Tendencias futuras del desarrollo de la inteligencia artificial (Parte I)

  Con el avance de la inteligencia artificial (IA) Se está volviendo cada vez más común y se integra en las decisiones que transforman la vida, lo que ha generado una demanda cada vez más acuciante de transparencia. En los últimos años, no han faltado casos en los que la inteligencia artificial ha exacerbado prejuicios y discriminación; el uso del reconocimiento facial para la vigilancia policial es solo un ejemplo. En los próximos años, es muy probable que se pase de una regulación autónoma poco estricta a una participación gubernamental en el ámbito de la inteligencia artificial. A su vez, las grandes empresas tecnológicas recurren cada vez más a la inteligencia artificial para abordar los problemas de privacidad y sesgos que esta misma tecnología genera.

 

01Tendencias tecnológicas

 

A continuación se enumeran las tendencias clave que las empresas de datos a nivel mundial han identificadoIATendencias tecnológicas clave en este tema:

 

Inteligencia artificial explicativa(XAI)

 

La inteligencia artificial participa cada vez más en la toma de decisiones que afectan a la vida cotidiana, como los pagos de beneficios sociales, la aprobación de hipotecas y el diagnóstico médico. Por ello, la transparencia y la explicabilidad se han vuelto esenciales. En torno a IALas controversias sobre el sesgo en los modelos han suscitado gran atención, lo que ha llevado a las empresas a actualizar sus guías internas de desarrollo de IApara generar confianza. Solo la ampliación del reconocimiento de aplicaciones (XAI) no es suficiente para mitigar los sesgos en los datos, ya que solo permite a las empresas identificar posibles casos de discriminación. Las empresas ajustarán sus modelos según sea necesario y ampliarán el uso de tecnologías de reconocimiento y de inteligencia artificial; esta ha pasado a ser la prioridad principal de la mayoría de las compañías vinculadas con la IA, como Google y el gigante de la defensa Lockheed Martin.

 

Aprendizaje federado

 

La inteligencia artificial, como solución a los problemas de privacidad generados por la propia tecnología, puede parecer contraintuitiva; este enfoque fue desarrollado por Google en2017Lanzado en el año, está diseñado para aprovechar los ricos conjuntos de datos disponibles en dispositivos locales, como los teléfonos inteligentes, al tiempo que protege los datos sensibles. En pocas palabras, el dispositivo descarga el modelo actual desde la nube, lo mejora aprendiendo a partir de los datos almacenados en su memoria y, posteriormente, actualiza el modelo con base en los datos localizados. Google es la aplicación más conocida que utiliza el aprendizaje federado; por ejemplo, las aplicaciones de teclado sugieren palabras o frases basándose en los datos de las operaciones previas. En el sector sanitario, el aprendizaje federado permite que distintas organizaciones colaboren en un mismo modelo, el cual mejora la atención al paciente sin necesidad de compartir datos sensibles.

 

Reconocimiento facial

 

        2020 年 6 mes, Amazon, International Business Machines (IBM) y Microsoft anunciaron que ya no venderán reconocimiento facial a las fuerzas del orden ni al público en general(FR)herramientas. Aunque Amazon pospuso por un año la autorización para el uso del reconocimiento facial por parte de las fuerzas del orden, Microsoft señaló que no comercializará este sistema a los cuerpos policiales hasta que se apruebe una legislación nacional que regule esta tecnología. Por su parte, International Business Machines anunció que dejará de ofrecer software de reconocimiento facial o análisis de uso general. George Floyd (George Floyd) y las posteriores protestas contra el racismo, se intensificó la vigilancia, lo que llevó a las grandes empresas tecnológicas a distanciarse del reconocimiento facial; sin embargo, los casos de problemas éticos y sesgos han sido frecuentes durante años.

