La inteligencia artificial (IA), en su definición más simple, es una tecnología que inserta software en máquinas para permitirles percibir su entorno y realizar acciones antes impensables. Es gracias a ella que podemos comunicarnos online con amigos mientras viajamos en subte o encontrar el lugar más cercano para ir a comer una pizza con solo poner la pregunta en el teléfono. Hoy los teléfonos son tan “inteligentes” como los autos que están a punto de salir a las calles sin un conductor al volante.
Las posibilidades que se abren para todos los sectores son tan amplias, que un grupo de especialistas sintió la necesidad de clarificarlas y mostrar qué están haciendo algunos para aprovechar la oportunidad. Tomaron como punto de partida las investigaciones del McKinsey Global Institute de más de 400 casos de uso de inteligencia artificial en 19 sectores y nueve funciones empresariales para evaluar las aplicaciones prácticas y el potencial económico de las técnicas avanzadas de IA.
El informe, titulado “Notes from the AI frontier: Applications and value of deep learning” hace un mapeo de las técnicas tradicionales de analytics y las más nuevas de “aprendizaje profundo” y analiza luego los problemas que resuelve cada grupo en más de 400 casos específicos de uso en compañías y organizaciones. Michael Chui, James Manyika, Mehdi Miremadi, Nicolaus Henke, Rita Chung, Pieter Nel y Sankalp Malhotra constatan en ese trabajo que la amplitud de los usos es enorme y el potencial económico, especialmente de las de aprendizaje profundo, es muy prometedor pero enfrenta desafíos considerables.
Los autores comienzan por distinguir las técnicas “tradicionales” de data analytics de las más nuevas, que llaman de “aprendizaje profundo”.
Luego explican los problemas que pueden resolver estas últimas a través de los 400 casos estudiados por McKinsey en empresas y organizaciones que las aplican. En definitiva, dicen que el valor de IA no se encuentra en los modelos mismos sino en la capacidad de las empresas para aprovecharlos. Pero ese aprovechamiento, aclaran, deberá hacerse siempre teniendo en cuenta las preocupaciones sobre seguridad de datos, privacidad y la posible intromisión del prejuicio.
Técnicas de IA y problemas que resuelven
A medida que avanzan las tecnologías de inteligencia artificial, también van cambiando las técnicas que la constituyen. Las últimas en aparecer son las de aprendizaje profundo que usan redes neurales artificiales.
Las redes neurales son sistemas de IA que se comportan de manera similar a la interacción de las neuronas en el cerebro. Reciben el nombre de “aprendizaje profundo” porque las redes neurales tienen muchas capas (“profundas”) de neuronas –simuladas– interconectadas.
Los investigadores analizaron las aplicaciones y el valor de tres técnicas de redes neurales:
• Redes neurales de alimentación hacia adelante: el tipo más simple de red neural artificial. En esta arquitectura, la información se mueve en una sola dirección, hacia delante, desde la capa de entrada hasta la capa de salida. No hay círculos, no hay vueltas en la red.
• Redes neurales recurrentes: son redes neurales artificiales cuyas conexiones entre neuronas incluyen vueltas o círculos, muy adecuadas para procesar secuencias de información de entrada (inputs). En 2016, en la Universidad de Oxford, un sistema basado en redes neurales recurrentes logró 95% de precisión en lectura de labios frente al 52% logrado por lectores humanos.
• Redes neurales enroscadas: Son redes neurales artificiales donde las conexiones entre las capas neurales se inspiran en la organización de la corteza visual animal, la porción del cerebro que procesa imágenes, muy adecuadas para tareas de percepción.
Casos de uso
El grupo que realizó el estudio cotejó y analizó más de 400 casos en 19 industrias y nueve funciones de negocios. Esos casos aportaron conocimientos en áreas de sectores específicos donde las redes neurales profundas tienen posibilidades de crear más valor que el procedimiento con analytics tradicional. Además, el estudio de esos casos comprobó que los requisitos de datos que tienen estas últimas técnicas son enormes en términos de volumen, variedad y velocidad.
