Entienda las ventajas y las desventajas de la inteligencia artificial

La inteligencia artificial (IA) se refiere a los campos convergentes de la computadora y la ciencia de datos enfocados a construir máquinas con inteligencia humana para realizar tareas que anteriormente habrían requerido de un ser humano. Por ejemplo, el aprendizaje, el razonamiento, la resolución de problemas, la percepción, la comprensión del lenguaje y más. En lugar de depender de instrucciones explícitas de un programador, los sistemas de AI pueden aprender de los datos, lo que les permite manejar problemas complejos (así como tareas simples pero repetitivas) y mejorar con el tiempo.

La tecnología de IA actual tiene una variedad de casos de uso en diversas industrias; las empresas utilizan IA para minimizar los errores humanos, reducir los altos costos de operaciones, proporcionar insights de datos en tiempo real y mejorar la experiencia del cliente, entre muchas otras aplicaciones. Como tal, representa un cambio significativo en la forma en que abordamos la computación, creando sistemas que pueden mejorar los flujos de trabajo y mejorar elementos de la vida cotidiana.

Pero incluso con los innumerables beneficios de la IA, tiene desventajas dignas de mención en comparación con los métodos de programación tradicionales. El desarrollo y despliegue de IA pueden conllevar problemas de privacidad de datos, desplazamientos de trabajo y riesgos de ciberseguridad, sin mencionar el compromiso técnico masivo de garantizar que los sistemas de IA se comporten según lo previsto.

En este artículo, discutiremos cómo funciona la tecnología de IA y expondremos las ventajas y desventajas de la inteligencia artificial en comparación con los métodos de computación tradicionales.

La IA opera sobre tres componentes fundamentales: datos, algoritmos y potencia informática. 

• Datos: los sistemas de IA aprenden y toman decisiones con base en datos, y requieren grandes cantidades de datos para entrenarse de manera eficaz, especialmente en el caso de los modelos de machine learning (ML). Los datos a menudo se dividen en tres categorías: datos de entrenamiento (ayudan al modelo a aprender), datos de validación (ajustan el modelo) y datos de prueba (evalúan el rendimiento del modelo). Para un rendimiento óptimo, los modelos de IA deben recibir datos de conjuntos de datos diversos (por ejemplo, texto, imágenes, audio y más), lo que permite que el sistema generalice su aprendizaje de datos nuevos que han pasado desapercibidos.
• Algoritmos: los algoritmos son los conjuntos de reglas que utilizan los sistemas de IA para procesar datos y tomar decisiones.La categoría de algoritmos de IA incluye los algoritmos de ML, que aprenden y hacen predicciones y toman decisiones sin programación explícita.La IA también puede trabajar a partir de algoritmos de aprendizaje profundo, un subconjunto de ML que utiliza redes neuronales artificiales (ANN, sigla en inglés de artificial neural network) multicapa, de ahí el descriptor “profundo”, para modelar abstracciones de alto nivel dentro de infraestructuras de big data.Y los algoritmos de aprendizaje por refuerzo permiten a un agente aprender comportamientos realizando funciones y recibiendo castigos y recompensas en función de su exactitud, ajustando iterativamente el modelo hasta que esté totalmente entrenado.
• Potencia informática: los algoritmos de IA a menudo necesitan una cantidad considerable de recursos informáticos para procesar enormes cantidades de datos y ejecutar algoritmos complejos, especialmente en el caso del aprendizaje profundo. Muchas organizaciones confían en hardware especializado, como las unidades de procesamiento de gráficos (GPU), para agilizar estos procesos.

AI systems also tend to fall in two broad categories:

• Inteligencia artificial estrecha, también llamada IA estrecha o IA débil, realiza tareas específicas, como el reconocimiento de imágenes o de voz. Los asistentes virtuales como Siri de Apple, Alexa de Amazon, watsonx de IBM e incluso ChatGPT de OpenAI son ejemplos de sistemas de IA estrecha.
• La inteligencia artificial general (IAG), o IA fuerte, puede realizar cualquier tarea intelectual que un humano pueda realizar; puede comprender, aprender, adaptarse y trabajar a partir del conocimiento en todos los dominios. Sin embargo, la IAG sigue siendo solo un concepto teórico.

A diferencia de la programación de AI, la programación tradicional requiere que el programador escriba instrucciones explícitas para que la computadora las siga en cada escenario posible; luego, la computadora ejecuta las instrucciones para resolver un problema o realizar una tarea. Es un enfoque determinista, similar a una receta, donde la computadora ejecuta instrucciones paso a paso para lograr el resultado deseado.

El enfoque tradicional es adecuado para problemas claramente definidos con un número limitado de resultados posibles, pero a menudo resulta imposible escribir reglas para cada escenario cuando las tareas son complejas o exigen una percepción similar a la humana (como en el reconocimiento de imágenes, el procesamiento de lenguaje natural, etc.). Aquí es donde la programación de AI ofrece un claro beneficio sobre los métodos de programación basados en reglas.

