Podrías convertirte en un maestro de IA antes de que te des cuenta. Así es cómo.

jay daniel wright

A primera vista, Scot Barton podría no parecer un pionero de la IA. No está construyendo autos que se conducen solos o enseñando a las computadoras a derrotar a los humanos en los juegos de computadora. Pero dentro de su función en Farmers Insurance, está abriendo camino para la tecnología.

Barton lidera un equipo que analiza datos para responder preguntas sobre el comportamiento del cliente y el diseño de diferentes políticas. Su grupo ahora está utilizando todo tipo de técnicas de aprendizaje automático de vanguardia, desde redes neuronales profundas hasta árboles de decisión. Pero Barton no contrató a un ejército de magos de IA para que esto fuera posible. Su equipo utiliza una plataforma llamada robot de datos , que automatiza una gran cantidad de trabajo difícil involucrado en la aplicación de tales técnicas.

El trabajo de la compañía de seguros con DataRobot sugiere cómo la inteligencia artificial podría tener que evolucionar en los próximos años para alcanzar su enorme potencial. Más allá de demostraciones espectaculares como AlphaGo, el software de juegos de DeepMind, la IA tiene el poder de revolucionar industrias enteras y hacer que todo tipo de negocios sean más eficientes y productivos. Esto, a su vez, podría ayudar a rejuvenecer la economía al aumentar la productividad general. Pero para que esto suceda, la tecnología deberá volverse mucho más fácil de usar.

Historia relacionada

Historia relacionada Occidente no debería temer la revolución de inteligencia artificial de China. Debería copiarlo.

El problema es que muchos de los pasos involucrados en el uso de técnicas de IA existentes actualmente requieren una gran experiencia. Y no es tan simple como construir una interfaz más fácil de usar además de todo, porque los ingenieros a menudo tienen que aplicar su juicio y conocimientos al crear y ajustar su código.

Pero los investigadores y las empresas de IA ahora están tratando de abordar esto esencialmente volviendo la tecnología sobre sí misma, utilizando el aprendizaje automático para automatizar los aspectos más complicados del desarrollo de algoritmos de IA. Algunos expertos incluso están construyendo el equivalente de los sistemas operativos impulsados ​​​​por IA diseñados para hacer que las aplicaciones de la tecnología sean tan accesibles como lo es Microsoft Excel hoy.

DataRobot es un paso en esa dirección. Usted ingresa datos sin procesar y la plataforma los limpia y reformatea automáticamente. Luego ejecuta docenas de algoritmos diferentes a la vez contra él, clasificando su desempeño. Barton primero intentó usar la plataforma ingresando un montón de datos de seguros para ver si podía predecir un valor específico en dólares. En comparación con un enfoque estadístico estándar construido a mano, el modelo seleccionado tenía una tasa de error un 20 por ciento menor. Fuera de la caja, con solo presionar un botón; eso es bastante impresionante, dice.

Brecha de habilidades de IA

La realidad de aplicar IA quedó al descubierto en un informe publicado por la consultora McKinsey en junio de este año. Este informe concluye que la inteligencia artificial, especialmente el aprendizaje automático, puede reformar grandes industrias, incluidas la fabricación, las finanzas y la atención médica, lo que podría sumar $ 126 mil millones a la economía de EE. UU. para 2025. Pero el informe tiene una gran advertencia: una escasez crítica de talento. .

Sin duda, hay un gran impulso para capacitar a tantas personas como sea posible en el uso de la IA (ver El siguiente truco de Andrew Ng: Capacitar a un millón de expertos en IA). Pero eso llevará tiempo, y no todo el mundo puede convertirse en un maestro de la IA. La mejor manera de maximizar el impacto de cualquier tecnología es hacerla lo más accesible posible. Solo entonces la IA comenzará a infiltrarse en las oficinas y lugares de trabajo ordinarios. DataRobot ya se está utilizando en algunas de esas configuraciones.

jay daniel wright

Una tarde, la oficina de DataRobot en el distrito financiero de Boston está desierta, excepto por un puñado de ingenieros que se arremolinan alrededor de una gran pantalla. La solución de la empresa ciertamente parece impresionante cuando Jonathan Dahlberg, uno de los consultores, me hace una demostración. Carga un conjunto de datos públicos de solicitudes y pagos de préstamos, y luego hace que el sistema desarrolle un montón de modelos para ver si hay algún patrón de por qué la gente no paga.

En unos segundos, decenas de algoritmos en competencia aparecen en la pantalla; en la parte superior hay una técnica de aumento de gradiente relativamente poco sexy pero ampliamente utilizada llamada XGBoost . Esto muestra rápidamente que los ingresos de los solicitantes son especialmente importantes, pero también lo es la razón por la que solicitan un préstamo. Resulta que las personas que mencionan iniciar un negocio en su solicitud son una apuesta especialmente mala.

DataRobot podría coincidir con la experiencia o la habilidad de un científico de datos realmente bueno, dice Dahlberg, pero puede ofrecer una perspectiva más amplia. Una persona podría confiar demasiado en una determinada técnica y DataRobot podría revelar automáticamente un enfoque fundamentalmente mejor. También es posible que un usuario modifique manualmente el algoritmo subyacente utilizando los lenguajes de programación Python o R. Sin un examen minucioso, es difícil saber qué tan bien el sistema automatiza algunos de los aspectos más complicados de la ciencia de datos, como la limpieza de datos y características. ingeniería, pero parece encargarse de una cantidad sorprendente.

