El Machine Learning y la inteligencia artificial son campos que impulsan importantes innovaciones en diferentes industrias. Se predice que en 2023, el mercado de IA alcanzará los $ 500 mil millones y en 2030, $ 1,597.1 mil millones en tamaño. Esto significa que las tecnologías de machine learning seguirán teniendo una gran demanda en el futuro cercano.

Sin embargo, la industria del ML evoluciona muy rápidamente: las nuevas tecnologías y la investigación científica definen cómo se construyen los nuevos productos y servicios. A fines de 2022, todos, desde ingenieros de aprendizaje automático hasta fundadores de nuevas empresas, están atentos a las tendencias más prometedoras para el próximo año. Si desea conocer algunas de las tendencias más populares para el próximo año, continúe leyendo este artículo.

Tendencias en tecnología de Machine Lerning

Nunca podemos predecir con 100% de certeza qué tipo de tecnologías tendrán demanda el próximo año, ya que todos los días aparecen nuevas innovaciones. Pero estas son algunas de las tendencias de aprendizaje automático más prometedoras para 2023, según lo que hemos visto en 2022.

Modelos de cimentación

Los modelos de lenguaje grande son una innovación importante que ha ganado popularidad recientemente y es muy probable que se quede con nosotros en el futuro cercano. Los modelos básicos son herramientas de inteligencia artificial que se entrenan con inmensas cantidades de datos, incluso en comparación con las redes neuronales normales.

Los ingenieros intentan alcanzar un nuevo nivel de comprensión enseñando a las máquinas no solo a buscar patrones, sino también a acumular conocimientos. Los modelos básicos son increíblemente útiles en la generación y resumen de contenido, la codificación y traducción, y la atención al cliente. Ejemplos bien conocidos de modelos básicos son GPT-3 y MidJourney.

Lo sorprendente de los modelos básicos es que también pueden escalar rápidamente y trabajar con datos que nunca antes habían visto, de ahí sus maravillosas capacidades de generación. Los principales proveedores de estas soluciones son NVIDIA y Open AI.

Machine Learning multimodal

En tareas como la visión por computadora o el procesamiento del lenguaje natural que involucran la interacción entre el modelo y el mundo real, el modelo a menudo tiene que depender solo de un tipo de datos, ya sean imágenes o texto. Pero en la vida real, percibimos el mundo que nos rodea a través de muchos sentidos: olfato, oído, texturas y sabores.

El ML multimodal sugiere usar el hecho de que el mundo que nos rodea se puede experimentar de múltiples maneras (llamadas modalidades) para construir mejores modelos. El término «multimodal» en IA describe cómo construir modelos ML que puedan percibir el evento en múltiples modalidades a la vez, tal como lo hacen los humanos.

La construcción de una MML se puede lograr combinando diferentes tipos de información y usándolos en la capacitación. Por ejemplo, emparejar imágenes con etiquetas de audio y texto para que sean más fáciles de reconocer. El aprendizaje automático multimodal es hasta ahora un campo joven que aún no se ha desarrollado ni avanzado en 2023, pero muchos creen que puede ser clave para lograr una IA general.

Transformadores

Los transformadores son un tipo de arquitectura de inteligencia artificial que realiza la transducción (o transformación) en una secuencia de entrada de datos utilizando un codificador y decodificador y la transforma en otra secuencia. Muchos modelos de cimentación también se construyen sobre transformadores. Sin embargo, queríamos señalarlos por separado ya que se utilizan para muchas otras aplicaciones. De hecho, se informa que los transformadores están conquistando el mundo de la IA.

También llamados modelos Seq2Seq, los transformadores se utilizan ampliamente en la traducción y otras tareas de procesamiento del lenguaje natural. Debido a que los transformadores pueden analizar secuencias de palabras en lugar de palabras individuales, generalmente muestran mejores resultados que las redes neuronales artificiales ordinarias.

En lugar de simplemente tomar todas las palabras de una oración y traducirlas palabra por palabra, un modelo transformador puede asignar pesos que evalúan la importancia de cada palabra en la secuencia. Luego, el modelo lo transforma en una oración en un idioma diferente que toma en consideración los pesos asignados. Algunas de las soluciones líderes que pueden ayudarlo a construir canalizaciones de transformadores son Hugging Face y Amazon Comprehend.

Machine Learning Integrado

El machine learning integrado (o TinyML) es un subcampo que permite que las tecnologías de aprendizaje automático se ejecuten en diferentes dispositivos.

TinyML se usa en electrodomésticos, teléfonos inteligentes y computadoras portátiles, sistemas domésticos inteligentes y más. Como explica Lian Jye Su, analista principal de IA y ML de ABI Research:

La proliferación y democratización de la IA ha impulsado el crecimiento de la analítica de Internet de las cosas (IoT). Los datos recopilados de los dispositivos IoT se utilizan para entrenar modelos de Machine Learning (ML), lo que genera nuevos conocimientos valiosos sobre el IoT en general. Estas aplicaciones requieren soluciones potentes y costosas que se basan en conjuntos de chips complejos.

