La innovación en inteligencia artificial continúa a buen ritmo, con un crecimiento explosivo en prácticamente todas las industrias. Así que resulta conveniente cuestionar, ¿qué trajo para el año pasado y qué podemos esperar de la IA en 2021?

En este artículo, compartimos algunas de las tendencias que comenzaron a vislumbrar en el 2020 y se espera en este año crezcan y maduren.

• MLOps

MLOps («Operaciones de Machine Learning«, la práctica de ML en producción) ha existido durante algún tiempo. Sin embargo, durante 2020, debido al COVID-19 trajo una nueva apreciación de la necesidad de monitorear y administrar instancias de ML en producción. El cambio masivo en los flujos de trabajo operativos, la gestión de inventario, los patrones de tráfico, etc. provocó que muchas IA se comportaran de forma inesperada. Esto se conoce en el mundo MLOps como Drift, cuando los datos entrantes no coinciden con lo que la IA fue entrenada para esperar. Si bien las empresas que han implementado ML en producción anteriormente conocían la deriva y otros desafíos, los cambios causados ​​por COVID provocaron una apreciación mucho más amplia de la necesidad de MLOps. De manera similar, a medida que se imponen regulaciones de privacidad como la CCPA, las empresas que operan con datos de clientes tienen una mayor necesidad de gobernanza y gestión de riesgos. Finalmente, la primera reunión de la comunidad MLOps, la Operational ML Conference, que comenzó en 2019, también vio un crecimiento significativo de ideas, experiencias y una amplia participación en 2020.

• Low Code

AutoML (Machine Learning automatizado) existe desde hace algún tiempo. Se ha centrado tradicionalmente en la selección algorítmica y en encontrar la mejor solución de ML o Deep Learning para un conjunto de datos en particular. El año pasado vio un crecimiento en el movimiento Low-Code / No-Code en todos los ámbitos, desde aplicaciones hasta soluciones de inteligencia artificial vertical específicas para empresas. Si bien AutoML permitió la creación de modelos de IA de alta calidad sin un conocimiento profundo de la ciencia de datos, las plataformas modernas Low-Code / No-Code permiten la creación de aplicaciones completas impulsadas por IA de grado de producción sin un conocimiento profundo de programación.

• Modelos de lenguaje avanzados previamente entrenados

Los últimos años han traído avances sustanciales al espacio del procesamiento del lenguaje natural, el mayor de los cuales puede ser Transformers y Attention, una aplicación común de los cuales es BERT (Representaciones de codificación bidireccional con transformadores). Estos modelos son poderosos y han revolucionado la traducción, comprensión, resumen y más de idiomas. Sin embargo, estos modelos son extremadamente costosos y su entrenamiento requiere mucho tiempo. La buena noticia es que los modelos previamente entrenados (y algunas veces las API que permiten el acceso directo a ellos) pueden dar forma a una nueva generación de servicios de IA efectivos y extremadamente fáciles de construir. Uno de los ejemplos más grandes de un modelo avanzado accesible a través de API es GPT-3, que se ha demostrado para casos de uso que van desde escribir código hasta escribir poesía.

• Generación de contenido sintético

El PNL no es la única área de IA que ha experimentado una innovación algorítmica sustancial. Las redes generativas antagónicas (GAN) también experimentaron un crecimiento, demostrando hazañas notables en la creación de arte e imágenes falsas. Al igual que los transformadores, los GAN también han sido complejos de entrenar y ajustar, ya que requieren grandes conjuntos de entrenamiento. Sin embargo, las innovaciones han reducido drásticamente el tamaño de los datos al crear una GAN. Por ejemplo, Nvidia ha demostrado un nuevo método aumentado para el entrenamiento GAN que requiere muchos menos datos que sus predecesores. Esta transformación puede generar el uso de GAN en todo, desde aplicaciones médicas como imágenes sintéticas de histología de cáncer, hasta falsificaciones aún más profundas.

• IA para niños

A medida que las herramientas de low-code se vuelven frecuentes, la edad en la que los jóvenes pueden construir IA disminuye. Ahora es posible que un estudiante de primaria o secundaria construya su propia IA para hacer cualquier cosa, desde clasificar texto hasta imágenes. Las escuelas secundarias en los Estados Unidos están comenzando a enseñar IA, y las escuelas intermedias buscan seguir. Por ejemplo, en la Synopsys Science Fair 2020 de Silicon Valley, el 31% de los proyectos de software ganadores utilizaron IA en su innovación. Aún más impresionante, el 27% de estas IA fueron construidas por estudiantes en los grados 6-8.

imagen: @sebdeck