Las 5 predicciones principales sobre el futuro de la IA y los datos.

Durante los últimos años, los objetivos generales de la IA han sido ambiciosos. Dado que esta nueva tecnología existe en el ámbito de la literatura y la academia y se aplica a problemas del mundo real y se inclina hacia soluciones del mundo real, debe haber un ajuste de cuentas con sus verdaderas capacidades y casos de uso. Para AI, 2021 fue un año de promesas excesivas.

Si bien es potencialmente decepcionante y no cumple con las promesas a las que se aspira, 2021 fue un momento de construcción de cimientos para la IA. 2021 formó la estructura base sobre la que se puede construir y se pueden hacer cambios para hacer que la IA sea más responsable, eficiente y rentable. 2022 es el año para aprender de los errores del pasado y construir un mundo mejor de tecnología de inteligencia artificial.

A continuación, encontrará nuestras 5 predicciones principales sobre el futuro de la IA y por qué creemos que estos cambios son imprescindibles para el éxito general de la tecnología de IA.

La IA responsable pasa de ser una aspiración a un requisito fundamental

En 2021, la industria de la IA tuvo un problema de hablar y no caminar. Si bien puede leer docenas de artículos de opinión y de liderazgo intelectual sobre la IA responsable en 2021 (incluida nuestra propia publicación de blog de la Agenda del Foro Económico Mundial), la adopción de los principios de la IA responsable fue baja. Según nuestro informe Estado de la IA de Appen 2021, la preocupación por la ética de la IA era solo del 41 % para los tecnólogos y del 33 % para los líderes empresariales.

En 2022, hay más en juego y las empresas comenzarán a reconocer que la IA responsable conduce a mejores resultados comerciales. Los líderes empresariales se pondrán al día con los tecnólogos en la comprensión de la importancia de la IA responsable. Y comenzarán a ver cómo la inversión inicial dará sus frutos para su negocio.

Cuando los principios de IA responsable se implementan correctamente, protegen la marca de una empresa y garantizan que el proyecto de IA funcione como se espera. Al entrar en 2022, también tenemos un conjunto de principios de IA responsable bien establecidos y revisados ​​minuciosamente. Incluyen:

Datos imparciales

Trato justo de recolectores de datos y etiquetadores

La necesidad de proyectos de IA para promover el bien social y prevenir el daño social

A medida que los líderes empresariales alcanzan a los tecnólogos al reconocer la importancia de una IA responsable, los gobiernos no se quedan atrás. Los gobiernos están comenzando a reconocer el daño potencial que puede provenir de una IA irresponsable. Junto con este reconocimiento vendrá la regulación. Al igual que sucedió con la privacidad de los datos, cuando las industrias privadas no regulan su daño a la sociedad, los gobiernos intervienen con regulaciones que obligarán a las empresas a utilizar una IA ética y responsable.

Otro referente para la implementación de IA responsable proviene de Gartner, que proyecta que para 2023 todo el personal contratado para el desarrollo de IA deberá demostrar experiencia en IA responsable.

Los datos para el ciclo de vida de la IA se vuelven críticos para los programas de IA

Las estadísticas y tendencias recientes muestran que los programas de IA están madurando y que la IA está cada vez más presente en todas partes. La IA está impulsando las operaciones comerciales y dando forma al desarrollo de productos. Según el informe Appen 2021 State of AI, los presupuestos de IA han aumentado en el último año. Esto muestra un reconocimiento por parte de los líderes empresariales de que deben invertir en IA para garantizar el éxito.

Uno de los puntos clave de 2021 es que las empresas, incluso aquellas con sectores maduros de ciencia de datos de IA, están luchando con los datos. Lo que las empresas se están dando cuenta es la inmensidad de la cantidad de datos que se necesitan para el desarrollo, la capacitación y el reentrenamiento del modelo de IA. Debido a que se necesitan tantos datos para un ciclo de vida de IA exitoso, muchas empresas eligen asociarse con proveedores de datos de capacitación externos para implementar y actualizar proyectos de IA a escala.

El hecho de que la mayoría de las organizaciones se asocien con socios de datos externos muestra el desafío del suministro, la preparación, la evaluación y la producción continuos de datos. Los proyectos de IA necesitan más datos y más rápido que nunca. Esto solo se puede lograr a través de la automatización, especialmente en torno al suministro y la preparación de datos.

Esta necesidad de datos cambiará en 2022. Las empresas seguirán necesitando la misma cantidad de datos, pero se desarrollará una nueva disciplina. Los datos para el ciclo de vida de la IA se centrarán en el desarrollo de herramientas y mejores prácticas que permitan a las empresas gestionar todo el ciclo de vida de la IA, desde la adquisición de datos hasta el control de versiones de los datos y todo el camino hasta el reentrenamiento de modelos.

El auge de los datos sintéticos

A medida que se necesitan más y más datos para satisfacer los programas de inteligencia artificial hambrientos de datos y el reciclaje de modelos, la industria verá nuevas formas para que las empresas adquieran datos. Si bien la única solución para obtener más datos a la velocidad que necesitan estas empresas es un socio de datos externo, hay otra solución en el horizonte.

La IA generativa puede crear datos sintéticos, que se pueden usar para entrenar modelos de IA. Si bien actualmente solo representa el 1 % de los datos en el mercado actual, Gartner cree que la IA generativa representará el 10 % de todos los datos producidos para 2025. Actualmente, la IA generativa se utiliza para abordar desafíos clave, como generar mundos 3D para AR /VR y para entrenar vehículos autónomos.