Tipos de casos en los que se puede usar IA para mejorar el desempeño de usos existentes:
• Mantenimiento predictivo: el poder de las máquinas para detectar anomalías. La capacidad del aprendizaje profundo para analizar cantidades muy grandes de datos puede llevar a un nuevo nivel los sistemas de mantenimiento preventivo. Apilando capas de datos adicionales, como datos de audio y de imagen de otros sensores, las redes neurales pueden mejorar y posiblemente reemplazar métodos más tradicionales. La capacidad de IA para predecir fallos y permitir intervenciones planificadas se puede usar para reducir el tiempo de inactividad y los costos operativos además de para mejorar el rendimiento.
• La optimización de la logística puede reducir costos mediante pronósticos en tiempo real y asesoramiento de la conducta. La aplicación de técnicas de IA puede agregar mucho valor en todos los sectores. Puede optimizar la planificación de las rutas de entrega porque permite mejorar la eficiencia del combustible y reducir los tiempos de entrega.
• IA puede ser una herramienta valiosa para el gerenciamiento del servicio al cliente y para superar los desafíos que presenta la personalización. El mejoramiento del reconocimiento de la voz en la administración de los call centers y el ruteo de las llamadas aplicando técnicas de IA permiten una experiencia más satisfactoria para los clientes y un procesamiento más eficiente de las llamadas. Por ejemplo, un análisis de aprendizaje profundo de audio permite a los sistemas evaluar el tono emocional del cliente: en el caso que un cliente esté respondiando mal al sistema, la llamada puede ser derivada a operadores humanos y gerentes. En otras áreas de marketing y ventas, las técnicas de IA también pueden tener un impacto importante. Combinando datos demográficos de los clientes, datos de transacciones pasadas y monitoreo de redes sociales se pueden generar recomendaciones de productos personalizados.
En 69% de los casos estudiados, las redes neurales profundas se pueden usar para mejorar el desempeño mucho más del que brindan otras técnicas analíticas. Los casos donde sólo se pueden usar redes neurales constituyeron 16% del total. Para el restante 15%, las redes neurales artificiales aportaron un desempeño adicional escaso frente al de otras técnicas analíticas, entre otras razones porque la limitación de datos las hizo inapropiadas para el aprendizaje profundo.
La visualización de los datos interactivos que surgen del estudio muestra el posible valor que se podría crear con inteligencia artificial y técnicas avanzadas de análisis. Pero en muchos de los casos las técnicas tradicionales de analytics siguen creando valor satisfactorio en industrias como seguros, telecomunicaciones y productos farmacéuticos y médicos. En otros contextos, IA muestra un potencial limitado, en parte por a la forma en que esas actividades usan los datos o por problemas regulatorios.
Para hacer un buen uso de las redes neurales en la mayoría de las aplicaciones hacen falta grandes cantidades de datos etiquetados además de acceso a una enorme infraestructura de computación. Además, esas técnicas de aprendizaje profundo son especialmente poderosas para extraer patrones de datos multidimensionales, como imágenes, video y audio o lenguaje.
Cuál podría ser el valor potencial de IA
Los investigadores estiman que las técnicas de IA que analizaron en su trabajo tienen la posibilidad de crear entre US$ 3,5 billones (millones de millones) y US$ 5,8 billones en valor anual en nueve funciones de negocios en 19 sectores. Esto constituye casi 40% de un total de US$ 9,5 billones a US$ 15,4 billones anuales de impacto anual que podrían ser facilitados por todas las técnicas de analytics.
Por sector, calculan que el valor potencial de IA representa entre 1 y 9% del ingreso en 2016. El valor, medido por el porcentaje del ingreso de la industria varía según los casos específicos de uso, la dispsonibilidad de datos complejos y abundantes y de las limitaciones regulatorias.
