La inteligencia artificial (AI, en sus siglas en inglés), conjugada con el machine learning –o aprendizaje automático-, va a cambiar el mundo tal y como lo conocemos. Sundar Pichai, CEO de Google, afirmaba hace algunos meses que esta tecnología va a tener un impacto aún mayor que el que en su día tuvieron el fuego o la electricidad, como recogía CNBC.
Esto tiene un lado positivo pero también comporta amenazas. Aunque el fuego o la electricidad tienen un poder mortífero, hemos aprendido a manejarlos en nuestro provecho. Lo mismo sucede con la AI: podemos beneficiarnos del enorme potencial de esta tecnología pero hemos de comprender los riesgos que conlleva un uso inadecuado. Personalidades como Elon Musk, CEO de Tesla, Sam Altman, presidente de Y Combinator –ambos cofundadores de OpenAI, que promueve un desarrollo “seguro” de la AI – o el recientemente fallecido Stephen Hawking han puesto de relieve las amenazas que comporta esta tecnología emergente si se pierde el control sobre ella. Y hace ya 50 años que Stanley Kubrick imaginaba un futuro en el que el supercomputador HAL 9000 se rebelaba contra la tripulación del Discovery 1, en ‘2001: Odisea del espacio’.
¿Pero qué podemos esperar de la AI? “Las tecnologías como machine learning y deep learning son poderosas, pero no son una ‘bala de plata’. El valor real proviene de una combinación de herramientas y tecnologías que faciliten a las empresas la creación de las aplicaciones de inteligencia artificial más adecuadas a sus requerimientos”, explica Elisa Martín Garijo, directora de Innovación de IBM España.
Los esfuerzos de la compañía en este ámbito han cristalizado en IBM Watson, un conjunto de servicios y capacidades que incluyen aprendizaje automático, razonamiento y tecnologías de decisión, así como tecnologías de lenguaje, voz e imagen. “Estas capacidades están diseñadas para aprender a escalar, razonar e interactuar con los humanos de forma natural para resolver una amplia gama de problemas prácticos y fomentar nuevos descubrimientos en muchas industrias, yendo mucho más allá de las capacidades de la programación simple”, precisa Martín Garijo.
Así, reseña que muchas organizaciones ya están utilizando Watson, “no sólo para transformar la manera de relacionarse con clientes, pacientes, ciudadanos, empleados, sino también para añadir inteligencia en la transformación de los procesos y las operaciones de las empresas -cadena de suministro, contact center, fabricación, compras, recursos humanos, etc.- , e incluso para innovar en el desarrollo de nuevos productos y servicios. Esta transformación está abarcando todo tipo de industrias, desde servicios públicos como la salud, educación o la justicia, hasta servicios financieros, turísticos o de consumo, por citar algunos ejemplos”.
A continuación, repasamos algunos de los ámbitos en los que ya estamos viendo la aplicación de AI y machine learning o deep learning,
Todos llevamos AI en nuestros bolsillos, ya que es la base sobre la que asientan asistentes virtuales como Siri, Cortana o el Asistente de Google, que van en las ‘tripas’ de nuestros smartphones, Y esta tecnología está entrando en los hogares, con la llegada de los altavoces inteligentes. Las empresas del sector tecnológicos saben el potencial que tiene este mercado, por lo que se prevé una interesante lucha entre Amazon Echo, Google Home, Apple HomePod o Samsung Bixby.
Estos asistentes se sirven del machine learning para mejorar sus prestaciones, ya que van aprendiendo automáticamente y corrigiendo sus errores a la hora de depurar las ondas sonoras y limpiar el ruido, detectar los silencios entre palabras y comprender el idioma con el fin de entender mejor qué queremos decir, ya sea una consulta, la ejecución de un comando, añadir un evento en nuestra agenda o reproducir una canción.
Martín Garijo señala que “IBM Watson ha comenzado a ser capaz de detectar expresiones faciales, combinar palabras, voces e interfaces visuales y formar una comprensión completa de una conversación. IBM también está desarrollando aún más la capacidad de Watson para comprender diferentes vocalizaciones de palabras y cómo eso refuerza el significado emocional de una persona”.
Los sistemas de deep learning buscan categorías de objetos, detalles particulares o zonas de las imágenes con el fin de categorizarlas y establecer patrones. Así aprenden a identificar letras y textos, rostros y expresiones faciales, paisajes, señales… Por ejemplo, si usamos el buscador de Google Fotos y ponemos “mar”, “animales” o “sonrisas”, aparecerán las fotos que concuerden –más o menos- con estas etiquetas.
El reconocimiento de imágenes se puede utilizar para verificar la identidad con el rostro, reconocer matrículas, prevenir crímenes o identificar a criminales gracias a las cámaras de seguridad, detectar precozmente enfermedades mediante diagnóstico por imagen –radiografías, resonancias, ecografías, tomografías, etc.-., advertir contenidos inapropiados en internet, etc. Pero incluso podría tener usos tan futuristas como el reconocimiento las emociones de las personas que acuden a una tienda o un espectáculo.