El potencial de la IA en el mundo real es inmenso. Sus aplicaciones incluyen el diagnóstico de enfermedades, la personalización de las redes sociales, la ejecución de sofisticados análisis de datos para la modelización meteorológica y la alimentación de los chatbots que gestionan nuestras solicitudes de atención al cliente. Los robots impulsados por IA pueden incluso ensamblar autos y minimizar la radiación de los incendios forestales.

Como ocurre con cualquier Tecnología, la IA presenta beneficios e inconvenientes en comparación con las tecnologías de programación tradicionales. Aparte de las diferencias fundamentales en su funcionamiento, la IA y la programación tradicional también difieren significativamente en términos de control del programador, manejo de datos, escalabilidad y disponibilidad.

• Control y transparencia: la programación tradicional ofrece a los desarrolladores control total sobre la lógica y el comportamiento del software, permitiendo así una personalización precisa y resultados previsibles y congruentes. Y si un programa no se comporta como está previsto, los desarrolladores pueden rastrear la base de código para identificar y corregir el problema. Los sistemas de IA, especialmente los modelos complejos como las redes neuronales profundas, pueden ser difíciles de controlar e interpretar. A menudo funcionan como “cajas negras”, donde se conocen las entradas y las salidas, pero no está claro el proceso que emplea el modelo para llegar de una a otra. Esta falta de transparencia puede ser problemática en industrias que priorizan la explicabilidad de los procesos y la toma de decisiones (como en la atención médica y las finanzas).
• Aprendizaje y manejo de datos: la programación tradicional es rígida; se basa en datos estructurados para ejecutar programas y, por lo general, batalla para procesar datos no estructurados. Para “enseñar” nueva información a un programa, el programador debe agregar manualmente nuevos datos o ajustar procesos. Los programas codificados tradicionalmente también tienen dificultades con la iteración independiente. En otras palabras, es posible que no puedan adaptarse a escenarios imprevistos sin una programación explícita para esos casos. Dado que los sistemas de IA aprenden de grandes cantidades de datos, son más adecuados para procesar datos no estructurados como imágenes, videos y texto en lenguaje natural. Los sistemas de IA también pueden aprender continuamente a partir de nuevos datos y experiencias (como en el machine learning), permitiéndoles así mejorar su rendimiento con el tiempo y haciéndolos especialmente útiles en entornos dinámicos donde la mejor solución posible puede evolucionar con el tiempo.
• Estabilidad y escalabilidad: la programación tradicional es estable. Una vez que un programa está escrito y depurado, realizará operaciones exactamente de la misma manera, cada vez. Sin embargo, la estabilidad de los programas basados en reglas se produce a expensas de la escalabilidad. Dado que los programas tradicionales solo pueden aprender a través de intervenciones de programación explícitas, requieren que los programadores escriban código a escala para escalar las operaciones. Este proceso puede resultar incontrolable, si no imposible, para muchas organizaciones. Los programas de IA ofrecen más escalabilidad que los programas tradicionales pero con menos estabilidad. Las características de automatización y aprendizaje continuo de los programas basados en IA permiten a los desarrolladores escalar procesos rápidamente y con relativa facilidad, lo que representa una de las ventajas clave de la IA. Sin embargo, la naturaleza improvisadora de los programas significa que estos no siempre pueden proporcionar respuestas congruentes y apropiadas.
• Eficiencia y disponibilidad: Los programas informáticos basados en reglas pueden proporcionar disponibilidad las 24 horas del día, los 7 días de la semana, pero a veces solo si tienen trabajadores humanos para operarlos las 24 horas del día.

AI technologies can run 24/7 without human intervention so that business operations can run continuously. Another of the benefits of artificial intelligence is that AI systems can automate boring or repetitive jobs (like data entry), freeing up employees’ bandwidth for higher-value work tasks and lowering the company’s payroll costs. It’s worth mentioning, however, that automation can have significant job loss implications for the workforce. For instance, some companies have transitioned to using digital assistants to triage employee reports, instead of delegating such tasks to a human resources department. Organizations will need to find ways to incorporate their existing workforce into new workflows enabled by productivity gains from the incorporation of AI into operations.

Omdia proyecta que el mercado global de AI tendrá un valor de 200 mil millones de dólares para 2028.¹ Eso significa que las empresas deben esperar que aumente la dependencia de las tecnologías de AI, con la complejidad de los sistemas de TI empresariales aumentando en especie. Pero con la cartera de productos de AI IBM watsonx™ , las organizaciones tienen una poderosa herramienta en su caja de herramientas para escalar la AI.

IBM watsonx habilita a los equipos para que gestionen orígenes de datos, aceleren los flujos de trabajo de IA responsable, y desplieguen e integren fácilmente la IA en toda la empresa, todo en un solo lugar. watsonx ofrece una gama de funciones avanzadas, que incluyen administración integral de cargas de trabajo y monitoreo de datos en tiempo real, diseñadas para ayudarle a escalar y acelerar las infraestructuras de TI impulsadas por IA con datos confiables en toda la organización.

Si bien el uso de la IA no está exento de complicaciones, representa una oportunidad para que las empresas sigan el ritmo de un mundo cada vez más complejo y dinámico al enfrentarlo con tecnologías sofisticadas que puedan manejar esa complejidad.