¿Se exagera la IA en 2017?

Sí y no, dependiendo de la comunidad de la que estés hablando.

Si está hablando de la comunidad de investigación académica, no es exagerado. Ha habido grandes avances en IA en los últimos años, y la celebración ciertamente está justificada.

En mi propia área de reconocimiento de objetos, pasamos de ~ 35% de precisión (precisión promedio promedio en VOC Pascal) a más del 65% en solo 3–4 años. Anteriormente, estábamos avanzando en 1–2% por año, a pesar de que el reconocimiento de objetos era el área más candente de la visión por computadora con la mayor fracción de artículos que aparecían en las principales conferencias cada año. El aprendizaje profundo también hizo grandes avances en el aprendizaje de refuerzo, que es lo que produjo éxitos en el juego general de Atari, y venció al gran maestro mundial en Go décadas por delante de las expectativas. Finalmente ha habilitado el reconocimiento de voz para lograr niveles de precisión utilizables.

Por otro lado, si estás hablando de empresas comerciales, entonces sí. Está sobrevalorado. Demasiados VC y vicepresidentes de grandes empresas están canalizando dinero en proyectos tecnológicos que acaban de ser renombrados con la etiqueta AI. Esto no es diferente de la electrónica y las burbujas web de hace un par de décadas. Tener una cadena de if-then-elseifs en su código no lo convierte en AI.

He hablado con personas de nivel VP de otro modo técnicamente conocedoras en grandes empresas, quienes después de escuchar las conversaciones de Yann LeCun presumen que al menos el aprendizaje supervisado está completamente resuelto. Bueno, si se resuelve el aprendizaje supervisado y tenemos toneladas de dinero, podemos simplemente arrojar dinero para obtener enormes cantidades de datos etiquetados y resolver cualquier problema, ¿verdad? ¡Incorrecto! Cuando Yann LeCun dice que un problema está resuelto, en gran medida dice lo que piensa un investigador. Si obtiene un 80% de precisión de reconocimiento de objetos en las carreteras, ¡no ha resuelto el problema de los vehículos autónomos!

¡Solo escuche los anuncios de un gigante informático de años anteriores promocionando su programa de búsqueda de bases de datos, y se dará cuenta de cómo se engaña al público en general y a los ejecutivos de la industria! En resumen, si no sabe exactamente cómo va a ganar dinero con una tecnología y sigue escuchando sobre esa tecnología todo el tiempo, ¡es probable que esté en una burbuja!

La IA está ciertamente en un punto donde las expectativas superan con creces la realidad. Las implementaciones de aprendizaje automático de alto nivel de producción aún atraviesan un camino arduo y los entornos de aprendizaje en tiempo real son un estado futuro, incluso en Google.

Dicho esto, hay numerosos factores que se deben considerar antes de empujar la IA a un segundo plano para su consideración futura. La consideración más importante es la convergencia de las curvas de crecimiento exponencial del aprendizaje automático, la potencia informática y los servicios en la nube.

Un ejemplo de esto es la rápida aparición de herramientas sofisticadas de Data Science, como DataRobot e IBM Data Science Experience; esencialmente, IDEs para científicos de datos. Estas herramientas eliminan grandes cantidades de esfuerzo al identificar las necesidades de limpieza de datos y agilizar el proceso de selección algorítmica. Estas herramientas permiten que equipos DS muy pequeños construyan rápidamente sistemas de predicción de producción. La producción de estas herramientas llevará un tiempo para llegar al mercado, pero estas herramientas impulsarán la aparición de muchas características nuevas de productos basados ​​en el aprendizaje automático.

Estas herramientas tienen un impacto similar a las mejoras en la depuración de código realizadas con lenguajes modernos. Los codificadores solían tener que invertir muchas horas en codificar y depurar sus propias trampas para encontrar fallas lógicas. Las herramientas de hoy hacen que este proceso sea sencillo; todavía tiene que hacer el trabajo duro de resolver fallas lógicas, pero las herramientas lo llevan directamente al código que genera la falla.

