Como empresa, es difícil no dejarse tentar por todas las promesas de la IA. Si crees en todo el revuelo, puedes transformar cada parte del negocio, encontrar y convertir nuevos clientes, diseñar nuevos productos, gestionar tu fábrica o tu software y, en general, hacer cualquier cosa menos traerte un café por la mañana (y supones que están trabajando en eso ahora mismo).
Ésta es una fantasía maravillosa y muy tentadora de creer. ¿Pero qué tan cierto es esto? Con todo el revuelo, es posible que te sientas tentado a subirte al carro por completo y creerlo todo, o ir por el otro lado y rechazar todo lo que escuches como una gran exageración. La verdad debe estar en algún punto intermedio, pero ¿cómo la encontramos? Y una vez que lo hagamos, ¿cómo podemos convertir ese conocimiento en algo útil para nuestro negocio? Profundicemos y analicemos cómo se utiliza la IA en el negocio y, en particular, qué tan personalizado debe ser un modelo de IA para que una empresa vea su valor. Disiparemos parte del revuelo en torno a la IA y al mismo tiempo mostraremos las áreas en las que realmente puede transformar una empresa hoy en día. También analizaremos el papel de los buenos datos y el desafío de encontrarlos, eliminarlos o verificarlos para los modelos de IA, una industria que está creciendo rápidamente en el espacio Web3 con plataformas como Síntesis Uno trabajando para aprovechar los atributos de blockchain para verificar la IA y recompensar a los usuarios.
la promesa
Se dice que la IA resuelve muchos problemas diferentes. Para los no iniciados, algunos de estos problemas pueden ser indistinguibles de la magia, lo cual es muy emocionante pero igualmente inútil si usted es una empresa que está considerando invertir en IA. Afortunadamente, la IA en realidad no es tan complicada como podría creer, porque en realidad solo resuelve tres problemas clave. Primero, la IA puede clasificar cosas. Piense en un algoritmo de control de calidad que le indique si una pieza que sale de la línea de montaje tiene un defecto o no. Esto se puede ampliar a todo tipo de detección de anomalías, capacidades de clasificación y otros usos no convencionales que requieren un algoritmo para analizar algo (por ejemplo, fotografías, datos de hojas de cálculo) y luego determinar a qué grupo pertenece. A continuación, la IA puede predecir. El mantenimiento predictivo puede utilizar muchos sensores diferentes en una máquina para predecir cuándo fallará o cuándo necesitará mantenimiento. Puede proporcionar pronósticos muy precisos si los datos están disponibles. Puede predecir dónde debe moverse un robot para lograr un objetivo específico. Finalmente, la IA puede optimizar. Puede resolver problemas complicados con muchas restricciones diferentes de una manera que es simplemente demasiado difícil de lograr para un ser humano. Lo usamos para GPS, organización de nuestras fábricas y muchas otras aplicaciones que necesitan una solución ideal teniendo en cuenta un objetivo y muchas limitaciones diferentes.
La conclusión es que la IA realmente funciona. Puede resolver absolutamente los problemas descritos anteriormente y muchos más. Aún mejor, la IA mejora cada día. Se desarrollan nuevas innovaciones, el procesamiento informático mejora y se descubren casos de uso más generales. Por un lado, la IA es mucho más increíble de lo que creemos y está transformando el mundo de maneras que ni siquiera podemos comprender del todo.
la realidad
Dicho esto, estos resultados tienen un costo: los datos. La IA es completamente inútil sin los datos adecuados para entrenar un modelo de IA. Con la aparición de modelos de lenguajes grandes (LLM) como ChatGPT, las percepciones incorrectas de la IA se han vuelto aún más sesgadas. Podemos sentirnos tentados a creer que la IA es todopoderosa y puede responder cualquier pregunta que le hagamos, y como ChatGPT está disponible para todos, podemos verlo con nuestros propios ojos. Sin embargo, hay dos grandes puntos débiles que pueden no ser obvios. En primer lugar, ChatGPT es fantástico en algunas cosas, como escribir un artículo sobre el cambio climático o sugerir diez lugares para visitar en Budapest; pero no sirve para muchas otras cosas, como dar una respuesta determinada a problemas de matemáticas o dar información totalmente fiable. Para una empresa, este nivel de incertidumbre no es aceptable. En segundo lugar, ChatGPT se creó utilizando billones de puntos de datos para responder preguntas generales. Si desea entrenar un modelo de IA preciso, necesitará mucho menos que esto, pero debe saber exactamente qué datos usar y debe validarlos para que sean efectivos. En otras palabras, debe saber qué problema está resolviendo, qué modelo de IA utilizará y qué datos verificados requerirá. El problema es que recopilar estos datos es difícil y, dependiendo de una serie de factores, la cantidad de datos a veces puede ser significativa. ¿El modelo de IA anterior que identificó anomalías en una línea de montaje? Probablemente se requerirían muchas, muchas muestras diferentes de artículos en la línea de ensamblaje, con diferentes ángulos de iluminación, orientaciones y otras variaciones para que el modelo pueda adaptarse a esas variaciones. Dentro de eso, necesitará un número adecuado de muestras que muestren artículos de buena calidad y muestras que muestren artículos con anomalías. Sólo entonces el modelo podrá aprender cómo se ve una anomalía. Y para la mayoría de los modelos de IA, todos estos datos deben etiquetarse (por ejemplo, «sin anomalía» frente a «anomalía»). Esta es la mayor carga para las empresas, ya que a menudo no tienen la experiencia o los conocimientos necesarios para procesar con precisión toda esta información, y la enorme labor involucrada puede ser significativa. Blockchain ha demostrado una capacidad única para ayudar a resolver este problema, con plataformas como Synesis mencionada anteriormente que aprovechan los elementos únicos de blockchain específicamente para validar los datos de entrenamiento de IA. Al utilizar la descentralización, la inmutabilidad y las recompensas por el trabajo, la plataforma puede crear conjuntos de datos masivos recompensando a una población masiva de contribuyentes en todo el mundo. Debido a su naturaleza, no se necesita mucho para capacitar a alguien sobre cómo validar un conjunto de datos en particular. El aprendizaje es rápido y, con suficiente gente, el conjunto de datos puede validarse, etiquetarse (respuestas adjuntas a cada imagen o punto de datos) y ponerse a disposición de la empresa que lo necesita. Es un modelo de negocio fascinante, y probablemente verá crecer a toda una industria durante el próximo año.
Muchas pequeñas y medianas empresas están trabajando para crear modelos de IA patentados basados en sus propios datos. Sin embargo, entrenar un modelo no es tan sencillo como introducir datos sin procesar. El principal desafío al que se enfrentan es la falta de científicos de datos internos y de recursos para manejar… pic.twitter.com/97gQ4JQ8Qb
– Síntesis Uno (@synesis_one) 17 de noviembre de 2024
Haciendo uso de la IA
Ahora que comprende el revuelo de la IA y su realidad, puede tener una mejor idea de los problemas que puede resolver para su negocio. La clave es identificar estos problemas de clasificación, predicción y optimización y luego comenzar a generar los datos necesarios para entrenar los modelos. Trabajar con una plataforma de validación de datos como Synesis será crucial para muchas empresas que no pueden hacerlo por sí mismas pero necesitan una solución rentable. Sin embargo, una vez hecho esto, su negocio puede potenciarse con IA de una manera que era ciencia ficción hace apenas unos años.
Crédito de la imagen destacada: Google DeepMind/Unsplash
