Si me describiera sus síntomas como líder empresarial y los escribiera en ChatGPT, ¿le gustaría que generara y le recetara un plan de tratamiento, enviando órdenes a su farmacéutico local, sin consultar a un médico? ¿Qué pasaría si le ofrecieran un intercambio: los mejores científicos de datos del mundo se unirían a su organización, pero con el inconveniente de que cada uno de sus expertos en negocios debe unirse a su competidor, dejando solo datos con los que trabajar y ningún experto para proporcionar contexto? En la era de la IA, la plaza pública está llena de voces que pregonan las oportunidades, riesgos, amenazas y prácticas recomendadas para adoptar la IA generativa, especialmente modelos de lenguaje como GPT-4 o Bard. Diariamente se anuncian nuevos modelos de código abierto, avances en investigaciones y lanzamientos de productos. En medio de este impulso del mercado, se ha puesto énfasis en las capacidades de los modelos lingüísticos, pero el lenguaje sólo es útil cuando se combina con conocimiento y comprensión. Si alguien memorizara todas las palabras del diccionario que tuvieran que ver con química y pudiera recitar sin conocimiento o comprensión de los principios básicos, ese lenguaje sería inútil. Obtener la receta correcta Para los modelos de lenguaje, esto va un paso más allá y puede ser engañoso, porque los modelos no sólo pueden recitar palabras relacionadas, sino también documentos, marcos, frases y recomendaciones subyacentes que han sido escritos por expertos. Cuando se les pide que generen una nueva receta, por ejemplo, pueden usar correlaciones entre recetas anteriores y descripciones para crear una nueva receta, pero no tienen conocimiento de qué sabe bien, ni siquiera cuál es la experiencia de degustar. Si no hay correlación entre mezclar aceite de oliva, ketchup y duraznos en recetas anteriores, es poco probable que los modelos mezclen esos ingredientes, no porque tengan conocimiento o comprensión de lo que sabe bien, sino debido a la falta de correlación entre esos ingredientes en su conjunto de datos. Por lo tanto, una receta de buen sabor generada por un modelo de lenguaje es una probabilidad estadística por la cual podemos agradecer a los expertos cuyas recetas se incluyeron en los datos originales. Los modelos lingüísticos son poderosos y el ingrediente secreto para hacerlos útiles es la experiencia. La experiencia combina el lenguaje con el conocimiento y la comprensión. La frase “correlación no es igual a causalidad” es bien conocida por quienes trabajan con datos. Se refiere al hecho de que se puede establecer una correlación falsa entre dos cosas no relacionadas, malinterpretando la conexión para implicar que una causó la otra, como un gallo que canta por la mañana ordenando la salida del sol. Las máquinas son extremadamente útiles para identificar correlaciones y patrones, pero se requiere experiencia para determinar si implican causas verdaderas y deberían informar la toma de decisiones (por ejemplo, si se debe invertir en entrenar gallos para que canten una hora antes para obtener una hora adicional de luz del día). En la experiencia humana del aprendizaje, el lenguaje es sólo el primer paso. A medida que un niño adquiere lenguaje para etiquetar cosas, personas, lugares, verbos y más, sus cuidadores lo utilizan para inculcar conocimientos. Vivimos en un planeta llamado tierra. Esa bola en el cielo se llama sol. El siguiente paso es comprender la causa y el efecto (causalidad o causalidad): el sol en el cielo hace que tu piel se sienta cálida. Saltar a un lago frío puede volver a refrescarte. Cuando llegamos a la edad adulta, hemos interiorizado estructuras complejas de experiencia que consisten en lenguaje, conocimiento (qué) y comprensión (por qué). Recreando la estructura de la experiencia Considere cualquier tema. Si tienes un lenguaje sin conocimiento ni comprensión, no eres un experto. Sé que un automóvil tradicional tiene una transmisión, un motor con pistones, un tanque de gasolina; tengo algo de lenguaje sobre los automóviles. ¿Pero tengo conocimiento? Sé que el automóvil entrega gasolina al motor a través de la inyección de combustible, y hay una reacción que involucra el disparo de los pistones, y que es crucial para hacer avanzar el automóvil. ¿Pero entiendo por qué? Y si dejara de funcionar, ¿sabría cómo solucionarlo? Para disgusto de mi profesor de taller de automóviles de la escuela secundaria, necesitaría contratar a un experto que entendiera por qué y tuviera conocimiento de cómo solucionarlo, aprendido a través de la experiencia práctica. Traduciendo eso a un contexto de máquina, los modelos de lenguaje sin conocimiento (representados por gráficos y modelos de conocimiento) o comprensión (representados por modelos causales) nunca deberían tomar decisiones, ya que no tienen experiencia. Un modelo de lenguaje que toma una decisión por sí solo es como darle una caja de herramientas y acceso a su automóvil a una persona que solo ha memorizado la siguiente palabra más probable en todo lo que tiene que ver con automóviles. Entonces, ¿cómo aprovechamos el potencial de los modelos lingüísticos recreando la estructura de la experiencia en las máquinas? Comience con la experiencia y trabaje hacia atrás. El aprendizaje automático (ML) y la enseñanza automática son subdisciplinas del campo de traducir la experiencia humana al lenguaje de máquina para que las máquinas puedan informar las decisiones humanas o tomar decisiones de forma autónoma. Esto puede liberar la capacidad humana para centrarse en