La creciente popularidad de los sistemas integrados de ML es uno de los principales impulsores de la industria de fabricación de chipsets. Si hace diez años, la cantidad de transistores en un chipset se duplicaba cada dos años, de acuerdo con la ley de Moore, lo que nos permitía predecir también el aumento en la potencia computacional, en los últimos años hemos visto un salto del 40-60 %. por año. Creemos que esta tendencia persistirá también en los próximos años.

Con la proliferación más amplia de tecnologías IoT y robótica, los sistemas integrados han ganado aún más importancia. Tiny ML plantea sus propios desafíos únicos que aún no se han resuelto en 2023, ya que requiere la máxima optimización y eficiencia al mismo tiempo que ahorra recursos.

Soluciones low-code y sin código

El Machine Learning y la Inteligencia Artifical han penetrado literalmente en todos los campos, desde la agricultura hasta el marketing y la banca. Los gerentes a menudo consideran que hacer que las soluciones de ML sean fáciles de usar para los empleados que no son expertos en tecnología es clave para mantener la eficiencia de toda la organización.

Sin embargo, en lugar de someter las cosas al largo y costoso proceso de aprender a programar, es mucho más fácil simplemente elegir aplicaciones que requieran cero o casi cero habilidades de codificación. Pero este no es el único problema que probablemente resolverán las soluciones sin código.

Gartner descubrió que la demanda de soluciones de alta calidad en el mercado es mayor que las posibilidades de entrega: «crece al menos 5 veces más rápido que la capacidad de TI para entregarlas». Las soluciones sin código y de bajo código pueden ayudar a cerrar esta brecha y satisfacer la demanda. Del mismo modo, las soluciones de código bajo permiten que los equipos de tecnología presenten y prueben su hipótesis más rápido, lo que reduce el tiempo de entrega y los costos de desarrollo. Si hace 10 años, se necesitaba todo un equipo de personas para crear una aplicación o lanzar un sitio web, hoy en día solo una persona puede hacer lo mismo y hacerlo rápido.

Además, el 82 % de las organizaciones tienen dificultades para atraer y retener la calidad y la cantidad de ingenieros de software y están dispuestas a crear y mantener sus aplicaciones con la ayuda de técnicas sin código y de bajo código.

Si bien han aparecido muchas soluciones de código bajo y sin código en los últimos años, la tendencia general es que todavía son de calidad inferior en comparación con el desarrollo regular. Las nuevas empresas que podrán mejorar la situación ganarán en el mercado de la IA.

Finalmente, vale la pena mencionar que con el poder computacional en rápido aumento que se requiere para entrenar un modelo ML (especialmente para ML en tiempo real que se ejecuta en grandes organizaciones), la computación en la nube sigue siendo una tecnología importante que se encuentra detrás de las innovaciones. Según las estadísticas, alrededor del 60 % de los datos corporativos del mundo se almacenan en la nube y es probable que este número aumente. En 2023, veremos una mayor inversión en seguridad y resiliencia en la nube para satisfacer las crecientes necesidades de la industria de ML.

Gartner ha definido los segmentos tecnológicos que se espera que hayan obtenido mayor presencia de aprendizaje automático en los próximos 7-8 años. Entre las áreas líderes que han mencionado están:

• Inteligencia artificial creativa. La IA utilizada para textos generativos, códigos e incluso imágenes y videos ganó gran popularidad en 2022, especialmente con el lanzamiento de la red de generación de imágenes de última generación de MidJourney, DALLE-2, Stable Diffusion y la nueva tecnología de texto. davinci-003 de Open AI. Los productos y servicios que utilizan IA generacional para la moda, la creatividad y el marketing tendrán una gran demanda en 2023.
• Gestión empresarial distribuida. Con el trabajo remoto convirtiéndose en una norma, las empresas estaban obligadas a buscar nuevas formas de administrar la fuerza laboral y mantener la eficiencia. Según Gartner, ML ayudará a las empresas distribuidas a crecer y aumentar sus ingresos.
• Automatización. Los sistemas de software autónomos que pueden asumir tareas cada vez más complicadas y adaptarse a condiciones que cambian rápidamente tienen una gran demanda en muchas industrias, desde la seguridad hasta la banca. En 2023 aparecerán nuevas innovaciones que prevén una automatización más inteligente.
• La seguridad cibernética. La importancia de la ciberseguridad crece cada año con la creciente digitalización de varios campos de la vida y la necesidad de proteger la información confidencial. Se cree que ML y AI son cruciales en el papel de proteger datos privados y asegurar organizaciones.

En 2023, el Machine Learning seguirá siendo un campo prometedor y de rápido crecimiento que presentará muchas innovaciones interesantes. Los modelos de lenguaje grande, el aprendizaje automático multimodal, los transformadores, TinyML y las soluciones sin código y de código bajo son las tecnologías emergentes que ganarán una importancia considerable en el futuro cercano.

Algunos de los segmentos técnicos que utilizarán cada vez más ML en 2023 son la IA creativa, los sistemas autónomos, la gestión empresarial distribuida y la seguridad cibernética. Gartner predice que en 2023, ML penetrará aún más campos comerciales ayudando a aumentar la eficiencia y la seguridad en el trabajo.

imagen: @sebdeck