La palabra de Inteligencia Artificial transmite una imagen de robots que se apoderan de la humanidad o una Roomba que va barriendo el suelo. Pero eso depende de tu inteligencia artificial.
¿Qué se requiere para que ANI o la inteligencia artificial estrecha, el componente básico de la IA, evolucione hacia AGI?
Han pasado 15 años desde que Ben Goertzel acuñó la palabra inteligencia artificial general pero ni siquiera estamos cerca de ella. Todas las aplicaciones, desde chatbots y traducción automática hasta jugadores expertos en juegos de IA, permanecen en el dominio de la IA estrecha.
Pero, ¿Por qué la IA estrecha es resistente a la evolución? ¿Cuáles son los retos que existen? ¿Qué mejores prácticas pueden ayudar a que la inteligencia artificial estrecha evolucione hacia una IA de propósito general?
¿Qué es la IA estrecha?
ANI o inteligencia artificial estrecha realiza un subconjunto específico de tareas al tomar información de un conjunto de datos en particular. Básicamente, está programado para realizar tareas individuales, como jugar al ajedrez o rastrear páginas web en busca de datos sin procesar.
Son capaces de realizar tareas en tiempo real a pesar de no tener programas que formen parte de su programación. ANI es parte integral de muchas aplicaciones de IA como Google Translate o Siri.
Aunque tienen una funcionalidad limitada, tienen un valor inmenso porque están orientados a objetivos y enfocados; pero se consideran débiles porque no están a la altura de la inteligencia humana.
Ventajas de la IA estrecha
Como tienen buenas habilidades de procesamiento de datos y agilidad en tareas competitivas, facilitan la finalización más rápida de las tareas. Por ejemplo, IBM Watson logró ayudar a los médicos a tomar decisiones rápidas basadas en datos al controlar el poder de la inteligencia artificial.
Por un lado, mientras que los desarrollos en la IA estrecha han liberado en su mayor parte, a los humanos de las tareas rutinarias; por otro lado, juega un papel crucial en la construcción de los cimientos de la Inteligencia Artificial General.
La IA afectiva es uno de esos ejemplos, que está diseñada para detectar emociones humanas matizadas.
Desafíos de ANI
El enfoque de caja negra con el que se infunde cada modelo de IA dificulta la comprensión de los procesos subyacentes que dificultan la explicabilidad, un parámetro crucial para la dependencia.
En particular, para las personas que aplican IA en negocios de alto riesgo que realizan grandes inversiones, resultará ser un gran obstáculo. Dado que las redes neuronales se explotan intensamente, existe una gran necesidad de incluir una seguridad impenetrable porque incluso una sola violación puede tener serias implicaciones.
¡Imagínate un coche autónomo confundiendo una señal de tráfico! Aparte de eso, dado que aprende de pequeños datos que tendrán que aplicar a problemas más grandes, la IA tropieza cuando se trata de hacer conexiones complejas. Son propensas a realizar sesgos de los datos con los que se alimentan.
Mejores prácticas en IA
- Enfoque de diseño centrado en el ser humano: la experiencia del usuario final es tan importante como la finalización exitosa de la tarea. Para absorber un enfoque centrado en el ser humano, los diseñadores pueden entrenar con rasgos de aumento y retroalimentación. El sistema de IA, en lugar de entregar una respuesta genérica a cada usuario, puede ofrecer una serie de opciones.
Examen de datos sin procesar: Los datos forman una parte fundamental de los modelos de IA o ML. Examinar errores como valores faltantes y etiquetas incorrectas garantiza la calidad de la salida.
Tener una comprensión profunda de las limitaciones y lagunas en los modelos de IA: El uso de un modelo de IA de correlación para hacer inferencias conducirá a conclusiones erróneas. Al establecer los límites para el alcance y la cobertura de los datos, el modelo puede hacer predicciones correctas.
- Monitoreo y pruebas posteriores a la implementación: Lo que garantizará que el modelo se ajuste a los escenarios del mundo real al incluir comentarios de los usuarios en su sistema.