Desde las aplicaciones para desarrollar modelos de negocio hasta las funciones de soporte técnico, la Inteligencia Artificial (IA) va a comenzar a transformar múltiples sectores en este 2019. El año pasado ya se registró un importante aumento en plataformas, herramientas y apps basadas en el aprendizaje de máquinas (ML) y en otros tipos de IA. Pero estas tecnologías no sólo van a afectar a los fabricantes de software y al mundo digital, sino también a otros sectores como el sanitario, el legal o el agrícola.
No es casualidad que todas las empresas del Big Tech (Google, Amazon, Facebook y Apple, además de IBM y Microsoft) estén dedicando muchos recursos de sus departamentos I+D para proyectos de mejora de la IA, lo que beneficiará a su vez a todo el ecosistema del sector al generalizar las aplicaciones a cada vez más industrias.
Mejora de chips habilitados por IA.
A diferencia de otros programas, la IA depende en gran medida de procesadores especializados que complementan las CPU. Incluso las unidades de procesado más rápidas no pueden competir con el entrenamiento de un sistema de IA. Por eso, a partir de 2019 veremos cada vez más fabricantes de chips creando modelos especializados que aceleran la ejecución de aplicaciones compatibles. Estos chips se optimizarán para casos y escenarios de uso específicos, relacionados con imágenes digitales, con procesamiento del lenguaje o el reconocimiento del habla, entre otros. Las aplicaciones de la próxima generación de las industrias de la salud y del automóvil dependerán de estos chips para proporcionar una mejor inteligencia en sus productos finales.
Convergencia del IoT y la IA gracias al edge computing.
El llamado Edge computing -o computación perimetral- permite que los datos producidos por los dispositivos del Internet de las Cosas (IoT) se procesen más cerca de la fuente donde se crearon; en lugar de tener que enviarlos a través de largos procesos para que sean enviados y analizados en centros de datos de la nube. Así, los dispositivos evolucionarán en paralelo a los chips especiales de IA con los que van equipados, que permitirán una mejora general en el rendimiento.
El IoT industrial realizará cotidianamente tareas de detección de valores anómalos, análisis de causas y en el mantenimiento predictivo de los equipos. Se está trabajando en modelos ML avanzados basados en redes neuronales para que funcionen con esta tecnología edge. Se espera que sean capaces de tratar con cuadros de vídeo, síntesis de voz, datos de series temporales y datos no estructurados generados por dispositivos como cámaras, micrófonos y otros sensores, automatizando muchos procesos.
Hacia la interoperatividad entre las redes neuronales.
La falta de interoperatividad entre los conjuntos de herramientas es uno de los elementos que dificulta la generalización de las redes neuronales de IA. Para hacer frente a este desafío, empresas como Facebook y Microsoft han colaborado en la creación de Open Neural Network Exchange (ONNX), que permite reutilizar modelos de redes compatibles, capacitadas en múltiples entornos.
Y es que uno de los desafíos críticos en el desarrollo de modelos de redes neuronales radica en la elección del marco adecuado. Los científicos y desarrolladores de datos tienen que elegir la herramienta adecuada entre múltiples opciones. Este paso es clave, ya que una vez que un modelo es entrenado y evaluado en un marco específico, será difícil adaptar ese modelo ya entrenado a otro marco.
El aprendizaje automatizado seguirá ganando visibilidad.
El ML dará la oportunidad a los analistas financieros y a los desarrolladores de negocio a crear modelos de aprendizaje de máquinas que puedan abordar escenarios complejos, sin tener que pasar por los procesos clásicos de capacitación de modelos. Además, el AutoML supondrá el mismo grado de flexibilidad con un beneficio adicional: además permite trabajar con datos personalizados en sistemas con portabilidad, lo que aporta importantes ventajas en flexibilidad de tiempo y espacio.