Los 7 principales desafíos en inteligencia artificial en 2022

¿Alguna vez has oído hablar de Neuralink? Es una empresa emergente en ciernes cofundada por Elon Musk que está trabajando en una integración seria de la Inteligencia Artificial con el cuerpo humano. Han desarrollado un chip que es una matriz de 96 pequeños hilos de polímero, cada uno de los cuales contiene 32 electrodos y se puede trasplantar al cerebro.

Sé lo que estás pensando: “Esto es ciencia ficción seria”, pero la respuesta es: no. Esto está sucediendo en el mundo real y usando este dispositivo, ¡y puede conectar su cerebro con dispositivos electrónicos cotidianos sin siquiera tocarlos!

Tiempo para algunas preguntas serias: ¿Es realmente necesario? ¿Será tan útil? ¿Estamos preparados para este tipo de tecnología? ¿Cómo afectaría nuestras vidas en el futuro? Averigüemos los desafíos en IA.

Únase al curso en línea de aprendizaje automático de las mejores universidades del mundo: maestrías, programas ejecutivos de posgrado y programa de certificado avanzado en ML e IA para acelerar su carrera.

El impacto de la Inteligencia Artificial en la vida humana y la economía ha sido asombroso. La inteligencia artificial puede agregar alrededor de $ 15,7 billones a la economía mundial para 2030. Para tomar eso en perspectiva, se trata de la producción económica combinada de China e India a partir de hoy.

Con varias empresas que predicen que el uso de la IA puede aumentar la productividad empresarial hasta en un 40 %, el aumento espectacular en la cantidad de nuevas empresas de IA se ha multiplicado por 14 desde el año 2000. La aplicación de la IA puede abarcar desde el seguimiento de asteroides y otros cuerpos cósmicos en el espacio para predecir enfermedades en la tierra, explorar formas nuevas e innovadoras para frenar el terrorismo para hacer diseños industriales.

Principales desafíos comunes en IA

1. Potencia informática

La cantidad de energía que utilizan estos algoritmos hambrientos de energía es un factor que mantiene alejados a la mayoría de los desarrolladores. El aprendizaje automático y el aprendizaje profundo son los peldaños de esta inteligencia artificial y exigen una cantidad cada vez mayor de núcleos y GPU para funcionar de manera eficiente. Hay varios dominios en los que tenemos ideas y conocimientos para implementar marcos de aprendizaje profundo, como el seguimiento de asteroides, el despliegue de atención médica, el seguimiento de cuerpos cósmicos y mucho más.

Requieren la potencia informática de una supercomputadora, y sí, las supercomputadoras no son baratas. Aunque, debido a la disponibilidad de la computación en la nube y los sistemas de procesamiento paralelo, los desarrolladores trabajan en sistemas de inteligencia artificial de manera más efectiva, tienen un precio. No todo el mundo puede permitírselo con un aumento en la entrada de cantidades de datos sin precedentes y algoritmos complejos que aumentan rápidamente.

2. Déficit de confianza

Uno de los factores más importantes que son motivo de preocupación para la IA es la naturaleza desconocida de cómo los modelos de aprendizaje profundo predicen el resultado. Cómo un conjunto específico de entradas puede idear una solución para diferentes tipos de problemas es difícil de entender para un profano.

Muchas personas en el mundo ni siquiera conocen el uso o la existencia de la Inteligencia Artificial, y cómo se integra en los elementos cotidianos con los que interactúan, como teléfonos inteligentes, televisores inteligentes, banca e incluso automóviles (en algún nivel de automatización).

3. Conocimiento limitado

Aunque hay muchos lugares en el mercado donde podemos utilizar la Inteligencia Artificial como una mejor alternativa a los sistemas tradicionales. El verdadero problema es el conocimiento de la Inteligencia Artificial. Además de los entusiastas de la tecnología, los estudiantes universitarios y los investigadores, solo hay un número limitado de personas que conocen el potencial de la IA.

Por ejemplo, hay muchas PYMES (Pequeñas y Medianas Empresas) que pueden programar su trabajo o aprender formas innovadoras de aumentar su producción, administrar recursos, vender y administrar productos en línea, aprender y comprender el comportamiento del consumidor y reaccionar al mercado de manera efectiva y eficiente. . Tampoco conocen proveedores de servicios como Google Cloud, Amazon Web Services y otros en la industria tecnológica.

4. Nivel humano

Este es uno de los desafíos más importantes en IA, uno que ha mantenido a los investigadores al tanto de los servicios de IA en empresas y nuevas empresas. Estas empresas pueden presumir de una precisión superior al 90%, pero los humanos pueden hacerlo mejor en todos estos escenarios. Por ejemplo, deje que nuestro modelo prediga si la imagen es de un perro o un gato. El ser humano puede predecir la salida correcta casi siempre, logrando una sorprendente precisión superior al 99%.

