Como otros han dicho, el término burbuja está vinculado a los ciclos de inversión. Se invirtieron $ 5 mil millones en el inicio de AI en 2016 frente a $ 600 millones en 2012, todavía no son grandes cantidades. Aquí hay una referencia: 50 compañías liderando la revolución de la inteligencia artificial.
Las personas también pueden referirse a “bombo” y hay más de unas pocas cosas de esa naturaleza, de ahí algunas decepciones por venir:
- La discusión sobre “singularidad” y “IA general” está muy lejos de la realidad de la IA de hoy. Los investigadores más avanzados en el campo siguen siendo personas modestas. Vea la historia del “narrador de historias NeuralNet. Después de 11 K libros románticos “aprendidos” y reconocimiento de imágenes, AI puede escribir oraciones románticas cuando ve imágenes románticas. Increíble, ¿verdad? No exactamente. AI no tiene problemas para escribir que la joven pareja caminaba por la playa temprano en la mañana y amaba esa hermosa puesta de sol. No tiene el concepto de que a) las personas que caminan por la playa a las 5 de la mañana son corredores, no amantes; b) si la carrera se eleva al oeste, no se pondrá el sol en el oeste b) la gente no puede ver el amanecer y el atardecer en la misma caminata.
- Muchas empresas de tecnología se pusieron muy nerviosas hace unos años y “contrataron” a muchas startups de un año. Así que ahora todos quieren convertirse en científicos de datos. Ese mercado se corregirá solo (recuerde lo que les sucedió a los abogados).
- Lo más fácil de hacer cuando se inicia una empresa de IA es ofrecer un servicio en la nube, “AI como servicio”. Eso parece IA por el bien de él y lo más probable es que no vaya a ninguna parte. Los verdaderos expertos no necesitan otra nube. El administrador de TI promedio aún no está allí (y probablemente se le dirá que use Microsoft frente a un producto de nicho). El dinero real se hará en “verticales” (como: “AI para mejorar el almacenamiento para empresas químicas de tamaño medio”). Una vertical no es tan sexy. Necesita gente de la industria, mucho trabajo técnico en IoT (para obtener los datos faltantes), mucha programación de la vieja escuela para preparar los datos y tal vez el 5% del aprendizaje automático.
- Las personas que piensan que desarrollarán algo nuevo neuronal trabajando para Exxon se sentirán decepcionadas. En TI corporativa, el trabajo real es muy probable que sea 80% en datos, 10% en algo y 10% en diapositivas.
- En algún momento, verá “dinero tonto” invertido en IA, en otra “investigación inteligente de patentes” o “IA para documentos científicos”. Ese es un problema real porque el capital laxo permite que los oportunistas menos calificados participen en un mercado. Estos jugadores traen una ejecución más imprudente, lo que crea un efecto contraproducente y arrastra incluso a los mejores emprendedores. Mira esto.
- ¿Scott Fahlman (y el Grupo de Investigación Scone) sigue desarrollando activamente Scone?
- ¿Los sorteos son más comunes en el ajedrez informático o en el ajedrez humano de alto nivel?
- Cómo crear una IA como Siri o JARVIS
- Supongamos que hay una red neuronal con 4 unidades ocultas y 1 capa oculta y otro NN con 2 capas ocultas, cada una con 2 unidades, ¿cuál es la diferencia?
- ¿Cómo podemos usar Machine Learning para escribir software?