Estos son los tres sectores donde los autores vieron mayor impacto de IA:
• Retail, marketing y ventas es el área que más valor puede extraer de IA y dentro de esas funciones, precios y promoción y servicio al cliente son las principales áreas de valor. Los casos analizados muestran que usar datos de clientes para personalizar promociones, por ejemplo, incluyendo ofertas personalizadas todos los días, puede resultar entre 1 y 2% de aumento en ventas incrementales.
• En productos para el consumo, la administración de la cadena de suministro es la función que más podría beneficiarse de la utilización de IA Entre los ejemplos del estudio, los autores vieron que los pronósticos basados en las verdaderas causas de la demanda y no en resultados anteriores pueden mejorar la precisión del prónóstico de 10 a 20%, lo que se traduce en una posible reducción de 5% en los costos de mantener inventario y aumento de los ingresos de 2 a 3%.
• En las banca, especialmente banca minorista. IA tiene un importante valor potencial en marketing y ventas, tanto como ocurre en retail. Sin embargo, debido a la importancia de evaluar y manejar el riesgo en la banca, por ejemplo, para otorgamiento de préstamos y detección de fraude, IA tiene mucho mayor valor potencial para mejorar el desempeño en riesgo en el sector bancario que en muchos otros sectores.
IA: lo que puede y no puede hacer
Últimamente se han producido muchos avances interesantes, pero persisten grandes desafíos.
La inteligencia artificial está generando grandes cantidades de inversión en las empresas y, a medida que se desarrollan las tecnologías, el valor potencial que puede producir va a crecer. Sin embargo, hasta ahora, sólo 20% de las empresas que adoptan IA están usando una o más de sus tecnologáis para los procesos centrales de negocios.
Con todas sus promesas, las tecnologías IA tienen muchas limitaciones que deberán que superar. Además de la gran exigencia de datos hay otras cinco grandes limitaciones:
• El desafío de etiquetar datos de entrenamiento, algo que muchas veces se debe hacer manualmente y es necesario para el aprendizaje supervisado. Están apareciendo técnicas que prometen etiquetar los datos automáticamente.
• La dificultad de obtener conjuntos de datos que sean lo suficientemente grandes y abarcativos para ser usados para entrenamiento. En muchos casos crear u obtener conjuntos de datos así de grandes puede ser una tarea ciclópea.
• La dificultad de explicar en términos humanos los resultados de modelos grandes y complejos: ¿por qué se llegó a determinada decisión? Los reguladores suelen exigir que la elección de los criterios sea claramente explicable.
• El cuarto obstáculo está en generalizar el aprendizaje. Los modelos de IA siguen teniendo dificultades para trasladar sus experiencias de un conjunto de circunstancias a otro. La transferencia de aprendizaje, en la que un modelo de IA es entrenado a realizar una tarea determinada y luego aplicar ese aprendizaje a una actividad similar pero distinta, es una respuesta prometedora a este desafío.
• La quinta limitación se refiere al riesgo del prejuicio en datos y algoritmos. Este tema toca preocupaciones que son de naturaleza social y que para resolverse nencesitarían medidas más amplias, como entender que los procesos usados para recolectar datos pueden influir en la conducta de los modelos que se usan para entrenar a las máquinas. Por ejemplo, se puede filtrar un prejuicio inconsciente cuando los datos de entrenamiento no son representativos de la mayoría de la población a la que se le aplica el modelo IA. Por ejemplo: Los modelos de reconocimiento facial entrenados con una población de caras correspondiente a la demografía de los desarrolladores de IA pueden tropezar cuando se los aplica a poblaciones con características diferentes.
Finalmente hay infinidad de formas de hacer un uso malicioso de IA. Desde peligros para la seguridad hasta la automatización sofisticada de hackeos en campañas de desinformación política altamente personalizadas.