Creo que muchos están subestimando el aspecto de compresión de tiempo de la convergencia de múltiples mejoras exponenciales. El inesperado dominio de AlphaGo sobre los humanos una década antes de lo que los expertos creían posible es un presagio de lo que vendrá. Es importante tener en cuenta que en aproximadamente un año, el equipo de Google no solo mejoró la habilidad de AlphaGo, sino que también refactorizó su entorno de usar 50 TPU a solo uno.

En este momento, el verano de 2017, las expectativas aún superan la realidad, pero prepárese para que eso cambie muy rápidamente.

Inicialmente, ¡incluso yo había pensado que la IA, en particular el Aprendizaje Profundo, estaba exagerado! Procedente de un fondo de Ingeniería Civil, estaba investigando en el área de monitoreo de salud estructural (que está evaluando sistemas de infraestructura (edificios, puentes, presas) tanto para el análisis previo al desastre como posterior al desastre).

Estaba trabajando en la clasificación de daños de edificios usando imágenes. Había acumulado un pequeño dato de aproximadamente 2500 imágenes con muy poco daño, daño moderado y escenarios de daño alto y había intentado muchos enfoques para clasificarlos correctamente. Luego probé 3-4 redes neuronales completamente conectadas para la tarea, lo que dio un resultado decente de más del 50%.

Finalmente, uno de mis amigos me presentó a usar una red pre-entrenada que se usó para la tarea de detección de objetos ImageNet. Me había aconsejado que hiciera algunos ajustes (Aprendizaje de transferencia) para obtener mejores resultados. Sorprendentemente, con solo la arquitectura VGG 16 pre-entrenada (una de las arquitecturas de aprendizaje profundo temprano más populares), con un cambio muy pequeño me dio alrededor del 94 ~ 95% de precisión. Esta fue la primera vez que me convenció de que hay algo bueno sobre el aprendizaje profundo.

Ahora, he implementado muchos algoritmos de aprendizaje profundo que me han demostrado su amplia expresividad y los diferentes tipos de problemas que puede resolver. He trabajado en una amplia gama de problemas como la detección de peatones y lo hice funcionar en autos reales para uno de mis cursos de conducción autónoma. También he jugado con el algoritmo de transferencia de estilo que se había vuelto bastante popular con una aplicación móvil Prisma. No es intuitivo a primera vista cómo se puede extraer y transferir un estilo de una imagen a otra.

Potencialmente veo muchas aplicaciones que pueden mejorarse con IA y aprendizaje profundo para ayudar a una mejor toma de decisiones.

Si,

El mundo se está volviendo digital y las empresas están modificando sus estrategias.

En las últimas dos décadas, hemos visto el brote de software y tecnologías en la nube de la industria cambiando la dinámica de la industria. Las naciones en desarrollo han usado esto como una oportunidad para aumentar su PIB y la creación de empleo. Pero en los últimos años a esas compañías no les está yendo bien, debido a varios cambios en el mercado global y al surgimiento de miles de empresas de software en todo el mundo.

La IA como estrategia

Sin duda, la IA es una tecnología innovadora y ofrece soluciones avanzadas para varias industrias para resolver problemas relacionados con el negocio y cambiar las estrategias comerciales. En su mayoría, la IA es popular como una alternativa rentable para el trabajo repetitivo que se realiza en una organización. Varias firmas de seguros, bancos e instituciones financieras ya han adoptado estas tecnologías y hay varios grupos de investigación formados en países desarrollados como Estados Unidos, Reino Unido, Alemania, Canadá y otros, que están desarrollando las soluciones de la industria de próxima generación. La inteligencia artificial es vista como una estrategia más que como una tecnología por parte de varias empresas, la inteligencia artificial puede retener a las empresas para que no lleguen a la etapa de Declinación y les ayuda a mantener sus capacidades mejoradas aprendiendo de sus errores anteriores.

A menudo, la IA se llama un sistema de autoaprendizaje que es capaz de reemplazar a la administración de nivel medio que solo monitorea el proceso en una organización. A menudo se dice en las noticias que AI reemplazará a X número de empleados en una industria en particular. Sí, sucederá, pero antes de que suceda, las economías deben estar listas para el cambio, si no varias industrias se interrumpirán. El usuario final de cualquier servicio b2b es un individuo. Si los individuos no ganan suficiente dinero y pierden empleos, la mayoría de las empresas relacionadas con el consumidor directo y sus proveedores, proveedores de servicios, proveedores logísticos, cada miembro de esa cadena se ve afectado, lo que resulta en recesión. Si sucede, se violará el único propósito del desarrollo de IA.

