La Inteligencia Artificial es una de las tecnologías más llamativas para los profesionales y empresas TI, por lo que es común encontrar una gran variedad de predicciones y análisis de hacia dónde se dirigirá esta área.
Para cambiar el centro de atención, abordaremos algunas de las tendencias que impactarán en las tecnologías que van unidas a la IA: Machine Learning (ML) y Deep Learning (DL).
El crecimiento del ML está llevando el negocio y los ingresos a nuevas alturas. Se prevé que alrededor de $ 47 mil millones se destinarán a mejorar esta tecnología en 2020. Las predicciones para esta tecnología son:
- Rápido crecimiento y adopción de herramientas
La tendencia más notable en este momento en el ML es el rápido crecimiento de las herramientas para desarrolladores y cómo esto cambia el proceso de creación, implementación y administración del Machine Learning.
En un extremo del espectro, tenemos el crecimiento de las herramientas similares a AutoML que proporcionan poderosos modelos de Machine Learning como una solución plug-and-play sin la necesidad de tener una experiencia profunda en aprendizaje automático. Esto llevaría rápidamente el poder del ML a más y más industrias.
En el otro extremo del espectro, existen numerosas herramientas y productos que estandarizan y proporcionan abstracciones poderosas para diferentes aspectos del desarrollo del aprendizaje automático que permite a los científicos de datos centrarse exclusivamente en sus competencias básicas, de acuerdo a Raghav Ramesh, ingeniero líder en Machine Learning en DoorDash, al responder una pregunta en Quora, y de la que se hizo eco Forbes.
- Nuevos enfoques de la ciberseguridad
El desarrollo y el crecimiento de la accesibilidad de los datos han llevado a técnicas de piratería progresiva. Varios dispositivos conectados a Internet crean datos y también exponen los sistemas a riesgos vulnerables. El Machine Learning en ciberseguridad funciona en ambos sentidos, si es utilizado por piratas informáticos potenciales, puede dar como resultado ataques más fuertes, mientras que si es implementado por empresas de ciberseguridad puede aumentar el nivel de seguridad.
- Operaciones de TI mejoradas
InfoTech está generando datos masivos a través de archivos de registro, informes de estado y registros de errores. Se están generando enormes datos a través de componentes de hardware, componentes de software, aplicaciones de servidor y sistemas operativos. No todos los datos se ajustan como entradas a los modelos de aprendizaje automático. El ML captura, limpia datos y genera información empresarial inteligente para que una empresa de TI se vuelva proactiva en lugar de reactiva. Los modelos basados en aprendizaje automático funcionan con datos limpios para las fases de entrenamiento y prueba. Los algoritmos del Machine Learning ayudan a los equipos de operaciones de TI a encontrar la causa raíz de los problemas, respaldados por análisis predictivos para mejorar las operaciones.
El término «Deep Learning» ha existido desde hace bastante tiempo. Las redes neuronales profundas pueden brindar beneficios significativos a las empresas; de hecho, muchas empresas están aprovechando el ML para un reconocimiento de patrones más efectivo, motores de recomendación, servicios de traducción, detección de fraudes y más.
- Transferencia de aprendizaje
El aprendizaje por transferencia es una técnica de aprendizaje automático muy popular, en la que un modelo, entrenado y desarrollado para una tarea en particular, se reutiliza para realizar otra tarea similar.
Esta técnica ganó popularidad ya que permite un enfoque de aprendizaje rápido con DL. Aquí, los modelos pre-entrenados de redes de código abierto se utilizan como punto de partida en la visión de la computadora y las tareas de procesamiento del lenguaje natural.
No es fácil para las organizaciones capacitar y desarrollar modelos que requieren acceso a un gran volumen de datos y poder computacional. Para las organizaciones que están dando los primeros pasos hacia la transformación digital, a menudo puede ser un desafío importante. La capacidad de transferencia de aprendizaje para abordar estos problemas ha contribuido a su mayor adopción.
- Comprensión de la máquina
La comprensión de la máquina / la comprensión de la lectura de la máquina / la lectura de la máquina son modelos de Inteligencia Artificial que le dan a una computadora la capacidad de leer un documento y responder preguntas. Si bien esta es una tarea relativamente elemental para un ser humano, no es tan sencilla para los modelos de IA.
Casi todas las organizaciones importantes en el mundo que trabajan en el campo de la IA, incluidos los pioneros en IA (Google, AWS, Microsoft, Facebook, etc.), institutos de investigación y universidades, participaron en esta competencia para desarrollar un sistema de comprensión de máquina en el conjunto de datos SQuAD que superaría exactitud humana Se logró un gran avance el 5 de enero de 2018 cuando un modelo de IA de Alibaba superó a los humanos en comprensión de lectura. Este modelo fue basado en SLQA + (conjunto) y registró una coincidencia exacta de puntuación humana, que es ~ 82% en el conjunto de datos SQuAD.
- Edge Intellgience
Edge Intelligence (EI) cambia la forma en que los datos se adquieren, almacenan y extraen: cambia el proceso de los dispositivos de almacenamiento en la nube al borde. La EI propone que los dispositivos de vanguardia sean un tanto independientes al acercar la toma de decisiones a la fuente de datos, lo que reduce el retraso en las comunicaciones y mejora los resultados casi en tiempo real.
Desde la llegada de IoT, ha habido un enorme aumento en el número de dispositivos conectados. Este número está destinado a aumentar exponencialmente en los próximos años. Debido a los desafíos actuales que enfrenta la conexión de una gran cantidad de dispositivos a la nube, las organizaciones ahora están más inclinadas hacia soluciones que utilizan inteligencia de vanguardia.
