Durante el año pasado, el aprendizaje automático y la tecnología de inteligencia artificial han logrado avances significativos. Los algoritmos especializados, incluido DALL-E de OpenAI, han demostrado la capacidad de generar imágenes basadas en indicaciones de texto con una astucia cada vez mayor. Los sistemas de procesamiento de lenguaje natural (NLP) se han acercado más a la escritura y el texto humanos. Y algunas personas incluso piensan que una IA ha alcanzado la sensibilidad. (Alerta de spoiler: no lo ha hecho).
Y como Matt Ford de Ars señaló recientemente aquí, la inteligencia artificial puede ser artificial, pero no es “inteligencia”, y ciertamente no es magia. Lo que llamamos “IA” depende de la construcción de modelos a partir de datos utilizando enfoques estadísticos desarrollados por humanos de carne y hueso, y puede fallar tan espectacularmente como tener éxito. Cree un modelo a partir de datos erróneos y obtendrá malas predicciones y malos resultados; solo pregúntele a los desarrolladores de Tay Twitterbot de Microsoft sobre eso.
Para un fracaso mucho menos espectacular, solo mire nuestras últimas páginas. Los lectores que han estado con nosotros por un tiempo, o al menos desde el verano de 2021, recordarán esa vez que intentamos usar el aprendizaje automático para hacer algunos análisis, y no tuvimos exactamente éxito. (“Resulta que ‘basado en datos’ no es solo una broma o una palabra de moda”, dijo Danny Smith, gerente sénior de productos de Amazon Web Services, cuando consultamos con él para pedirle algunos consejos. “‘Basado en datos’ es una realidad para las máquinas ¡Proyectos de aprendizaje o ciencia de datos!”) Pero aprendimos mucho, y la lección más importante fue que el aprendizaje automático solo tiene éxito cuando hace las preguntas correctas de los datos correctos con la herramienta correcta.
Esas herramientas han evolucionado. Una clase cada vez mayor de herramientas de aprendizaje automático “sin código” y “de código bajo” está haciendo que una serie de tareas de ML sean cada vez más accesibles, tomando los poderes de análisis de aprendizaje automático que alguna vez fueron la única procedencia de los científicos y programadores de datos y haciéndolos accesibles. a los analistas de negocios y otros usuarios finales que no son de programación.
Si bien el trabajo en DALL-E es asombroso y tendrá un impacto significativo en la fabricación de memes, falsificaciones profundas y otras imágenes que alguna vez fueron dominio de los artistas humanos (usando indicaciones como “[insert celebrity name] al estilo de Edvard Munch El grito“), el análisis de aprendizaje automático fácil de usar que involucra los tipos de datos que las empresas y las personas crean y con los que trabajan todos los días puede ser igual de disruptivo (en el sentido más neutral de esa palabra).
Los proveedores de ML promocionan sus productos como un “botón fácil” para encontrar relaciones en datos que pueden no ser obvios, descubrir la correlación entre los puntos de datos y los resultados generales, y señalar a las personas las soluciones que el análisis comercial tradicional tomaría a los humanos días, meses o años para descubrir a través del análisis estadístico o cuantitativo tradicional.
Nos propusimos realizar un Al estilo de John Henry prueba: para averiguar si algunas de estas herramientas que no requieren código podrían superar un enfoque basado en código, o al menos ofrecer resultados que fueran lo suficientemente precisos para tomar decisiones a un costo menor que las horas facturables de un científico de datos. Pero antes de que pudiéramos hacer eso, necesitábamos los datos correctos y la pregunta correcta.