Entonces, las industrias están tomando la IA como una oportunidad para hacer crecer su negocio y expandirse. Los robots de trabajo conjunto pronto llegarán a varias industrias y no prometen una gran pérdida de trabajo, pero requiere un gran ‘Capital’ y a las compañías de fabricación y procesos generalmente no les gusta gastar grandes cantidades en maquinaria.

Los servicios de software, los servicios financieros y la atención médica son los receptores iniciales de las tecnologías de inteligencia artificial, ya que las consideran una estrategia de reducción de costos. Hay varios casos en los que el sistema de inteligencia artificial puede funcionar mejor que un ser humano, pero aún necesita un fuerte apoyo por parte del ser humano para hacer frente a tareas difíciles, sí, estas máquinas aún no están listas.

Solo el 60% de las actividades del centro de llamadas son entregadas con éxito por estas máquinas cuando se trata de procesamiento de seguros, esta tasa es del 90% +; que describe qué tan listas están estas máquinas para hacer frente a nuevas tareas y cambiar los requisitos del cliente.

si

Justo a mediados de este año, tuve un seminario sobre ” ¿Vale la pena la nanotecnología? [1] “y una presentación en Caterpillar Inc el mes pasado sobre el tema” ¿Está India Industry 4.O lista? [2] ”y observé algo.

La nanotecnología fue una vez tan publicitada y no puedo evitar compararla con lo que está sucediendo con la IA ahora. Hay tantas cosas que nano puede hacer, pero cambiar el nombre de los proyectos a nano solo para obtener financiación fue lo que sucedió entre las empresas en 2000–2005.

Por ejemplo: Nano Face wash, Nano * Inserte un título *

Hay una explicación para esto. Se puede entender usando la curva de bombo. Funciona de acuerdo con la Ley de Amara [3], que es una computadora que dice:

“Tendemos a sobreestimar el efecto de una tecnología a corto plazo y subestimar el efecto a largo plazo”.

La curva general es como se muestra a continuación [4]

De acuerdo con el ciclo de Gartner Hype para la Inteligencia Artificial 2017 [5],

La IA está en la cima de las expectativas infladas, por lo que ahora podemos esperar una publicidad negativa que marque la etapa de Trough of Disillusionment.

La Inteligencia Artificial comenzó por primera vez en 1950 cuando el matemático inglés Alan Turing publicó un artículo titulado “Maquinaria de computación e inteligencia”. Pero, el desencadenante de la tecnología ocurrió solo en la última década. Estamos en la etapa donde la publicidad en los medios de comunicación es donde “Data Science es el camino a seguir [6]”. Las expectativas son enormes y estamos hablando de que a los robots se les otorgue la ciudadanía [7] (el título del artículo debería decirlo todo), lo cual es bueno en cierto sentido y también aterrador. Andrew Ng recientemente dio una charla [8] sobre cómo tenemos que mover más talento a donde más se necesita capacitándolos. Esto muestra cómo estamos avanzando con esta tecnología de IA.

1. Necesitamos científicos de datos con habilidades. La ciencia de datos ya no es una habilidad, es una forma.
   La ciencia de datos llegó hace mucho tiempo cuando comenzamos a generar relaciones entre diferentes cosas. Ahora, se ha reconocido como una entidad separada porque la informática se reduce a las matemáticas aplicadas, que se reduce a funciones.
2. Data Science es realmente muy prometedor y se otorga una gran cantidad de fondos a quienes lo hacen. (El pago en Goldman Sachs debería decirlo todo. Es de aproximadamente $ 104,578- $ 114,768 [9])
   Pero, para que algo tenga éxito, uno tiene que esperar a que los experimentos sucedan y los resultados salgan. Este no es el caso hoy. Hablamos de datos casi todos los días que estamos ocupados haciendo un trabajo de mala calidad para obtener resultados. Esto no es bueno y la razón principal por la que estamos entrando en la fase de desilusión.

