El Machine Learning (ML) y Deep Learning son innovaciones tecnológicas que casi todo el mundo conoce. Un estudio revela que el 77% de los dispositivos que usamos actualmente utilizan ML.
El año 2021 está listo para observar algunas tendencias significativas de ML y DL e Inteligencia Artificial que tal vez remodelarían nuestro funcionamiento económico, social e industrial.
Primero se hará una revisión a las tendencias de Machine Learning para este año:
- Machine Learning en hiperautomatización
La hiperautomatización, una megatendencia identificada por Gartner, es la posibilidad de que casi cualquier cosa dentro de una empresa que pueda automatizarse, por ejemplo, los procesos comerciales heredados, deba automatizarse. La pandemia impulsó la adopción del concepto, que también se denomina automatización de procesos digitales y automatización de procesos inteligentes .
El ML y la IA son segmentos clave e impulsores importantes de la hiperautomatización (junto con diferentes innovaciones como las herramientas de automatización de procesos). Para ser efectivas, las actividades de hiperautomatización no pueden depender del software empaquetado estático. Los procesos comerciales automatizados deben haber podido adaptarse a las condiciones cambiantes y reaccionar ante circunstancias repentinas.
- Análisis y pronóstico de negocios
El análisis de series de tiempo se normalizó durante los últimos años, aunque aún una tendencia relevante para este 2021. Con esta estrategia, los expertos recopilan y filtran un conjunto de datos durante un período de tiempo que luego se examinan y utilizan para tomar decisiones inteligentes. Las redes de ML pueden dar conjeturas con una precisión de hasta alrededor del 95% siempre que se entrenen utilizando diversos conjuntos de datos.
En 2021 y más allá, se anticipa que las organizaciones deberían fusionar redes neuronales recurrentes para pronósticos de alta fidelidad. Por ejemplo, las soluciones de ML se pueden fusionar para descubrir patrones ocultos y pronósticos precisos. Una verdadera ilustración de esto son las compañías de seguros que identifican posibles fraudes.
- La intersección de ML e IoT
El Internet de las cosas tiene un rápido desarrollo recientemente con el analista económico. Transforma Insights pronostica que el mercado mundial de IoT se desarrollará a 24,1 mil millones de dispositivos en 2030, al producir $ 1,5 billones en ingresos.
La utilización del ML se entrelaza progresivamente con IoT. El Machine Learning, la inteligencia artificial, el Deep Learning, por ejemplo, ahora se utilizan para hacer que los dispositivos y servicios de IoT sean más inteligentes y seguros. En cualquier caso, las ventajas van en ambos sentidos dado que el aprendizaje automático y la inteligencia artificial requieren enormes volúmenes de datos para funcionar de manera efectiva, precisamente lo que proporcionan las redes de sensores y dispositivos de IoT.
- Potencia informática más rápida
Los analistas de inteligencia artificial están simplemente cerca del comienzo de comprender la facilidad de las redes neuronales artificiales y el mejor enfoque para organizarlas. Esto propone que durante el próximo año, los avances algorítmicos continuarán surgiendo en un movimiento increíble con desarrollos pragmáticos y nuevos sistemas de resolución de problemas. Las soluciones de ML en la nube también cobrarán fuerza a medida que los proveedores de servicios en la nube de terceros fomentan la implementación de algoritmos de Machine Learning en la nube. La inteligencia artificial puede abordar una amplia gama de problemas desfavorables que necesitan encontrar información y tomar decisiones. Sin embargo, sin la capacidad de manejar la sugerencia de una máquina, las personas imaginarán que es difícil aceptar esa propuesta. Con líneas específicas, visualice un crecimiento continuo en el ínterin aumentando la transparencia y la explicabilidad de los algoritmos de IA.
En tanto, para el deep learning se prevé:
- Deshacerse de las redes neuronales convolucionales
DL se disparó en popularidad después de que Geoffrey Hinton, el «Padrino de la IA», y su equipo ganara el Desafío ImageNet 2012 con un modelo basado en redes neuronales convolucionales (CNN).
Las CNN pueden manejar traducciones, pero el sistema visual humano también puede reconocer objetos bajo diferentes ángulos de visión, fondos o condiciones de iluminación, lo que las CNN no pueden. Cuando los mejores sistemas CNN de la actualidad, que obtienen una precisión superior al 90% en la prueba comparativa ImageNet, intentan clasificar imágenes en un conjunto de datos de objetos del mundo real, experimentan una caída del rendimiento.
