¿Cómo protegerá su inversión de otro invierno de IA?

La Conferencia de Dartmouth, celebrada en 1956, dio inicio a una época dorada de intensa investigación sobre la IA con el objetivo de "hacer que una máquina se comporte de maneras que se llamarían inteligentes si un humano se comportara así".²

Animados por los impresionantes avances de los primeros tiempos, pioneros de la IA como Marvin Minsky afirmaron que "dentro de nuestra vida útil, las máquinas pueden superarnos en inteligencia general".³ Sin embargo, la limitada y costosa potencia informática y el almacenamiento, así como la escasez de datos, significaban que las soluciones tempranas sólo podían resolver problemas rudimentarios. Estas limitaciones tecnológicas condujeron al primer invierno de la IA, en el que los fondos se agotaron y los intereses disminuyeron. El segundo invierno de la IA de 1980-87 se precipitó cuando los sistemas expertos se volvieron caros de mantener y se volvieron frágiles cuando se enfrentaron a escenarios inusuales.

Quizás aún más perjudicial fue subestimar la dificultad de crear una Inteligencia General Artificial (AGI por sus siglas en inglés) o similar a la humana.

El renacimiento actual de la IA se debe principalmente a la superación de los obstáculos tecnológicos que plagaron los esfuerzos anteriores. Sin embargo, los especialistas de IA hoy en día no están haciendo proclamaciones de alcanzar la AGI. A pesar de los importantes avances, Oren Etzioni, profesor de University of Washington y director ejecutivo del Allen Institute for AI, dice: "Estamos tan lejos de....incluso de un nivel de inteligencia de seis años de edad, por no hablar de la inteligencia humana en general..."4

Inteligencia artificial estrecha

Mientras que AGI puede seguir siendo una meta a largo plazo para algunos en el campo, el enfoque actual y el entusiasmo se centra en la Inteligencia Artificial Estrecha (ANI por sus siglas en inglés).

La abundante y barata potencia de los ordenadores, los copiosos datos digitales generados por la proliferación de Internet, así como el gran avance de Geoffrey Hinton en el aprendizaje profundo, han llevado a una explosión de las aplicaciones de ANI. Estas aplicaciones ejecutan muy bien tareas específicas en un contexto limitado, a veces mejor que los humanos. Hoy en día, los algoritmos de ANI están creando valor humano, potenciando a los asistentes de voz digitales, impulsando las recomendaciones de productos y ayudando en la detección del cáncer. También han ampliado el conocimiento humano mediante la búsqueda de nuevos planetas y la obtención de conocimientos a partir de los datos genéticos humanos. La gran cantidad y diversidad de aplicaciones comerciales de ANI es quizás lo que distingue a esta tercera ola de optimismo en la IA.

Con estos logros a sus espaldas, ¿ha surgido la eterna "primavera" para ANI?

Los sistemas ANI se han hecho populares entre empresas, gobiernos y empresarios que se enfrentan a un corpus creciente de datos digitales que esperan ser explotados. Sin embargo, al perseguir los beneficios de la productividad y la eficiencia de la ANI, estas partes interesadas deben tener en cuenta los riesgos derivados de las deficiencias de la ANI y el potencial de un coste humano involuntario.

Las críticas más comunes al ANI incluyen la incapacidad del algoritmo para razonar más allá de sus datos de entrenamiento y su propensión a propagar sesgos humanos inherentes a medida que aprende de los datos generados por el ser humano. Aunque ninguna tecnología carece de defectos, el costo de un error derivado de los inconvenientes de ANI puede tener graves consecuencias, especialmente en situaciones en las que la decisión del algoritmo puede influir sustancialmente en el destino de un individuo.

En algunos casos, los errores algorítmicos son, en el peor de los casos, inconvenientes. Por ejemplo, aunque los asistentes de voz digitales han hecho un paso en falso o dos, resultando en momentos incómodos o perturbadores para los usuarios, la adopción y el uso continúan en aumento. Por otro lado, en contextos de alto perfil orientados al público, los errores algorítmicos tuvieron resultados catastróficos y erosionaron la confianza del público. Por ejemplo, los recientes accidentes mortales en los que se han visto implicados coches autónomos han atenuado el entusiasmo y han provocado una erosión significativa de la confianza de los consumidores: un estudio realizado en 2018 reveló que el 73% de los conductores estadounidenses no confiarían en un vehículo totalmente autónomo, en comparación con el 63% en 2017.

A medida que la toma de decisiones impulsada por el ANI encuentra su camino en otros ámbitos críticos como la justicia penal, la educación y la contratación laboral, el precio de un error ha resultado en arrestos falsos, prejuicios raciales y discriminación de género. Si la incidencia de estos errores aumenta, podría conducir en última instancia a una pérdida total de confianza en la tecnología y dejar a esta clase de aplicaciones ANI vulnerables a un posible "invierno".

Esto no quiere decir que todo el campo de la ANI vaya a flaquear. Como sugiere Stefan Heck, co-fundador y CEO de Nauto y EYQ Fellow, "Tal vez necesitemos otra categoría entre ANI y AGI para dar cuenta de las circunstancias en las que los fracasos podrían resultar en una reacción social".

Las definiciones de IA y sus diversos sabores se han centrado tradicionalmente en la capacidad de la tecnología para imitar o superar las capacidades físicas y cognitivas humanas. Si bien este marco ha servido para comparar la evolución de la tecnología, no refleja adecuadamente los perfiles de riesgo de los algoritmos cuando se aplican en diferentes contextos.

¿Qué tan riesgosa es tu IA?

El siguiente marco de trabajo ofrece a las empresas y a los gobiernos una forma de categorizar y clasificar sus aplicaciones de IA actuales y futuras.

Utilizando esta rúbrica, los líderes empresariales y los gobiernos pueden evaluar el perfil de riesgo de sus casos de uso, estrategia e inversiones basados en el ANI. Abordar los riesgos, especialmente con las aplicaciones ANI-C, no sólo será fundamental para el éxito de los esfuerzos de transformación digital, sino también para mantener la credibilidad y la confianza de las empresas y los gobiernos con sus clientes y ciudadanos. Y, en consecuencia, les permitirá darse cuenta del importante potencial que tiene el ANI para mejorar la productividad, la eficiencia y la calidad de vida en general.

Se están llevando a cabo diversas iniciativas para superar las limitaciones tecnológicas de ANI y mitigar las consecuencias no deseadas de los errores algorítmicos: nuevos enfoques algorítmicos, marcos para la "IA ética" y la disponibilidad de herramientas de código abierto para auditar los algoritmos en busca de sesgos, por nombrar algunos. La junta directiva debe desempeñar un papel activo en estas iniciativas y, junto con los gobiernos, trabajar para desarrollar algoritmos más éticos, equitativos, precisos y transparentes. Construir confianza en la tecnología será esencial para frustrar el riesgo de un inminente "invierno" para las aplicaciones ANI-C.

En última instancia, el éxito dependerá de que los líderes empresariales y los gobiernos mantengan los intereses humanos y los valores humanos en el centro del desarrollo de todas las formas de soluciones ANI y minimicen o anulen el precio de un error algorítmico que podría tener consecuencias de gran alcance para el rendimiento comercial o el bienestar humano.