Comparación con nanotecnología

Con Nanotecnología, el índice de exageración [10] se disparó muy alto y alcanzó su punto máximo a mediados de 2002. Era el equivalente de Data Science en aquel entonces. Te gustaría trabajar allí. La noticia estaba tan llena de tubos de carbono nano y de cómo iba a cambiar el futuro. Los artículos de noticias [11] [12] [13] en ese momento seguían y seguían sobre las propiedades milagrosas de los nano materiales. ¿Pero hablamos de eso hoy? Lo leemos a veces en los periódicos. Eso es.

La nanotecnología a mediados de 2002 era prometedora y las perspectivas de carrera eran excelentes. Pero, un análisis mostró que no podía estar a la altura de sus expectativas debido al tiempo. Todo se reduce a esto, ¿no?

En el 2005, hablamos sobre si Nano es una bendición o una maldición.

Ya en 2008, obtuvimos libros sobre la publicidad de Nano tech ” Nano-hype: The Truth Behind the Nanotechnology Buzz [14]”

En 2017, apenas escuchamos sobre eso, pero se está trabajando realmente. La nanotecnología ahora está en la meseta de la productividad. Las baterías de iones de litio y las nuevas empresas se centran (las personas menores de 30 años del MIT tienen mucha gente trabajando en Nano tech y no solo Data Science [15]) en esto ahora mejor, pero irónicamente, carecen de fondos porque el bombo ahora es ciencia de datos y los inversores corren hacia el bombo . Nadie puede evitar esto.

Comparación con CFC Discovery

Cuando se inventó el CFC y Thomas Midgley descubrió en 1928 que descubrió sus propiedades de refrigeración, durante ese tiempo estaba buscando alternativas no tóxicas a los refrigerantes existentes, a saber, amoníaco y dihidrato de azufre. Capturó los medios y cada refrigerador lo usó hasta que descubrieron que destruyó la capa de ozono en 1970 [16]. Durante treinta años nadie supo los efectos perjudiciales que tenía sobre el medio ambiente. Y, curiosamente, ha aparecido en los 30 peores descubrimientos de la revista TIME líder [17]. Ahora, ha sido prohibido y estamos tratando de resolver el problema creado por la solución anterior [18].

Del análisis anterior, hay que señalar algunos puntos

1. Tendemos a proporcionar soluciones para resolver problemas que terminan produciendo más problemas y terminamos limpiando el desorden. Parece que estamos atrapados en este ciclo.
2. En todos los problemas, si la exageración condujo a una producción productiva, trajo dinero. De lo anterior, se puede inferir que “la investigación va donde fluye el dinero ” y no es al revés. Así es la vida.
3. Data Science se ha llevado a cabo desde el principio de los tiempos. Solo que se llamaba Física, Química, Matemáticas, Biología, etc. Era la interpretación de los datos y la ciencia detrás de ellos. Entonces, lo nombraron apropiadamente.
   En el emocionante mundo de hoy, queremos hacer cualquier cosa con datos que no se hayan pensado antes. Por lo tanto, Data Science.
4. Data Science es una forma y no una habilidad. La ingeniería mecánica es una habilidad. Las personas que entiendan esto ganarán.

El futuro se ve bien, pero esto también pasará. Vamos a crear soluciones, crear un desastre, limpiarlo, crear un desastre y el ciclo se repetirá.

Notas al pie

[1] ¿Vale la pena la nanotecnología?

[2] Murali, Karthikeyan, Krishnan, CG Subramaniam Presentación del equipo

[3] Blog | Inmaculado

[4] Ciclo de bombo – Wikipedia

[5] AI, blockchain y 5G: las principales tendencias tecnológicas que necesitas saber

[6] ¿Qué sigue para el mercado laboral de ciencia de datos y análisis de 2017?

