y los sentimientos juegan un papel importante a la hora de tomar decisiones. Para diseñar estas experiencias de futuro, tenemos que encontrar la manera de registrar estos diferentes estados emocionales. Las experiencias deben ayudar a que los clientes se sientan comprendidos de manera individual”.

Cómo hacerlo

En primer lugar es entender las fuerzas detrás de las reacciones emocionales de manera que se pueda añadir empatía a las soluciones que se desarrollen. Por ejemplo, un asesor personal que se ocupa de las inversiones y todas las gestiones financieras relacionadas con salarios, cuentas y fondos puede parecer una gran solución para clientes con un cierto poder adquisitivo. Para aquellos con menos recursos, en cambio, puede parecer como una persona que les arrebata el control de sus finanzas.

Por eso lo que se necesita es diseñar soluciones personalizadas adecuadas a circunstancias particulares. Y crear diferentes perfiles –personas diferentes, con vidas diferentes responden y reaccionan de manera diferente a determinados productos y servicios, a la interacción entre ellos y la tecnología que los hace posibles.

Shamdasani propone una solución para el caso del asesor financiero del ejemplo anterior: “Para las personas con cierto poder adquisitivo, el asesor se dedicará a reducir el estrés que implica tomar decisiones de inversión adecuadas para que el cliente pueda alcanzar sus metas”, señala. En el caso de las personas de menores recursos,  “el enfoque debería centrarse en reducir el estrés que genera la gestión del dinero, optimizar el pago de cuentas con los fondos disponibles y pagar las deudas. Si se reduce el estrés de los clientes y se les da más tiempo libre, se pueden crear oportunidades, no solo a nivel financiero, sino también con su vida personal”, afirma Shamdasani.

¿Cómo se traduce esto para diseñar para el futuro? Una de las herramientas utilizadas es el diseño especulativo, que mira hacia los próximos cinco a diez años y se dedica a especular cómo serán las cosas. No se trata de predecir exactamente el futuro sino de crear una visión de algunos escenarios posibles.

Sanjay Shamdasani sintentiza: Creamos escenarios futuros de lo que es posible, lo factible, lo probable y lo preferible.

• Futuros posibles – son los que “pudiesen ocurrir”.

• Futuros factibles – son lo que “podrían ocurrir”.

• Futuros probables – son los que se considera que “pueden ocurrir”.

• Futuros preferibles – son los que “queremos” que ocurran.

“Este ejercicio nos permite percibir los escenarios futuros en el presente, analizar el tipo de futuro que cada perfil quiera o no en el futuro y prepararnos para lo que pudiese suceder”. Con este marco de trabajo en mente, se pueden idear escenarios futuros para los servicios financieros:

1. Escenario futuro preferible: mi banco se ocupa de mis finanzas y más

En este futuro preferible el asistente digital se ocupa de las necesidades financieras (del cliente) de manera automática, mueve fondos, abre cuentas, paga facturas, gestiona ahorros, inversiones, seguros, reserva viajes o cambia de proveedor de servicios.

Aquí el banco es el ‘posibilitador’ y motor del proceso

2. Escenario futuro factible: mis dispositivos gestionan mis finanzas

Un escenario futuro en el que dispositivos como Alexa, Fitbit, Google Home o Nest gestionen las necesidades financieras de los clientes. Cada dispositivo tiene una tarea. Por ejemplo, Fitbit se encarga del seguro de salud. Tiene acceso al estilo de vida de esa persona con lo cual la póliza de seguro puede estar vinculada a los datos sobre su actividad física –con la debida autorización- y las primas se pueden ajustar automáticamente en base al estilo de vida que lleve la persona.

En este escenario, las entidades financieras ofrecen el seguro, procesan el pago y actúan como guardianes de las finanzas, pero son los dispositivos, y la elección personal, los que hacen las veces de interfaz a las necesidades del cliente.

3. Escenario future posible: el sistema operativo de mi estilo de vida gestiona todo por mí

En este escenario más cercano a la ciencia ficción, se potencian el cerebro y los sentidos a través de implantes. Esto permitiría recordar cada momento de la vida y realizar una búsqueda online en el propio cerebro. La información (los datos) se pone a disposición cuando se necesita y se podría comprar un coche solo con pensar en ello. Los parámetros biométricos procederían a gestionar la autorización correspondiente para pedir un préstamo o transferir fondos.

Efectivamente, este último es solo fantasía por ahora. Pero la realidad es que solo a través de la imaginación del futuro y las necesidades y requerimientos de los clientes, se puede estar al día con esas solicitudes futuras.