Para que un modelo de aprendizaje profundo tenga un rendimiento similar, se necesitaría un ajuste fino sin precedentes, una optimización de hiperparámetros, un gran conjunto de datos y un algoritmo preciso y bien definido, junto con una potencia informática robusta, entrenamiento ininterrumpido en datos de trenes y pruebas en datos de prueba. Eso suena mucho trabajo, y en realidad es cien veces más difícil de lo que parece.

Una forma de evitar hacer todo el trabajo duro es simplemente usar un proveedor de servicios, ya que pueden entrenar modelos específicos de aprendizaje profundo utilizando modelos previamente entrenados. Se entrenan con millones de imágenes y se ajustan para obtener la máxima precisión, pero el problema real es que continúan mostrando errores y realmente tendrían dificultades para alcanzar un rendimiento de nivel humano.

5. Privacidad y seguridad de los datos

El factor principal en el que se basan todos los modelos de aprendizaje profundo y automático es la disponibilidad de datos y recursos para entrenarlos. Sí, tenemos datos, pero como estos datos se generan a partir de millones de usuarios en todo el mundo, existe la posibilidad de que estos datos se utilicen para malos propósitos.

Por ejemplo, supongamos que un proveedor de servicios médicos ofrece servicios a 1 millón de personas en una ciudad y, debido a un ataque cibernético, los datos personales de ese millón de usuarios caen en manos de todos en la dark web. Estos datos incluyen datos sobre enfermedades, problemas de salud, historial médico y mucho más. Para empeorar las cosas, ahora estamos tratando con datos del tamaño del planeta. Con tanta información llegando de todas direcciones, seguramente habrá algunos casos de fuga de datos.

Algunas empresas ya han comenzado a trabajar de manera innovadora para sortear estas barreras. Entrena los datos en dispositivos inteligentes y, por lo tanto, no se devuelven a los servidores, solo el modelo entrenado se devuelve a la organización.

Leer: Salario de AI en India para estudiantes de primer año y experimentados

6. El problema del sesgo

La buena o mala naturaleza de un sistema de IA realmente depende de la cantidad de datos con los que están entrenados. Por lo tanto, la capacidad de obtener buenos datos es la solución para buenos sistemas de IA en el futuro. Pero, en realidad, los datos cotidianos que recopilan las organizaciones son deficientes y no tienen importancia por sí mismos.

Están sesgados y solo definen de alguna manera la naturaleza y las especificaciones de un número limitado de personas con intereses comunes basados ​​en la religión, la etnia, el género, la comunidad y otros prejuicios raciales. El cambio real solo se puede lograr definiendo algunos algoritmos que puedan rastrear estos problemas de manera eficiente.

7. Escasez de datos

Dado que las principales empresas como Google, Facebook y Apple enfrentan cargos por el uso no ético de los datos generados por los usuarios, varios países, como India, están utilizando reglas de TI estrictas para restringir el flujo. Por lo tanto, estas empresas ahora enfrentan el problema de usar datos locales para desarrollar aplicaciones para el mundo, y eso resultaría en un sesgo.

Los datos son un aspecto muy importante de la IA, y los datos etiquetados se utilizan para entrenar máquinas para que aprendan y hagan predicciones. Algunas empresas están tratando de innovar nuevas metodologías y se centran en crear modelos de IA que puedan dar resultados precisos a pesar de la escasez de datos. Con información sesgada, todo el sistema podría fallar.

Lea también: Inteligencia artificial en ciberseguridad

Conclusión

Si bien estos desafíos en IA parecen muy deprimentes y devastadores para la humanidad, a través del esfuerzo colectivo de las personas, podemos lograr estos cambios de manera muy efectiva. Según Microsoft, la próxima generación de ingenieros tiene que mejorar sus habilidades en estas nuevas tecnologías de vanguardia para tener la oportunidad de trabajar con organizaciones del futuro y, para prepararlo, upGrad ha estado ofreciendo programas sobre estas tecnologías de vanguardia con muchos de nuestros estudiante que trabaja en Google, Microsoft, Amazon y Visa y muchas otras compañías Fortune 500.

Si está interesado en obtener más información sobre inteligencia artificial y aprendizaje automático, consulte el Programa Executive PG de IIIT-B y upGrad en Aprendizaje automático e IA, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, estado de exalumno de IIIT-B, más de 5 proyectos prácticos finales prácticos y asistencia laboral con las mejores empresas.