[7] El robot que quiere ‘DESTRUIR a los humanos’ ha recibido la ciudadanía de Arabia Saudita

[8] La IA puede venir para tu trabajo, pero Andrew Ng cree que un nuevo New Deal puede ayudarte

[9] Salario del científico de datos de Goldman Sachs

[10] Tratar con demasiado bombo

[11] ¿’Nano’ está a la altura del bombo? (Mesa redonda de Kavli)

[12] Más allá del nanohype

[13] Nano-bombo

[14] Nano-bombo

[15] 30 menores de 30 años 2017: Ciencia

[16] El agujero de ozono

[17] Las 50 peores invenciones – TIEMPO

[18] La prohibición de CFC ‘debería cerrar el agujero en la capa de ozono’

La IA como tecnología no se exagera. Lo que se exagera es su impacto inmediato.

Todos tenemos una visión muy optimista en la que la IA se hace cargo de todo lo que “necesitamos” hacer, dejándonos hacer lo que “queremos” hacer; o una visión muy pesimista donde la IA se hace cargo de todo, sin dejarnos necesidad.

Ambos casos están sobrevalorados, y el hecho es que la IA actualmente solo es tan buena como los datos que la impulsan. Además, la IA es muy específica: una máquina buena para conducir automóviles es exactamente eso, es mejor que los humanos para conducir automóviles, pero no puede hacer nada más. Una IA buena para entablar conversación es exactamente eso. Se ha avanzado poco o nada en el campo de la IA general, una IA que puede actuar como solucionador de problemas, administrador de cambios, un variado reactor de estímulo; es decir, todo lo que hace grandes a los humanos.

Pero lo bueno de la IA es que:

1. Ya no necesita sentarse con una computadora y decirle cómo hacer las cosas o cómo entender los datos. No le dices a un simulador de ajedrez que un Na4 debe ser seguido por un Qa3. Solo le muestras muchos juegos. La computadora aprende al ver los datos por sí misma, en lugar de que alguien los alimente con “reglas”.
2. Como notará anteriormente, el primer método requería que el creador del simulador fuera un experto en dos campos: el ajedrez y la informática. Esto restringió severamente la disponibilidad de personas que realmente pueden desarrollar herramientas increíbles. Ahora, solo necesita a alguien con experiencia en ciencias de la computación, y un conocimiento mínimo / falta de experiencia no impide que uno construya herramientas increíbles. Definitivamente ayuda ser un experto en ambos campos, pero no obstaculiza uno si no lo son.
3. El sorprendente crecimiento tanto en el poder de la computación central como en nuestra capacidad de utilizar la computación distribuida significa que las computadoras ahora pueden procesar cantidades de datos impensables a través de cantidades razonables de recursos. Las computadoras ahora pueden, a lo largo de sus vidas, ver y procesar muchos más datos de los que los humanos pueden procesar. Esto significa que a pesar de que los humanos tienen mejores ‘procesadores’ / ‘algoritmos’, las computadoras tienen mejores ‘órganos sensoriales’.

Hay una comunidad de ML fuerte que toma la exageración de la IA con una cuchara de sal, porque saben que es una tarea ardua y que acabamos de comenzar. Sin embargo, también es cierto que hay avances recientes, especialmente en la comunidad de visión por computadora, que ha superado los puntos de referencia de años con amplios márgenes [1].

Luego, está el factor codicia . Siempre hay personas que desean ganar dinero rápido, no en función de su tecnología sino de la ignorancia de los demás. Estoy seguro de que la IA tiene excelentes aplicaciones en la atención médica, el comercio minorista, el mercado de consumo, etc. En esta etapa, estamos construyendo estas soluciones de manera lenta y constante. Sin embargo, si alguien afirma cambiar el mundo de la noche a la mañana (demasiado bueno para ser verdad), entonces genera alarmas.

Los seres humanos siempre están fascinados por las cosas fascinantes: los aviones, la electricidad, el motor, etc. han contribuido a nuestro crecimiento como sociedad, entonces, ¿qué hay de malo en soñar con máquinas autoconscientes? Ninguno en realidad, pero vender sueños falsos sí.

Notas al pie

[1] La respuesta de Shehroz Khan a ¿Por qué todos los investigadores utilizan el aprendizaje profundo en el procesamiento de imágenes?

Un problema del autodidacta es el idioma y la cultura. En todas partes, las disciplinas convergen en su jerga, esquemas interpretativos y orden jerárquico. No tenemos nada de eso.