El deep learning es fundamental en el desarrollo del vehículo autónomo. Gracias a esta tecnología, la inteligencia artificial de los coches va aprendiendo a partir del entorno circundante –señales, carriles, peatones, vehículos, baches, obstáculos, climatología- y los cambios que se producen en el mismo. De esta manera, va entrenándose con el objetivo de detectar patrones de conducción, adquiriendo la destreza necesaria para prevenir los cambios y así anticiparse a ellos, evitando posibles accidentes.
Oracle considera que la próxima gran revolución es el software autónomo. La compañía cree que será algo inherente a cualquier capa tecnológica, ya sea infraestructura, plataforma, aplicaciones, etc. Oracle lo define como la posibilidad de implementar capacidades de inteligencia artificial y machine learning a sus soluciones, de manera que sean capaces de gestionarse, regularse, parchearse, etc., de manera automática, sin necesidad de intervención humana.
Este software autónomo se basa en algoritmos de AI y machine learning. Habrá que comenzar inicialmente enseñando a los sistemas a autogestionarse, aplicando determinadas pautas que seguir dependiendo de la situación. Con el paso del tiempo, los sistemas se retroalimentarán con los sucesos que se vayan produciendo, siendo capaces de aprender de ellos y de tomar decisiones y ejecutarlas automáticamente.
En el sector financiero son cada vez más populares los robo-advisors. Estos sistemas se aprovechan la potencialidad de AI, machine learning y deep learning para ayudar a los inversores con menos conocimientos financieros a decidir cuánto dinero invertir y dónde colocarlo. Según Aite Group, hace un año había ya alrededor de 2.150 robo-advisors, gestionando activos por valor de 140.000 millones de dólares, tal y como recogía Bloomberg. Se preveía que estos asesores gestionaran ya 285.000 millones al cierre del ejercicio 2017. Y el informe ‘Digital Disruption’ de Citigroup cita la estimación de la asesoría de inversiones Schwab Intelligent Portfolios, que indica que el mercado potencial de los robo-advisors en Estados Unidos se situará en 400.000 millones en los próximos años. Su avance parece imparable.
“Va a ser posible predecir el comportamiento de acciones en la bolsa o realizar evaluaciones de riesgos financieros y de clientes, todo para mitigar los factores de riesgo”, explica Gustavo Parés, director de la empresa de inteligencia artificial Nearshore Delivery Solutions. Estos sistemas se pueden alimentar con noticias, redes sociales, información gubernamental y datos de instituciones bancarias, valiéndose para ello de AI, machine learning y big data.
En el sector asegurador también se está empleando el aprendizaje automático. Las compañías especializadas en el diseño de software para las aseguradoras están empezando a incorporar machine learning –combinando con GLM (modelos lineales generalizados, en sus siglas en inglés)- para analizar información histórica con el fin de aprovechar su capacidad predictiva en la construcción de modelos que sirvan para fijar precios, aumentar la conversión, maximizar la venta cruzada y upselling, etc.
El deep learning se puede aplicar a la experiencia de usuario, permitiendo personalizar las experiencias altamente “Ya se están consiguiendo resultados muy positivos a la hora de enriquecer las relaciones con los clientes, personalizar ofertas y adelantarse a sus gustos. Empresas como Google, Netflix o Amazon lo están aplicando desde hace tiempo y durante 2018 veremos como un gran número de compañías y marcas se unen a esta tendencia”, afirma Carolina Moreno, directora general de Liferay para el Sur de Europa.
Vector ITC Group considera que este año experimentará un significativo impulso la aplicación de machine learning y deep learning a la ciberseguridad. Es decir, que veremos el desarrollo de sistemas de ciberseguridad que aprendan de su propia experiencia con el fin de adelantarse a posibles ataques y protegerse ante ellos.
En este sentido, el ‘Informe Anual de Ciberseguridad 2018’ de Cisco indica que se va a reforzar la inversión en herramientas de ciberdefensa basadas en AI y aprendizaje automático para reducir el tiempo y la capacidad operativa de los atacantes. La compañía indica que emplear tecnología de machine learning puede ayudar a reforzar las defensas de ciberseguridad, aprendiendo a lo largo del tiempo cómo detectar de forma automática patrones inusuales en entornos de tráfico web cifrado, cloud e Internet de las Cosas.
Los mensajes RCS ofrecen muchas más posibilidades que los SMS, pero también abren la puerta…
Acompañará a las empresas en sus procesos de equipamiento, desde la elección del hardware hasta…
Juntos, trabajarán en la formación y la actualización de habilidades para que los consejeros impulsen…
Este dispositivo incluye entre sus especificaciones procesador Intel Core Ultra (Serie 2) y botón Copilot.
Ya cuenta en su poder con más del 90 % de las acciones del proveedor…
Los actuales consejeros delegados, Raphael Erb y Melissa Mulholland, se convertirán en co-CEOs de la…