Los 10 principales retos de los proyectos de IA

de | 2 mayo 2022 | Conceptos básicos

En 2022 celebraremos el 10º aniversario de [at] - Alexander Thamm.

En 2012, fuimos la primera consultora del mundo germanoparlante en asumir la causa de los Datos y la IA. Hoy en día, puede decirse que la inteligencia artificial (IA) tiene el potencial de contribuir de forma importante a algunos de los principales retos económicos y sociales de nuestro tiempo. La IA desempeña un papel en la transición energética y en la respuesta al cambio climático, en la conducción autónoma, en la detección y tratamiento de enfermedades o en el control de pandemias. La IA aumenta la eficiencia de los procesos de producción e incrementa la adaptabilidad de las empresas a los cambios del mercado gracias a la información en tiempo real y a las predicciones.

La importancia económica de la tecnología está creciendo rápidamente. Más de dos tercios de las empresas alemanas utilizan ya inteligencia artificial y aprendizaje automático.

Con nuestro #AITOP10, le mostramos lo que está de moda ahora mismo en el campo de los datos y la IA. Nuestras listas TOP10 presentan lo más destacado de los podcasts, tendencias de IA específicas del sector, expertos en IA, recomendaciones de herramientas y mucho más. Aquí obtendrá una amplia muestra representativa del universo de los Datos y la IA que nos ha impulsado durante 10 años.

Disfrute de la lectura y siéntase libre de añadir algo a la lista.

Clasificación 10 - El equipo adecuado  

Crear un equipo de científicos de datos con talento puede ser costoso y llevar mucho tiempo debido a la escasez de competencias. Las pequeñas y medianas empresas, en particular, no suelen tener la capacidad de contratar a profesionales de la ciencia de datos y la ingeniería de datos para abordar el uso de la IA. Sin un equipo con la formación y los conocimientos adecuados, las empresas no deberían esperar conseguir mucho con la IA. Es necesario analizar los costes y beneficios de crear equipos internos de ciencia de datos o externalizarlos a proveedores de servicios externos.

Clasificación 9 - Prejuicios en la IA

Una IA sólo puede ser tan buena como los datos con los que se ha entrenado. Por lo tanto, los datos de alta calidad e imparciales son especialmente importantes. Pero la realidad es otra: Los datos que las empresas recopilan a diario suelen estar sesgados y no tienen sentido por sí mismos. A menudo, estos datos sólo representan una parte de toda la base de datos y están influidos por las aportaciones previas de los usuarios o por enfoques individuales. Este reto sólo puede superarse definiendo algoritmos que detecten estos problemas y hagan que los datos estén menos "sesgados".

Clasificación 8 - Protección de datos y seguridad

El factor más importante en el que se basan todos los modelos de aprendizaje profundo y automático es la disponibilidad de datos y recursos para entrenar estos modelos. Cuando se generan datos de millones de usuarios de todo el mundo, existe el riesgo de que estos datos se utilicen con fines deshonestos. Algunas empresas ya han empezado a innovar para sortear estos obstáculos. Google, por ejemplo, ha desarrollado un enfoque de este problema llamado "aprendizaje federado": entrena un modelo ML con datos personales, por ejemplo de teléfonos, en el propio dispositivo, de modo que los datos no se envían a los servidores. Sólo se envía a la empresa el modelo entrenado, por lo que no se almacenan datos personales en los servidores.

Clasificación 7 - Falta de explicabilidad y comprensibilidad de la IA

En la mayoría de los casos, la IA es una "caja negra". Ni siquiera un científico de datos puede explicar claramente por qué la IA ha tomado una determinada decisión. Por eso la "IA explicable" es un amplio campo de investigación con el objetivo de hacer la tecnología más transparente para los humanos, lo que reducirá las reservas y preocupaciones sobre la IA en el futuro. Hasta ahora, la base de la toma de decisiones sólo puede explicarse hasta cierto punto. Pero hasta que no haya transparencia total, tenemos que aceptar que la IA toma decisiones cuya solución no siempre es comprensible para los humanos.

