Lección 1, Tema 5
En Progreso

Qué puede hacer el aprendizaje automático. Y qué no.

Progreso Lección
0% Completado

En este tema y en el siguiente, intentaremos desarrollar cierta intuición respecto de lo que la IA puede hacer hoy en día, y lo que todavía es imposible. Esto significa: examinar los datos, ver la entrada A y la salida B, y razonar si es algo que se pueda hacer con IA.

En muchas ocasiones el gran público (no tú, tú ya eres casi un experto en IA) se crea expectativas exageradas en relación a la IA. Uno de los motivos es que los medios de comunicación suelen informar sólo respecto de los casos de éxito en la aplicación de la IA, pero también hay muchos fracasos, que nunca salen a la luz.

Entonces lo que haremos en este tema es repasar algunos ejemplos de lo que la tecnología actual de IA puede hacer, pero también de lo que no puede hacer, y esperamos que esto nos ayude a afinar nuestra intuición sobre lo que podrían ser proyectos más o menos prometedores a seleccionar para tu empresa, o futura empresa. En temas anteriores has visto una serie de aplicaciones de IA, desde el filtrado de spam hasta el reconocimiento de voz, pasando por la traducción automática, etcétera.

Una regla general que es un poco de “andar por casa” pero que suele funcionar es la siguiente, prácticamente cualquier cosa que puedas hacer tú mismo con un segundo de pensamiento, probablemente podamos ahora o pronto automatizarla utilizando el aprendizaje supervisado, utilizando este mapeo de entrada-salida, de A hasta B, del que hemos hablado.

Por ejemplo, determinar la posición de otros coches es algo que se puede hacer en menos de un segundo. Para saber si un teléfono está rayado, puedes mirarlo y saberlo en menos de un segundo. Para entender o al menos transcribir lo que se ha dicho, no hacen falta tantos segundos de pensamiento. Aunque se trata de una regla general imperfecta, es decir da “falsos positivos”, sirve de cierta orientación para seleccionar tareas que pueden realizar los sistemas de IA actuales.

Todo lo que una persona pueda hacer “en un segundo”, por ejemplo todo lo de arriba, es probable que o bien ahora mismo o dentro de poco tiempo, pueda ser automatizado con IA.

Ahora ejemplos de lo que la IA hoy en día no puede hacer: analizar un mercado y escribir un informe de 50 páginas sobre el mismo. Una persona no puede escribir un informe de análisis de 50 páginas en un segundo. Tampoco creo que ningún equipo en el mundo sepa hoy cómo conseguir que un sistema de IA haga un estudio de mercado y redacte un informe detallado de mercado.

Una de las mejores maneras de afinar la intuición es fijarse en ejemplos concretos. Así que veamos otro ejemplo concreto, relacionado con la automatización de la atención al cliente. Supongamos un sitio web que vende cosas, es decir, una empresa de comercio electrónico, y tienes una división de atención al cliente que recibe un correo electrónico como este: “El juguete llegó dos días tarde, así que no pude regalárselo a mi sobrina por su cumpleaños. ¿Puedo devolverlo?”. Si lo que necesitamos construir es un sistema de IA que reciba el email y decida que es una solicitud de reembolso, para dirigirlo automáticamente al departamento de devoluciones, pensemos cómo lo podríamos hacer, si es que es posible. El sistema de IA tomaría como entrada, el texto del cliente, lo que el cliente le envía por correo electrónico, y el resultado tendría que ser “solicitud de reembolso”, o “problema de envío”, o “otra solicitud”, con el fin de dirigir el correo electrónico al departamento adecuado dentro de tu centro de atención al cliente. Así, la entrada A es el texto y la salida B es uno de estos tres resultados, “reembolso”, “problema de envío”, o “solicitud diferente”. ¿A que si tú echas un vistazo al email podrías decidirlo en un segundo? En este caso nuestra regla ha funcionado, esto es algo que la IA SÍ puede hacer hoy en día.