Shamdasani concluye: “La exploración de esto escenarios futuros con estos perfiles permiten iniciar un diálogo en torno a lo que podrían necesitar nuestros clientes en el futuro y también lo que queremos para nuestro negocio. A partir de ello podemos crear un mapa con las experiencias que hay que crear para alcanzar ese futuro preferible. Hoy en día podemos tomar más decisiones estratégicas de diseño y acortar la brecha entre el futuro y el presente”.

La ciencia ha superado la mente humana y sus limitadas capacidades

AEON, 24 de de abril de, 2017

Ahmed Alkhateeb

es es un biólogo molecular del cáncer en la Escuela de Medicina de Harvard. Su trabajo se centra en el desarrollo de plataformas de análisis para mejorar la eficiencia de la investigación en biomedicina.

La ciencia está en medio de una crisis de datos. El año pasado, hubo más de 1,2 millones de nuevos trabajos publicados en las ciencias biomédicas solos, con lo que el número total de artículos biomédicos revisadas por pares a más de 26 millones de dólares. Sin embargo, el científico promedio lee solamente cerca de 250 artículos al año. Mientras tanto, la calidad de la literatura científica ha estado en declive. Algunos recientes estudios encontraron que la mayoría de los trabajos biomédicos eran irreproducibles . 

El doble desafío de demasiada cantidad y muy poca calidad tienen su origen en la capacidad neurológica finita de la mente humana. Los científicos están obteniendo hipótesis de una fracción cada vez más pequeña de nuestro conocimiento colectivo y, en consecuencia, cada vez más, haciendo las preguntas equivocadas, o pedir a los que ya han sido contestadas. Además, la creatividad humana parece depender cada vez más de la estocasticidad de experiencias anteriores - circunstancias de la vida que permiten a un investigador a notar algo que otros no lo hacen. Aunque posibilidad siempre ha sido un factor en el descubrimiento científico, que está jugando un papel mucho más grande de lo que debería.

Una estrategia prometedora para superar la crisis actual es la integración de las máquinas y la inteligencia artificial en el proceso científico. Máquinas tienen una mayor memoria y mayor capacidad de cálculo que el cerebro humano. La automatización del proceso científico podría aumentar en gran medida la tasa de descubrimiento. Incluso podría comenzar otra revolución científica. Esa posibilidad enorme gira en torno a un igualmente gran pregunta: ¿puede realmente el descubrimiento científico puede automatizar?

Yo creo que si, utilizando un enfoque que hemos conocido por siglos. La respuesta a esta pregunta se puede encontrar en la obra de Sir Francis Bacon, filósofo Inglés del siglo 17 y un progenitor clave de la ciencia moderna.

Los primeros reiteraciones del método científico se remonta muchos siglos atrás a los pensadores musulmanes como Ibn al-Haytham, que destacó tanto el empirismo y la experimentación. Sin embargo, fue Bacon quien primero formaliza el método científico y la convirtió en un tema de estudio. En su libro Novum Organum (1620), propuso un modelo para el descubrimiento de que todavía se conoce como el método de Bacon. Se argumentó en contra de la lógica silogística para la síntesis científica, que él considera que es poco fiable. En su lugar, propone un enfoque en el que se recogen las observaciones pertinentes acerca de un fenómeno específico de forma sistemática, tabulados y analizados utilizando objetivamente la lógica inductiva para generar ideas generalizables. En su opinión, la verdad puede ser descubierta sólo cuando la mente está libre de axiomas incompletas (y por lo tanto falsas).

El método de Bacon trató de eliminar el sesgo lógico desde el proceso de observación y conceptualización, delineando los pasos de síntesis científica y la optimización de cada uno por separado. La visión de Bacon era aprovechar una comunidad de observadores para recoger grandes cantidades de información sobre la naturaleza y tabulará en un registro central accesible al análisis inductivo. En Novum Organum , escribió: 'Los empíricos son como hormigas; se acumulan y utilizan. Racionalistas tejen sus telas como las arañas. El mejor método es el de la abeja; es en algún punto intermedio, teniendo el material existente y su uso.

El método de Bacon rara vez se utiliza hoy en día. Demostró ser demasiado laborioso y extravagantemente caro; sus aplicaciones tecnológicas no estaban claros. Sin embargo, en el momento de la formalización de un método científico marcó un avance revolucionario. Ante ello, la ciencia era metafísico, accesible sólo para unos pocos eruditos, en su mayoría de origen noble. Al rechazar la autoridad de los antiguos griegos y delinear los pasos de descubrimiento, Bacon creó un modelo que permitiera a cualquier persona, independientemente de su origen, para convertirse en un científico.

