Robots asesinos. Humanoides amenazantes. Robo-apocalipsis y robots malvados tomando el control del mundo. (Es broma.)

Películas como Blade Runner, Yo, Robot y Ex Machina y artículos sensacionalistas en la prensa sobre inteligencia artificial (IA) pintan la IA con un pincel aterrador y siniestro. Desafortunadamente, la IA a menudo se resume como algo aterrador y negativo que robará todos nuestros trabajos, o quizás incluso peor, nos dominará por completo y totalmente.

La realidad supera a la ficción

Vemos a partir de los datos e investigaciones de G2 que la realidad de la IA, y su primo cercano, el análisis, es más matizada y optimista de lo que los medios dejan entrever.

Como analista de investigación de mercado en G2 enfocado en IA y análisis, tengo tanto el placer de profundizar como el privilegio de investigar esta intrigante tecnología. Esto me permite empoderar a otros para entender la magia y el misterio detrás de la IA, ofreciendo una mirada a todo, desde el funcionamiento interno de una red neuronal hasta las amplias tendencias macro en torno a IA y análisis.

A menudo, lo que parece magia desde el exterior depende de mucho más "detrás del telón". Por ejemplo, algunas empresas han sido criticadas porque un robot sin nombre ni rostro estaba mirando sus datos personales, como correos electrónicos, para entrenar su tecnología de IA diaria.

En cambio, una y otra vez vemos cómo las empresas están empleando personas para analizar y etiquetar datos manualmente. Discutiremos las cuestiones éticas que surgen debido a esta ocurrencia frecuente.

“La brecha de habilidades que actualmente limita la adopción de la IA será erosionada por desarrollos en tecnología que impulsarán la accesibilidad y aumentarán los casos de uso potenciales.”

Tom Pringle, VP de investigación tecnológica en G2

En este artículo, pintaremos una escena, a grandes rasgos, de cómo esta predicción se está convirtiendo en realidad.

La cinta transportadora de datos

“Los datos son el nuevo petróleo” es un dicho común que se escucha hoy en día en tecnología, y es cierto.

Hay una serie de pasos intermedios en el camino para transformar los datos en información, incluyendo algunos de los siguientes.

• Software de integración de datos & software de preparación de datos

Los datos, ya sean cuantitativos (por ejemplo, precios de casas, número de personas en un área determinada) o cualitativos (por ejemplo, respuestas a encuestas, reseñas de productos), no pueden ser introducidos en un modelo de aprendizaje automático como se introduce una uva en la boca. Primero, los datos deben ser limpiados y sistematizados, asegurando que estén en el formato y ubicación adecuados (por ejemplo, servidor, en las instalaciones, etc.).

• Catálogos de datos de aprendizaje automático

Esto permite a las empresas categorizar, acceder, interpretar y colaborar en torno a los datos de la empresa a través de múltiples fuentes de datos.

• Plataformas de IA & plataformas de inteligencia empresarial

Ya sea que estés construyendo tus propios modelos o usando modelos estándar, herramientas de inteligencia empresarial o herramientas de análisis, estarás aprovechando algún tipo de plataforma para pasar de los datos a las ideas.

• Ideas

Una vez que limpias los datos, están listos para ser exprimidos (perdona mi metáfora mixta) para obtener ideas y patrones.

Estamos viendo un movimiento emocionante en estas áreas, permitiendo que un grupo cada vez más grande de personas trabaje con datos y desbloquee su potencial completo.

Tener tus datos y analizarlos también

Asegurarse de que tus datos estén adecuadamente preparados, cuidadosamente limpiados e inmaculadamente integrados no es un trabajo fácil (ni divertido). Por lo tanto, el auge de las herramientas impulsadas por IA (ya sean independientes como la plataforma de integración inteligente de SnapLogic o integradas como Qlik Data Catalyst) ayuda enormemente a los usuarios. Este es un ejemplo de cómo el proceso de análisis de datos se está volviendo más fácil y accesible.

Cuando miramos la gestión de datos, el auge de los catálogos de datos de aprendizaje automático (data.world, IBM Watson Knowledge Catalog y Aginity), están ayudando a garantizar que los datos y su posterior análisis sean reproducibles y accesibles. Con capacidades de aprendizaje automático, estos catálogos de datos permiten a cualquier usuario final descubrir datos relacionados, lo que ayuda a construir un negocio impulsado por datos.

Las plataformas de IA y análisis se están volviendo más inteligentes. Cuanto más inteligente es la plataforma, menos inteligentes necesitan ser los usuarios. A continuación, se presentan un par de desarrollos significativos que hemos visto.

• • La aumentación de conjuntos de datos está dando a los científicos de datos acceso a datos sintéticos y conjuntos de datos conectados. El enriquecimiento inteligente de datos está ayudando a los científicos de datos visionarios a aprovechar datos que nadie ve.

• • Recomendaciones inteligentes están dando al experto en datos recomendaciones impulsadas por aprendizaje automático para obtener ideas relevantes, permitiendo a los usuarios encontrar respuestas ocultas en lo profundo de sus datos.

Habla con tus datos, dondequiera que estés

Finalmente, hemos llegado al final de la cinta transportadora de datos.

Estamos viviendo en una cultura de conveniencia, un tiempo en el que esperamos que las cosas estén inmediatamente disponibles y accesibles, incluidos los datos y las ideas. Las siguientes son dos tendencias a observar sobre cómo los usuarios pueden obtener ideas rápidamente dondequiera que estén.

• Software de inteligencia conversacional

Dado que la comprensión del lenguaje natural ha mejorado, ahora podemos hablar con nuestros datos, encontrando y explorando ideas usando un lenguaje natural e intuitivo. Con esta poderosa tecnología, los usuarios pueden centrarse en descubrir patrones y encontrar significado oculto en los datos en lugar de memorizar consultas SQL.

• Integrado

Tanto la manera como el método de consultar datos han recibido mejoras. Por ejemplo, las plataformas de análisis están construyendo integraciones con herramientas de colaboración comúnmente usadas (por ejemplo, asistente digital de Oracle en Microsoft Teams). Además, las plataformas de inteligencia empresarial integrada están dando a los desarrolladores de software las herramientas que necesitan para incluir rápidamente capacidades de análisis de autoservicio en aplicaciones empresariales.

                                                       Antes                                                    Después

Queremos respuestas explicables y las queremos ahora

¿Cuál es la próxima frontera de la IA y el análisis?

En G2, creemos que la próxima "gran cosa" será el auge de las respuestas explicables, o la capacidad de los usuarios para entender por qué se está produciendo una respuesta o idea particular por el software. Hasta este punto, nos hemos centrado en el qué y el cómo de los datos. En un futuro cercano, no solo buscaremos obtener respuestas de nuestros datos, sino que también desearemos respuestas sobre por qué nuestros datos son lo que son y por qué se generaron ideas o respuestas específicas.

En un mundo donde los datos son grandes y las cuestiones éticas son mayores, la explicabilidad pasará de ser algo agradable de tener a una característica imprescindible.

Ya hemos visto movimiento en esta dirección con soluciones empresariales como la función Explain Data de Tableau, que han comprendido que los usuarios buscan entender profundamente sus datos, no solo crear visualizaciones llamativas. Muchas startups también están enfocadas en el problema, incluyendo Kyndi y Fiddler. De hecho, toda su propuesta de negocio se centra en el problema de la explicabilidad y están creando sistemas de IA que pueden justificar el razonamiento detrás de sus conclusiones y resultados. Esperaremos con ansias ver qué nos depara el futuro.