decisiones y descubrimientos que tienen demasiados matices o para los que no hay suficientes datos para traducir al lenguaje de máquina. El aprendizaje automático comienza con la cuestión de cómo equipar mejor a las máquinas para que aprendan, y la enseñanza automática comienza con la cuestión de cómo equipar mejor a los humanos para enseñar a las máquinas. El error más común en los debates sobre la IA y el aprendizaje automático es que los datos son el elemento más crítico, pero la experiencia es el elemento más crítico. De lo contrario, ¿qué está aprendiendo el modelo? Claro, se trata de identificar patrones, clasificaciones y revisar millones de filas de datos en segundos. Pero, ¿qué hace que esos patrones sean útiles? Cuando un experto ha identificado que un patrón puede informar una decisión que beneficia a la organización y a sus clientes, esa experiencia se puede traducir al lenguaje de máquina y se puede enseñar a la máquina a asociar ese patrón con reglas de negocio y tomar decisiones beneficiosas de forma autónoma. Por lo tanto, el proceso de destilar experiencia en máquinas no comienza con datos, comienza con experiencia y avanza hacia atrás. Un ejemplo de esto es cuando el operador de una máquina nota que ciertos sonidos que hace una máquina se correlacionan con los ajustes necesarios. Cuando emite un silbido agudo, es necesario, por ejemplo, bajar la temperatura. Además de una carga de trabajo completa, el operador escucha durante todo el día en caso de que la máquina emita uno de esos sonidos. No hay datos preexistentes que correspondan a esta situación, pero sí experiencia. Trabajar hacia atrás a partir de esa experiencia es bastante sencillo. Instale sensores que detecten los sonidos emitidos por la máquina, luego trabaje con el experto para correlacionar esos sonidos (frecuencias y combinaciones de decibeles) para realizar los ajustes necesarios en la máquina. Luego, este proceso se puede descargar a un sistema autónomo, liberando tiempo del operador para manejar otras responsabilidades. Identificar la experiencia más crítica El proceso de creación de soluciones de IA debe comenzar con la pregunta de qué experiencia es más importante para la organización, seguida de una evaluación del nivel de riesgo asociado con la pérdida de esa experiencia o las posibles ventajas de descargar esa experiencia impulsada por expertos. decisión a una máquina. ¿Hay sólo una persona en la organización que entiende ese proceso o cómo arreglar un sistema cuando deja de funcionar? ¿Siguen miles de empleados el mismo proceso cada día que podría descargarse a un sistema autónomo, liberando así 30 minutos adicionales en sus calendarios diarios? El tercer paso es evaluar cuáles de los asociados con el mayor grado de riesgo o potencial beneficio podrían traducirse al lenguaje de máquina. Este es el paso en el que los datos y las herramientas (como los modelos de lenguaje) entran en la conversación como un facilitador para traducir la experiencia al lenguaje de máquina y establecer una interfaz con las máquinas. Afortunadamente para la mayoría de las organizaciones, ya se han sentado las bases para la creación de sistemas expertos y, como punto de partida, los modelos de lenguaje pueden hacer referencia o compararse con la experiencia que se ha programado en ellos. De la exploración a las operaciones En la próxima década, veremos una reestructuración de los sectores del mercado en función de sus inversiones en IA. Una advertencia es la aparición del vídeo a la carta: Netflix introdujo el streaming en 2007. Blockbuster se declaró en quiebra tres años después, a pesar de haber incubado y puesto a prueba Blockbuster On Demand en 1995. Cuando un competidor introduce un producto o servicio que es lo suficientemente avanzado con aplicaciones significativas y diferenciadas de IA, probablemente será demasiado tarde para dar un giro o “seguir rápidamente”, especialmente teniendo en cuenta el tiempo y la experiencia necesarios para desarrollar aplicaciones sólidas. Para el año 2030, los nombres conocidos que ahora veneramos se habrán unido a Blockbuster porque decidieron seguirlos rápidamente, y cuando vieron la fuerza del mercado que sería su desaparición, ya era demasiado tarde. En lugar de planear esperar y reaccionar ante las inversiones y los desarrollos de los desarrolladores, los líderes deben comenzar con la pregunta de qué podrían lograr en el mercado que requeriría que todos los demás se apresuraran a reaccionar ante ellos. En la era de la transformación autónoma, las organizaciones mejor posicionadas para mantener o expandir su posición en el mercado serán aquellas que inviertan en transferir experiencia operativa a las máquinas y establecer una visión para el futuro del mercado y del valor que su organización puede crear, encargando expediciones. hacia lo desconocido para descubrir si esa visión se puede hacer realidad, mientras destilamos rigurosamente los descubrimientos en valor tangible. Brian Evergreen es fundador de The Profitable Good Company. DataDecisionMakers ¡Bienvenido a la comunidad VentureBeat! DataDecisionMakers es el lugar donde los expertos, incluidos los técnicos que trabajan con datos, pueden compartir conocimientos e innovación relacionados con los datos. Si desea leer sobre ideas de vanguardia e información actualizada, mejores prácticas y el futuro de los datos y la tecnología de datos, únase a nosotros en DataDecisionMakers. ¡Incluso podrías considerar contribuir con un artículo propio! Leer más de DataDecisionMakers

Source link