Gartner también pronostica que para 2024, el uso de datos sintéticos reducirá a la mitad el volumen de datos reales necesarios para el aprendizaje automático. El uso de datos sintéticos complementa y acelera el proceso de adquisición de datos porque necesita menos procesamiento, seguridad y etiquetado que los datos del mundo real que están sujetos a principios de IA responsable.

En 2022, puede esperar muchas más empresas y modelos de aprendizaje automático que utilicen y experimenten con datos sintéticos. Los modelos de IA generativa pueden aprender de sí mismos y generar nuevos datos, lo que es rentable y mejora la eficiencia de las empresas. Con estos beneficios, es obvio por qué muchas empresas están entusiasmadas con la IA generativa y los datos sintéticos. Y, a medida que más empresas experimenten e implementen datos sintéticos e inteligencia artificial generativa, veremos nuevos casos de uso desarrollados en los próximos años.

Aceleración de casos de uso de eficiencia interna

Buenas noticias para la industria: los presupuestos de IA van en aumento, según el informe Appen 2021 State of AI. El 74% de los encuestados informaron que tienen presupuestos de IA de más de $ 500k. Además, el 67 % de los líderes empresariales dicen que sus proyectos de IA han “mostrado un ROI significativo”.

A medida que crecen los presupuestos y se expande la variedad de casos de uso, no sorprende que el caso de uso más popular, con un 62 %, sea el soporte de operaciones internas. Los siguientes casos de uso más comunes siguen un patrón similar, las empresas están utilizando IA para hacer que sus propias operaciones internas sean más eficientes con:

55% busca mejorar su comprensión de los datos corporativos
54% busca mejorar la productividad y la eficiencia de los procesos comerciales internos
A medida que las empresas cambien hacia el uso de modelos de inteligencia artificial y aprendizaje automático para mejorar la eficiencia interna en 2022, se enfrentarán a un importante desafío de datos. Las empresas ahora necesitan saber cómo se mueven los datos a través de su organización y qué sucede con los datos a lo largo de ese viaje. A medida que las empresas se den cuenta de esto, necesitarán hacer dos movimientos:

Tendrán que prestar más atención a la implementación de plataformas que les permitan eliminar los silos de datos y gestionarlos de forma centralizada.
Deberán trabajar internamente o con socios para desarrollar estrategias enfocadas en poder administrar datos a lo largo de todo el ciclo de vida de la IA.
Si su organización puede dar estos dos pasos, sus iniciativas de IA serán más efectivas y eficientes.

La evaluación y el ajuste del modelo se generalizan

Una comprensión ha comenzado a reverberar lentamente a través de la comunidad de tecnología de IA: construir un modelo de aprendizaje automático de IA no es solo una cosa. El modelo necesita evaluación, ajuste y reentrenamiento regulares. En 2022, esta conciencia se convertirá en conocimiento común.

Los modelos de aprendizaje automático son dinámicos, no pueden simplemente implementarse y dejarse en sus propios dispositivos. Al igual que un automóvil que necesita que su alineación se ajuste regularmente, los modelos de aprendizaje automático pueden desarrollar desviaciones con el tiempo. Esta deriva puede hacer que los resultados del modelo de aprendizaje automático sean cada vez menos precisos con el tiempo. Los modelos de aprendizaje automático deben revisarse y actualizarse en función de sus resultados continuos y cualquier cambio en la infraestructura, las fuentes de datos y los modelos comerciales.

Según nuestro informe, el conocimiento de que los modelos de aprendizaje automático deben revisarse y actualizarse periódicamente dio un gran salto en 2021. Descubrimos:

El 87 % de las organizaciones actualizan sus modelos al menos trimestralmente, frente al 80 % del año pasado
El 57 % actualiza sus modelos al menos una vez al mes
El 91% de las grandes organizaciones actualizan sus modelos al menos trimestralmente
Es más probable que las organizaciones que utilizan proveedores de datos externos actualicen sus modelos al menos una vez al mes.
A medida que más y más empresas implementen modelos de aprendizaje automático, comenzarán a darse cuenta de que no pueden quedarse solas una vez que comienzan. A medida que las empresas utilicen sus modelos de aprendizaje automático, realizarán e implementarán protocolos para la deriva y el ajuste regular.

Si bien la adopción de la tecnología de inteligencia artificial y los modelos de aprendizaje automático se ha generalizado, ese es solo el primer paso. Ahora, es importante que las empresas se apoyen en socios de datos externos y fuentes de educación para aprender a administrar y mejorar su uso de la IA y el aprendizaje automático.

Como parte del crecimiento de la IA, estamos viendo un cambio de hablar de IA responsable a la implementación real de programas de IA responsable. Dentro de eso, las empresas están reconociendo la naturaleza crítica de los datos. Con el reconocimiento de la importancia de los datos para el éxito de los proyectos de IA, surge el uso de socios de datos externos para adquirir datos durante todo el ciclo de vida y utilizar datos sintéticos que son más rentables y seguros. Además, las empresas se están dando cuenta de que una de las mejores formas en que pueden usar las herramientas de IA es mejorar sus propios procesos internos y que esos modelos no pueden quedarse solos después de la implementación, sino que necesitan actualizaciones y ajustes periódicos.