Las ideas de Bacon también revelaron una importante verdad oculta: el proceso de descubrimiento es inherentemente algorítmica. Es el resultado de un número finito de pasos que se repiten hasta que se descubrió un resultado significativo. Bacon utiliza explícitamente la palabra 'máquina' en la descripción de su método. Su algoritmo científica tiene tres componentes esenciales: en primer lugar, las observaciones tienen que ser recogidos e integrados en el corpus total del conocimiento. En segundo lugar, las nuevas observaciones se utilizan para generar nuevas hipótesis. En tercer lugar, las hipótesis se ponen a prueba a través de experimentos cuidadosamente diseñados.

Si la ciencia es algorítmica, entonces debe tener el potencial para la automatización. Este sueño futurista ha eludido a los científicos información y la informática desde hace décadas, en gran parte debido a que los tres principales pasos del descubrimiento científico ocupan diferentes planos. La observación es sensual; de generación de hipótesis es mental; y la experimentación es mecánico. La automatización del proceso científico requerirá la incorporación efectiva de máquinas en cada paso, y en los tres alimentar una en la otra sin fricción. Sin embargo, nadie ha descubierto la manera de hacer eso.

La experimentación ha visto el progreso reciente más importante. Por ejemplo, la industria farmacéutica utiliza comúnmente plataformas automatizadas de alto rendimiento para el diseño de fármacos. Nuevas empresas tales como Transcriptic y esmeralda nube de Laboratorio, tanto en California, están construyendo sistemas para automatizar casi todas las tareas físicas que hacen los científicos biomédicos. Los científicos pueden presentar sus experimentos en línea, donde se convierten a código y se introducen en plataformas robóticas que llevan a cabo una serie de experimentos biológicos. Estas soluciones son más relevantes para disciplinas que requieren experimentación intensiva, tales como la biología molecular y la ingeniería química, pero métodos análogos se pueden aplicar en otros campos de datos intensivos, e incluso extenderse a disciplinas teóricas.

Automatizado de generación de hipótesis es menos avanzado, pero la obra de Don Swanson en la década de 1980 proporcionó un importante paso adelante. Se demostró la existencia de enlaces ocultos entre las ideas no vinculados en la literatura científica; utilizando un marco lógico deductivo simple, que podría conectar los papeles de diversos campos sin que se solapen citación. De esta manera, Swanson fue capaz de plantear la hipótesis de una novela de enlace entre el aceite de pescado en la dieta y el síndrome de Reynaud sin llevar a cabo ningún experimento o ser un experto en cualquier campo. Otros enfoques más recientes, como las de Andrey Rzhetsky en la Universidad de Chicago y László Barabási-Albert en la Universidad Northeastern, se basan en modelos matemáticos y la teoría de grafos. Incorporan grandes conjuntos de datos, en la que el conocimiento se proyecta como una red, donde los nodos son los conceptos y los enlaces son relaciones entre ellos. Hipótesis novedosas aparecerían como enlaces entre nodos sin descubrir.

El paso más difícil en el proceso de automatización es la forma de recoger las observaciones científicas fiables a gran escala. Actualmente no existe una base de datos central que posee el conocimiento científico total de la humanidad en un nivel observacional. Procesamiento del lenguaje natural ha avanzado hasta el punto en que puede automáticamente extraer no sólo las relaciones, sino también el contexto de trabajos científicos. Sin embargo, los principales editores científicos han impuesto restricciones severas en la minería de texto. Más importante aún, el texto de los documentos está sesgada hacia las interpretaciones del científico (o conceptos erróneos), y contiene sintetiza conceptos y metodologías que son difíciles de extraer y cuantificar complejos.

Sin embargo, los recientes avances en la informática y bases de datos en red hacen que el método de Bacon práctica por primera vez en la historia. E incluso antes del descubrimiento científico puede ser automatizado, abrazando enfoque de Bacon podría resultar valioso en un momento en el reduccionismo pura está llegando al borde de su utilidad.

La mente humana simplemente no puede reconstruir los fenómenos naturales de gran complejidad con suficiente eficacia en la era de los grandes datos. Un método de Bacon moderno que incorpora las ideas reduccionistas a través de la minería de datos, pero luego se analiza esta información a través de modelos computacionales inductivas, podría transformar nuestra comprensión del mundo natural. Tal enfoque nos permitiría generar nuevas hipótesis que tienen mayores posibilidades de convertir a ser cierto, para poner a prueba estas hipótesis, y para llenar lagunas en nuestro conocimiento. También proporcionaría un recordatorio muy necesario de lo que la ciencia se supone que es: búsqueda de la verdad, antiautoritario, e ilimitadamente libre.