 

El aprendizaje autónomo de las máquinas (AutoML)

 

El aprendizaje autónomo de las máquinas busca reducir la necesidad de intervención humana en el proceso de aprendizaje (ML) la inversión de mano de obra y el esfuerzo necesarios para aplicarla a problemas del mundo real. Lo logra automatizando los aspectos tediosos e iterativos del desarrollo de modelos de aprendizaje autónomo, lo que permite que desarrolladores y científicos de datos con conocimientos limitados en ML puedan utilizar modelos y técnicas de aprendizaje autónomo, al tiempo que reduce los errores humanos y los sesgos en los modelos de aprendizaje automático. La detección de fraudes, la fijación de precios y la gestión de ventas son ámbitos de aplicación comunes del aprendizaje autónomo en máquinas. Google Cloud, DataRobot (DataRobot) y H20.ai es un ejemplo de la solución de software líder en aprendizaje automático autónomo.

 

La eficiencia se duplica con la mitad de esfuerzo

 

En 2019 En una entrevista en el año, Jeff Dean, jefe de inteligencia artificial de Google, dijo: “Esperamos construir sistemas que puedan generalizarse a nuevas tareas; será interesante e importante poder hacer cosas con menos datos y menos computación.” La mayoría coincide en que las ventajas regulatorias y comerciales de aprender a partir de menos puntos de datos son notables. La startup de reconocimiento emocional Affecta , Kaljubi, señaló que los métodos de síntesis de datos permitirán a la empresa tomar los datos ya recopilados y sintetizarlos para crear nuevos datos. Por ejemplo, un video de alguien conduciendo un automóvil podría utilizarse para generar nuevas escenas, como un conductor girando la cabeza o enviando mensajes de texto. Inteligencia artificial periférica en el Internet de las Cosas (AIoT）

 

Uno de los principales ámbitos de convergencia entre temas disruptivos es la inteligencia artificial y el Internet de las Cosas. Esta combinación ha dado lugar a la inteligencia artificial en el Internet de las Cosas. Al combinar los datos recopilados por sensores y actuadores conectados con IA, se pueden reducir la latencia, aumentar la privacidad y lograr inteligencia en tiempo real en el borde. La empresa Apple (Apple) lanzó 2020 年 1 adquirió en el mes de Xnor.ai, una empresa que ofrece herramientas de reconocimiento de imágenes capaces de ejecutarse en dispositivos de bajo consumo energético, para reforzar su oferta en el ámbito del edge.AI, con el fin de fortalecer su posición en el mercado.

 

computación cuántica

 

La computación cuántica está comenzando a madurar, con Google, Microsoft y IBM a la vanguardia; gracias al soporte de las computadoras cuánticas, las aplicaciones de inteligencia artificial pueden funcionar más rápidamente. Según el profesor de información cuántica de la Universidad de Chicago, el doctor David ·Oshalom, el uso de computadoras cuánticas puede acelerar muchas tareas computacionales que hacen hincapié en el aprendizaje automático. Estas permitirán cálculos más rápidos y facilitarán el desarrollo de algoritmos más eficientes en términos de recursos, al tiempo que habilitarán a la inteligencia artificial para abordar tareas aún más complejas. IBM ha estado ofreciendo servicios de computación cuántica en la nube a sus clientes desde 2016 , mientras que en 2019 , Microsoft (Azure Quantum) y el Laboratorio de Soluciones Cuánticas de Amazon anunciaron que los clientes podrían probar sus algoritmos experimentales en múltiples computadoras cuánticas.

 

El chip de próxima generación

 

  El enfoque del diseño de chips ha pasado de estar en 1La carrera por colocar más transistores en un chip de silicio de milímetros cuadrados ha dado paso a la construcción de microprocesadores como sistemas compuestos por múltiples componentes, cada uno encargado de una tarea específica. En los próximos años, las computadoras imitarán cada vez más la forma en que el cerebro humano almacena y procesa la información. Aquí es donde entra en juego la computación neuromórfica y los chips neuromórficos. Estos chips son ideales para manejar grandes volúmenes de datos y alimentar aplicaciones de aprendizaje profundo basadas en redes neuronales, consumiendo al mismo tiempo menos energía que los procesadores tradicionales. IBM, junto con Truenos (TrueNorth) en colaboración, Intel y Rohi (Loihi) en cooperación; actualmente ocupan una posición de liderazgo en I+D, pero enfrentan la competencia de empresas reconocidas como Qualcomm, HP Enterprise (HPE) y Samsung, entre otras. Graphcore La competencia con startups bien financiadas como Cambrian, entre otras.