Leandro Pérez Manzanera

Leandro Pérez Manzanera
Presidente de AUTELSI

Tras varios años destacando la IA, Inteligencia Artificial, como una tecnología disruptiva, que prácticamente iba a cambiar el mundo para mejor; empiezan a surgir serias dudas sobre si realmente está proporcionando resultados tangibles, que mejoren los beneficios de las empresas y la calidad de vida de los ciudadanos.

Es incuestionable que la Inteligencia Artificial proporciona instrumentos muy potentes, pero también lo es que está siendo muy difícil implantarlos en el mundo real.

Desde los años 50, cada 10 años más o menos, se producen un pico de expectativas exageradas al principio y otro de desilusión al final de la década.

Hoy asistimos a un pico de muy altas expectativas en el que las inversiones en IA, retornarían en toda una serie de ventajas: atención a clientes, detección de fraudes, reconocimiento facial, coches autónomos, desarrollo de medicamentos, interpretación de pruebas médicas y eficiencia energética, entre otras.

Sin embargo, la aplicación práctica de IA se topa con dificultades de distinta naturaleza, y analistas de referencia empiezan a rebajar las expectativas. Según The Economist, las inversiones privadas en Inteligencia Artificial, están decreciendo desde su máximo en 2018. También Gartner Group predice que desde el año pasado ha comenzado “la pendiente de desilusión” en su bien conocida curva de adopción de la tecnología. MMC, un fondo de inversión, dice que el 40% de las startups de Inteligencia Artificial, no utilizan dicha tecnología en absoluto.

La clave para evitar estas falsas expectativas es utilizar IA dentro de sus límites reales y teniendo muy claro lo que se puede obtener. Para ello hay que superar dos problemas clave:

• El primero radica en el proceso de desarrollo e implantación.

La revolución actual de la IA, Machine Learning p.e., se basa en tres realidades: nuevos y más sofisticados algoritmos, TICs más potentes e infinidad de datos disponibles dada la reciente digitalización de todo lo posible.

Sin embargo, los datos relevantes y decisivos no siempre están fácilmente disponibles. Por ejemplo, es prácticamente imposible usar IA para monitorizar la transmisión de la COVID-19 sin una base de datos explotable con los datos de los movimientos de toda la humanidad.

Incluso cuando existen suficientes datos disponibles, estos pueden contener suposiciones ocultas que conducen a conclusiones equivocadas.

Además, el desarrollo e implantación de Inteligencia Artificial, requiere ingentes recursos que no todas las organizaciones tienen disponibles. Hasta las grandes organizaciones, ya comprometidas, necesitan bastante tiempo para adoptar nuevas tecnologías. Se requieren objetivos, planificación, equipo, calendario, apoyo de la organización y gestión del cambio, entre otras funciones y tareas que, si dominan los CIOs y Directores de Sistemas de nuestro país, pero que a menudo no juegan un papel esencial en dicho proceso de desarrollo e implantación. Cuando se trata de implantar una aplicación no madura y obviando pasos de los mencionados anteriormente lo normal es no cumplir las expectativas

• El segundo tiene que ver con la naturaleza de los algoritmos utilizados en Machine Learning

Simplificando mucho, Machine Learning utiliza miles, millones de ejemplos para entrenar una aplicación de software, red neuronal, que trata de imitar la estructura del cerebro humano.

La aplicación entrenada puede, hoy en día, realizar sorprendentemente bien algunas tareas complejas como reconocimiento de imágenes y conversaciones, pero no son inteligentes en el sentido en que entendemos el término. Carecen de la necesaria capacidad de razonamiento y del sentido común de las personas al enfrentarse a situaciones fuera de los límites en los que fueron programados y entrenados y se encuentran con un input inesperado.

Por esto, los automóviles sin conductor están lejos de ser una realidad. Los chatbots y asistentes personales, a pesar de su apariencia inteligente, están construidos con aproximaciones estadísticas no coincidentes a veces con la realidad puntual. Parece por tanto que las preocupaciones de conductores profesionales y radiólogos, entre otras profesiones de quedarse sin trabajo están infundadas.

También las predicciones de crecimiento de la economía china por las implantaciones en gran escala de IA parecen optimistas.

¿Entonces Inteligencia Artificial, es sólo una promesa insuficientemente fundada y alimentada por un marketing exagerado?

Con certeza que no, fundamentalmente porque ya se ha desplegado mucha tecnología a todos los niveles y hay recursos muy preparados dedicados a los datos y a los algoritmos. Sí ocurrirá que las mejoras prometidas serán menores que las expectativas generadas y tardarán más en cumplirse.

¿Cómo evitar que la Inteligencia Artificial no entre inexorablemente en el valle de la desilusión como periódicamente ha ocurrido desde hace décadas?

  • Debemos contribuir cuestionando falsas promesas y objetivos inalcanzables.
  • Debemos centrarnos en lo que IA puede hacer hoy, y no en lo que podrá hacer en el futuro.
  • Confiar en que, con los datos adecuados, la IA puede ofrecernos conocimientos, inalcanzables hasta ahora, para tomar mejores decisiones en la gestión de los negocios.
  • Ser conscientes que IA no necesita falsas promesas para ser algo ya muy interesante, que permite hacer cosas impresionantes: chatbots, reconocimiento de voz, reconocimiento facial e interacción humano-máquina, entre otras.
  • Pedir más concreción a las administraciones públicas sobre su estrategia en IA., que favorezca su desarrollo y aumente la confianza en su aplicación

El hecho cierto es que casi todo el mundo utiliza tecnologías similares y que la diferenciación podría venir por la cantidad y calidad de los datos y por los procesos de desarrollo, mantenimiento y gestión de los sistemas. Y, de este modo, con la experiencia acumulada en IA, avanzar en su desarrollo e implantación.