El CEO de la compañía, Jeremy Achin, se inspiró para iniciar una empresa después de ver La red social , como admite un poco tímidamente cuando nos encontramos para tomar un café cerca del MIT. Pero se le ocurrió la idea de DataRobot mientras participaba en competencias de ciencia de datos en la plataforma de crowdsourcing Kaggle, que fue adquirida por Google a principios de este año. Kaggle ofrece premios para el algoritmo que se desempeñe mejor al hacer una predicción específica a partir de un gran conjunto de datos. Esta tarea generalmente implica desarrollar un algoritmo de aprendizaje automático que se alimenta de los datos. Como uno de los mejores concursantes tempranos de Kaggle, Achin se dio cuenta de que ya estaba automatizando muchos de los pasos involucrados en cada competencia. Pensé que si recopilamos suficientes conjuntos de datos, suficientes problemas y realizamos suficientes experimentos, podríamos hacer aprendizaje automático sobre aprendizaje automático. Esa fue la idea original, dice.

La idea claramente resonó entre los inversores. DataRobot, que comenzó en 2012, ha recaudado más de $100 millones, incluidos $54 millones en marzo, casi al mismo tiempo que se adquirió Kaggle. La compañía dice que ya tiene más de 100 clientes. Achin dice que el concepto es mucho menos popular entre muchos científicos de datos, quienes sienten que sus habilidades no pueden automatizarse o les preocupa que lo hagan. Pero él cree que la mayoría de las empresas no tendrán otra opción si quieren hacer uso de la IA. No me importa cuántas personas cambien su título a 'científico de datos' en LinkedIn, dice. No vas a mover la aguja.

Sistemas de autoaprendizaje

La escasez de científicos de datos está inspirando a muchos otros a trabajar en la automatización del aprendizaje automático. Está apareciendo un número creciente de trabajos de investigación sobre el uso de sus técnicas para automatizar más y más aspectos de la IA.

Uno de los jugadores más importantes del mundo en IA, Google, también está prestando atención a la idea. Google ha invertido enormes sumas en el desarrollo de potentes algoritmos de inteligencia artificial y su implementación en todos sus servicios. Pero la compañía también está interesada en agregar más IA a sus servicios en la nube. E ir más allá de las simples herramientas para la clasificación de imágenes o texto significará automatizar más el trabajo involucrado en el entrenamiento de modelos de aprendizaje automático.

jay daniel wright

El objetivo es hacer que esta tecnología sea más accesible, dice John Giannandrea, un ingeniero informático escocés que dirige los esfuerzos de IA de Google. Así que cualquiera podría decir 'Constrúyeme un modelo predictivo' y se apaga y lo hace.

A principios de este año, la compañía anunció algunos avances significativos hacia este objetivo, demostrando una forma experimental de automatizar el proceso de ajuste de redes neuronales de aprendizaje profundo (consulte El software de inteligencia artificial aprende a crear software de inteligencia artificial). Estos son quizás los algoritmos de aprendizaje automático más poderosos que existen, y han mejorado significativamente el estado del arte en el reconocimiento de imágenes y voz. Pero también son notoriamente difíciles de diseñar. Giannandrea dice que este trabajo ahora está produciendo algunos resultados muy prometedores, en algunos casos igualando el rendimiento de los sistemas desarrollados a mano. Y espera que Google publique más resultados en los próximos meses.

Otros tienen diseños aún más grandiosos. eric xing , profesor de la Universidad Carnegie Mellon, por ejemplo, está desarrollando lo que equivale a un sistema operativo construido a partir de diferentes componentes de aprendizaje automático. Este sistema operativo utiliza la virtualización y el aprendizaje automático para abstraer gran parte de la complejidad en el diseño y entrenamiento de la IA. Incluso presenta una interfaz gráfica de usuario que se puede usar para entrenar un modelo de aprendizaje automático en un conjunto de datos en particular.

Xing se educó en China y estudió en UC Berkeley junto a Andrew Ng, ahora una figura muy conocida en el mundo de la IA. Él es muy educado y sorprendentemente informal sobre querer reinventar la forma en que las personas usan las computadoras. Xing prevé que su sistema operativo AI sea tan fácil de usar como el paquete de hojas de cálculo de Microsoft, Excel. Este es un problema central en toda la IA, dice. La barrera de entrada es demasiado alta.

Xing ha creado una empresa, petuum , para desarrollar el sistema operativo, y ya ha creado una serie de herramientas destinadas a llevar el aprendizaje automático a la medicina. Los médicos quieren una interfaz y registros médicos, imágenes; cada uno requiere un enfoque diferente de aprendizaje automático, dice. Petuum también se está preparando para lanzar su plataforma.

El sistema operativo de Petuum y otras herramientas para automatizar la IA enfrentarán algunos desafíos únicos. Ya existe la preocupación de que los algoritmos de aprendizaje automático absorban inadvertidamente los sesgos de los datos de entrenamiento, y algunos modelos simplemente son demasiado opacos para examinarlos detenidamente (consulte El oscuro secreto en el corazón de la IA). Si la IA se vuelve mucho más fácil de usar, es posible que estos problemas se extiendan y arraiguen más.

Para hacer realmente bien el aprendizaje automático, se necesita un doctorado y unos cinco años de experiencia, dice rica caruana , un investigador sénior de Microsoft que se dedica a la ciencia de datos desde hace unos 20 años. Hay muchas trampas. ¿Su algoritmo caduca después de seis meses y es interpretable?

Caruana cree que debería ser posible automatizar algunos de los pasos que un científico de datos debe tomar para protegerse contra tales problemas, algo similar a la lista de verificación previa al vuelo de un piloto. Pero advierte contra confiar demasiado en sistemas que prometen automatizar todo. Lo sé, dice, porque me he golpeado el dedo del pie en el camino.

esconder