Las CNN son fundamentalmente diferentes al sistema visual humano. Simplemente no podemos confiar en ellos debido a su imprevisibilidad. No pueden interpretar los objetos que ven en imágenes. Sabemos que los objetos están en el mundo y tenemos experiencia con ellos. Podemos usar este conocimiento para dar sentido a objetos extraños, pero las CNN solo ven un montón de píxeles. Es posible que se necesite cambiar radicalmente el paradigma reinante en la visión por computadora, tal vez hacia las redes cápsula.
- Aprendizaje profundo auto-supervisado
Una de las limitaciones obvias de la DL actual es su dependencia de enormes cantidades de datos etiquetados y potencia informática. Se necesita reemplazar el aprendizaje supervisado, que es el método de entrenamiento de la mayoría de los sistemas de DL, con lo que se denomina aprendizaje auto supervisado.
Se trata de la idea de aprender a representar el mundo antes de aprender una tarea. Esto es lo que hacen los bebés y los animales. […] Una vez que tenemos buenas representaciones del mundo, aprender una tarea requiere pocas pruebas y pocas muestras «.
En lugar de entrenar un sistema con datos etiquetados, el sistema aprenderá de los datos sin procesar para etiquetarlos. Nosotros, los humanos, aprendemos órdenes de magnitud más rápido que los sistemas supervisados (o reforzados). Los niños no aprenden a reconocer un árbol mirando cientos de imágenes de árboles. Ven uno, y luego ponen la etiqueta «árbol» a todo lo que intuitivamente saben que pertenece a la categoría. Aprendemos en parte mediante la observación, lo que las computadoras aún no pueden hacer.
- Modelos híbridos: IA simbólica + DL
Dos paradigmas han gozado de una popularidad sin precedentes en la IA desde su concepción: la IA simbólica (también conocida como IA basada en reglas) y DL. La IA simbólica dominó el campo desde los años 50 hasta los 80, pero hoy la mayoría de los expertos se oponen a este marco.
La IA simbólica trabaja con representaciones abstractas del mundo real que se modelan con lenguajes de representación basados principalmente en la lógica matemática.
- System 2 deep learning
Yoshua Bengio, quien completa el trío de ganadores del Premio Turing 2018 (junto con Hinton y LeCun), dio una charla en 2019 titulada From System 1 Deep Learning to System 2 Deep Learning. Habló sobre el estado actual de la DL en el que la tendencia es hacer que todo sea más grande: conjuntos de datos más grandes, computadoras más grandes y redes neuronales más grandes. Argumentó que no pasaremos a la siguiente etapa en IA yendo en esta dirección.
Bengio sostiene que el sistema 2 DL podrá generalizarse a «diferentes distribuciones de datos», lo que se denomina distribución desordenada. En este momento, los sistemas DL necesitan entrenarse y probarse en conjuntos de datos con la misma distribución, lo que responde a la hipótesis de datos distribuidos de forma independiente e idéntica. «Necesitamos sistemas que puedan manejar esos cambios y hacer un aprendizaje continuo».
Para ello, se requerirán sistemas con mejores capacidades de aprendizaje por transferencia. Bengio sugiere que los mecanismos de atención y el metaaprendizaje (aprender a aprender) son componentes básicos de la cognición del sistema 2. Aquí hay una cita, a menudo mal atribuida a Darwin, que describe la idea central de su famoso libro Sobre el origen de las especies y enfatiza la importancia de aprender a adaptarse en un mundo en constante cambio.
- Deep Learning basado en neurociencias
La IA tiene sus orígenes en el cerebro humano, pero la DL de hoy no funciona así. El propósito final de la IA era construir un cerebro electrónico que pudiera simular el nuestro, una inteligencia artificial general (algunos la llaman IA fuerte). La neurociencia puede ayudar a DL a avanzar hacia este objetivo.
Las neuronas artificiales funcionan de manera contraria al cerebro. Llevan información solo en la fuerza de la entrada y no en el tiempo o la frecuencia. La computación neuromórfica está tratando de reducir estas diferencias.
imagen: @biancoblue