En la misma situación, planteemos algo que a día de hoy NO se puede hacer. Si lo que pretendemos es que el sistema IA genere automáticamente una respuesta tal que “Vaya, qué pena. De todos modos espero que tu sobrina haya tenido un buen cumpleaños. Sí, podemos ayudarte con la devolución, y patatín patatán… “. Por lo tanto, para una IA producir un texto complicado como este hoy en día es difícil para los estándares actuales de IA y, de hecho, incluso empatizar con el cumpleaños de tu sobrina, es muy difícil de hacer para cada tipo posible de correo electrónico que puedas recibir.

Ahora bien, ¿qué pasaría si tú te empeñas en utilizar una herramienta de aprendizaje automático, como un algoritmo de aprendizaje profundo por ejemplo, para tratar de hacer esto de todos modos? Supongamos que intentas que un sistema de IA reciba el correo electrónico del usuario y emita una respuesta empática y apropiada de dos a tres párrafos. Supongamos que tienes un conjunto de datos de tamaño modesto, como 1.000 ejemplos de correos electrónicos de usuarios y respuestas apropiadas. Resulta que si ejecutas un sistema de IA en este tipo de datos, en un pequeño conjunto de datos como 1.000 ejemplos, este puede ser el rendimiento que obtienes, que si un usuario envía un correo electrónico, “Mi caja estaba dañada”, el sistema responda “Gracias por su email”, sin más. El problema con la construcción de este tipo de IA es que con sólo 1.000 ejemplos, simplemente no hay suficientes datos para que un sistema de IA aprenda a escribir respuestas apropiadas y empáticas. Así que puede acabar generando la misma respuesta muy simple como “Gracias por su correo electrónico”, sin importar lo que el cliente le esté enviando. Otra cosa que podría salir mal, otra forma de que un sistema de IA falle es genere galimatías, o respuestas sin sentido, como: “¿Cuándo llega mi caja?”, y que responda: “Gracias, sí, ahora su”. Es un problema tan difícil que, incluso con 10.000 o 100.000 ejemplos de correos electrónicos, no es seguro que fueran suficientes datos para que un sistema de IA lo hiciera bien.

Las reglas sobre lo que la IA puede y no puede hacer no son rígidas y rápidas, y muchas veces hay que pasar tiempo analizando cada problema antes de saber si es viable resolverlo o no. De todos modos, resumimos nuestros truquillos genéricos, que siempre serán una ayuda.

En primer lugar, si el concepto implicado es sencillo tiene más probabilidades de ser viable. ¿Qué significa un concepto simple? No hay una definición formal de eso, pero si es algo que te lleva menos de un segundo de pensamiento mental o un número muy pequeño de segundos de pensamiento mental para llegar a una conclusión, entonces eso es probable que sea concepto simple. Por ejemplo, mirar por la ventanilla de un coche autoconducido para localizar a los demás coches sería un concepto relativamente sencillo. Mientras que cómo escribir una respuesta empática, es decir, una queja de usuario complicada, sería un concepto menos simple.

En segundo lugar, es más probable que un problema de aprendizaje automático sea factible si se dispone de muchos datos.

Aquí, nuestros datos significan tanto la entrada A como la salida B, que quieres que el sistema de IA tenga en su mapeo de A a B, de entrada a salida. Así, por ejemplo, en la aplicación de atención al cliente, la entrada A serían ejemplos de correos electrónicos de clientes y B podría ser el etiquetado de cada uno de estos correos electrónicos de clientes que indique si se trata de una solicitud de reembolso o una consulta de envío, o algún otro problema, uno de los tres resultados. Entonces, si tienes muchos miles de correos electrónicos con A y B, entonces las probabilidades de que construyas un sistema de aprendizaje automático para hacer eso serían bastante buenas.

La IA es la nueva electricidad y está transformando todas los sectores de nuestra vida, pero tampoco es magia, al menos de momento.


Curso Discussion