Clasificación 6 - Disponibilidad y costes de las grandes capacidades informáticas

El elevado consumo de energía de los algoritmos hambrientos de energía es un factor clave que impide a muchos desarrolladores utilizar la IA. El aprendizaje automático y el aprendizaje profundo requieren un número cada vez mayor de núcleos de procesamiento y GPU para funcionar de manera eficiente. Hay muchas áreas en las que el aprendizaje profundo se puede utilizar para obtener información valiosa, pero algunos algoritmos requieren la potencia de procesamiento de un superordenador. Gracias a la disponibilidad de la computación en la nube y el procesamiento paralelo, los desarrolladores pueden trabajar más eficazmente en aplicaciones de IA, pero la potencia de cálculo necesaria tiene un precio. No todo el mundo puede permitirse procesar estas enormes cantidades de datos y la creciente complejidad de los algoritmos.

Clasificación 5 - Utilización de datos externos

La inclusión de datos externos es una parte importante de los programas de análisis de datos cuando las empresas buscan perspectivas estratégicas fuera de su organización. Con tantos datos disponibles, a las empresas les resulta difícil saber qué tipo de datos externos buscan y dónde encontrarlos. Los mercados de datos ofrecen una plataforma para comprar datos, pero normalmente no ayudan a los compradores a comprender qué tipo de datos necesitan para su caso de uso o problema. Por ejemplo, puede ser difícil garantizar una buena calidad de los datos y comprender qué impacto tienen los conjuntos de datos en los modelos predictivos antes de comprarlos.

Clasificación 4 - Falta de garantías de éxito

Otro reto en la implantación e integración de la IA: la falta de garantía de éxito. La introducción de la IA y la implantación de proyectos de ML en una empresa siempre suponen un gran esfuerzo. Para iniciar un proyecto de IA, hay que evaluar y experimentar con los datos disponibles. A continuación, se examinan las posibilidades de éxito del modelo de ML con respecto al objetivo deseado. En algunos casos, el resultado deseado del caso de uso no puede alcanzarse con los datos disponibles y deben examinarse otras estrategias para resolver este problema.

Rango 3 - Los datos deben contener patrones

¿Qué ocurre si los datos no coinciden? Un problema habitual en la práctica es que los datos no contengan un patrón determinado. En algunos casos, los datos cambian de forma aleatoria y, por lo tanto, no se pueden predecir ni analizar de forma provechosa. Entonces, utilizar un modelo ML con estos datos no conduce a la precisión deseada. Aquí, en algunos casos, las fuentes de datos pueden ser evaluadas más a fondo y posiblemente procesadas, limpiadas o reemplazadas. De lo contrario, el problema del caso de uso debe cuestionarse y especificarse más.

Clasificación 2 - Cuantos más datos, mejor

Los datos desempeñan el papel principal en el entrenamiento de modelos ML. Por lo tanto, siempre es mejor tener muchos datos que pocos. Dado que los modelos ML necesitan grandes cantidades de conjuntos de datos para realizar predicciones significativas, un conjunto de datos demasiado pequeño puede hacer que el modelo ML sea impreciso o incluso inutilizable. Sólo si los conjuntos de datos de entrenamiento representan todas las constelaciones y anomalías posibles, éstas también podrán reconocerse posteriormente en la aplicación.

Clasificación 1 - Una comprensión unificada de la IA

No existe una definición única y universalmente válida de IA: cada cual asocia ideas diferentes al término. Precisamente esta circunstancia puede convertirse en un verdadero reto en un proyecto. Por lo tanto, es preciso aclarar de antemano todos los aspectos que intervienen en el proyecto. Hay que discutir exactamente de qué es capaz la inteligencia artificial y de qué no. Hay que disipar mitos y malentendidos. También deben tomarse en serio las inquietudes y preocupaciones de los empleados, por ejemplo, el miedo a perder el trabajo o a que se produzcan situaciones críticas como consecuencia de las predicciones de la IA. Sólo así será posible crear un entendimiento uniforme para que todos los implicados estén a bordo y tiren en la misma dirección.

Estos son los 10 principales retos que hemos experimentado al implantar la IA en más de 1300 casos de uso.

Haga clic aquí para ir a nuestro Base de datos de casos prácticos.

¿Qué retos ha experimentado ya en la implantación de la IA?

Autor:inside

Luke Lux

Lukas Lux es un estudiante que trabaja en el departamento de Estrategia y Clientes de Alexander Thamm GmbH. Además de sus estudios en Ingeniería de Ventas y Gestión de Productos con especialización en Ingeniería Informática, se ocupa de las últimas tendencias y tecnologías en el campo de los Datos y la IA y las recopila para usted en colaboración con nuestros [at]expertos.

0 comentarios

También le puede interesar