Mis amigos matemáticos dijeron esto sobre mí: es difícil de entender ya que no usa el lenguaje de la disciplina; sin embargo, si lo escuchas y hablas con él, verás que tiene razón sobre un tema, aunque desde una perspectiva nueva (diferente) (parafraseando, por supuesto).

Y así, ayer, la sincronía trajo dos cosas a mi enfoque. Hermenéutica, por ejemplo. Verá, siempre bailé lejos de eso con su énfasis en las Escrituras. Sin embargo, hay una visión general; y se aplica a la informática (mi enfoque, la ingeniería de la verdad). Entonces, en las últimas 24 horas, he leído y escuchado. Me gusta esto: Crapularidad hermenéutica. Recuerde, he estado usando CICO.

Entonces, vi más discusiones relacionadas con el panpsiquismo (y demás) con un enfoque técnico de mayor sustancia (química, teoría de cuerdas, cosmología general, …). Más sobre eso más tarde.

Esencialmente, no somos computables. Podríamos ser imitados. Eso no es inteligencia, por completo.

Bombo? ¿No es ese el camino humano? Ve a un patio de recreo y escucha a los chicos (hey, tengo 75 años y soy de otra época).

AI como algo de uso? Sí, por ejemplo, piense en grande y, en su mayor parte, en una colección mejorada de sensores. De lo mundano. Psychether y más? El reino de la humanidad (hacemos compresión del tiempo y dilatación del espacio).

Ahora, la crapularidad se discute (arriba) en términos de ciencia de datos, et al. Sin embargo, esas mismas técnicas están relacionadas con la IA (¿realmente necesitamos esa letanía de cómo?).

Y así, es hora de que los jugadores (tontos, siendo amables) vuelvan a cosas como la hermenéutica (en el sentido correcto). Ustedes han arruinado las cosas lo suficiente y llenaron sus bolsillos al máximo. Danos un descanso, ¿de acuerdo?

Hablemos.

No, la IA no está exagerada, pero tiene una exageración merecida después de tantos años de investigación en segundo plano. Creo que el mundo exterior todavía no es muy consciente de las capacidades de la IA y sus aplicaciones potenciales, excepto los autos sin conductor y algunas cosas de aprendizaje automático.

Lo mejor y lo peor de la IA es que es un propósito general. Algunas de las investigaciones, que he visto a mi alrededor y de las que quizás haya oído hablar:

1. Encontrar ansectores de Protien en células humanas utilizando algoritmos genéticos.
2. Determinación de las etapas del cáncer mediante el aprendizaje profundo.
3. Análisis de textos religiosos mediante el aprendizaje automático.
4. Robótica contra incendios en entornos de equipo.

Etc …

En la academia, muchos departamentos importantes usan IA en su investigación aquí en UGA y ahora es un estado del arte en CS en todo el mundo. Google ya ha cambiado su área de enfoque de dispositivos móviles a inteligencia artificial y vería en un futuro muy cercano, un cambio drástico liderado por la inteligencia artificial en el mundo.

PD: En casos importantes, cuando presento mi especialidad como IA, ¡la gente piensa en los extraterrestres o no lo entienden!

Quiero compartir esta imagen, que muestra las tecnologías Hype

Fuente de imagen

Como puede ver en la imagen, el aprendizaje automático como subconjunto principal de IA está en Hype, y tiene 2 a 5 años como adopción general, por lo que no creo que la IA esté sobrevalorada.

Además, el aprendizaje automático (AI) es uno de los subdominios importantes en la ciencia de datos, y como saben, la ciencia de datos es la actualidad en CS.

Bueno para leer:

• Científicos de datos: ustedes mismos a prueba de futuro
• El futuro de la Inteligencia Artificial: 6 formas en que impactará la vida cotidiana por Ryan Ayers

Espero que ayude 🙂

No usaré el concepto exagerado más bien lo llamaría tendencia . Sí, la IA como campo está en tendencia ahora. Todos quieren ensuciarse las manos en IA. Veremos una tendencia de IA hasta 2020, supongo que habrá otro campo que estará en tendencia. Pero, la mayor parte de la investigación se centrará en la IA de ahora en adelante. Las aplicaciones centradas en el futuro son la razón principal de esto. Tome IoT, biología y cualquier otro campo en el que definitivamente pueda ver la sombra de la IA.

Si. Está sobrevalorado.

Pero, se exagera por una razón.

Ya sea que Columbus encuentre una ruta marítima a la India o que Wright Brothers encuentre una forma de volar como un pájaro o la forma en que Am vende a través de Internet o los métodos de Deep Learning de los investigadores de ML, la codiciosa mente humana busca y busca nuevas Oportunidades para ganar dinero haciendo avanzar la civilización humana.

Si bien es una exageración, está directa o indirectamente ayudando al avance.

No.

Está bajo exagerado.

Todavía no hemos arañado la superficie.

Estamos a punto de entrar en una convergencia de dos revoluciones. Uno en datos y otro en aprendizaje automático.

Estamos acumulando cantidades increíbles de datos todos los días. La mayor parte no está estructurada y deberá limpiarse y formatearse antes de que sea modelo.

Piense en cualquier cosa que haga todos los días que use una computadora. En una década, esa cosa tendrá un modelo de aprendizaje automático detrás.

No creo que los que están fuera del espacio entiendan el tamaño y el alcance de lo que está en el horizonte.

Una introducción al aprendizaje automático para ingenieros de datos

La IA existía de forma invisible desde los años 80. Se vio afectado por limitaciones de hardware, procesamiento del lado del servidor, recopilación de datos a gran escala. Avance rápido hasta principios de la década de 2000, se resuelve hasta cierto punto. Ha sido posible gracias a servidores de productos básicos, trabajos de investigación de vanguardia que se publican. A mediados de 2013, los capitalistas de riesgo comenzaron a invertir y financiar empresas. Pocas de las técnicas de resolución de problemas que existían en forma tradicional comenzaron a mostrar resultados más aprobados con el aprendizaje automático y los algoritmos de redes neuronales. Cuando las precisiones mejoraron y funcionaron bien (aún no logramos los resultados completamente optimizados que deseamos), la cosa de IA llamó la atención del mundo.

Como ingeniero e investigador en el mismo campo, diría: – No, no está promocionado.

El término “AI” casi se ha convertido en sinónimo de exageración. La mayoría de las aplicaciones potenciales no tienen datos suficientemente detallados para lograr el nivel de rendimiento “milagroso” que los titulares implicarían.

Por otro lado, los datos están mucho más disponibles hoy que en el pasado, por lo que el número de historias de éxito es mayor incluso si el porcentaje no lo es.

No. ¡Llámame idealista o lo que quieras, pero la IA es el camino hacia la sociedad utópica, hacia el paraíso!

Al igual que las máquinas reemplazaron la mano de obra hace un siglo con el aumento de la industrialización, las IA reemplazarán la potencia cerebral algún día.

Podrán calcular automáticamente el mejor curso de acción estático para todo, controlar todo centralmente pero también discretamente. Un día reemplazarán todos los trabajos (y serán más precisos en el trabajo de lo que cualquier ser humano es capaz de ser).

Piense en eso por un segundo. Un día, las máquinas pueden realmente esclavizarse mientras todos podemos estar sentados en el paraíso pasándolo en grande.

Un interesante artículo del científico jefe de Baidu, Andrew Ng:

Andrew Ng: lo que la IA puede y no puede hacer

Puede ser exagerado, pero eso no lo hace menos prometedor (o necesario). Para la ciberseguridad, abre la puerta a nuevas capacidades que hasta ahora eran simplemente imposibles:

Uso del análisis de clúster para la detección integral de amenazas

A pesar de que trabajé en IA durante bastante tiempo, inicialmente también lo sentí, pero luego, cuando me sumergí profundamente en los desarrollos recientes y su aplicación potencial, mi punto de vista se revirtió por completo. Algunos grupos tienen un argumento contrario para que la IA no sea lo suficientemente poderosa ya que todavía no tenemos un AGI, pero lo que olvidan es que con el propio ANI tenemos suficiente poder para automatizar el 90% de las operaciones mundiales en la actualidad. Confía en mí, no estamos en una burbuja, es solo un goteo, el tsunami aún está por llegar.