En los últimos años se han observado avances interesantes en el machine learning, los cuales han aumentado sus capacidades en un conjunto de aplicaciones. Además, el aumento de la disponibilidad de datos ha permitido mejorar los sistemas de machine learning, mientras que el aumento de la potencia de procesamiento de los ordenadores ha potenciado las capacidades analíticas de estos sistemas.

La introducción del enfoque de deep learning (DL) para el machine learning ha llevado grandes desarrollos en la Inteligencia Artificial (AI) en los últimos años, atrayendo el interés de la computación en la nube y los negocios de chips semiconductores. Según las últimas investigaciones de TrendForce sobre IA, las tres fuerzas que impulsan los avances en el deep learning son el software, el hardware y los datos.

Los sistemas de IA basados en deep learning requieren grandes cantidades de datos para desarrollar sus habilidades, como por ejemplo la identificación de objetos y el procesamiento de peticiones. Por lo tanto, la cantidad y la calidad de los datos afectan directamente a la precisión de los sistemas de AI. A medida que las compañías de plataformas de software y de nube compiten para traer soluciones de IA para diferentes aplicaciones, la propiedad y el acceso a los datos se convertirán en cruciales para sus estrategias.

Las principales aplicaciones de la IA

De acuerdo con la investigación de TrendForce, en estos momentos, las principales aplicaciones de las soluciones de Inteligencia Artificial y machine learning vienen de parte, en primer lugar, de la seguridad de datos y las finanzas, que actualmente representan alrededor del 20% del valor total del mercado de machine learning.

La segunda categoría de aplicación más importante es la tecnología de publicidad digital, que representa aproximadamente el 18% del valor total del mercado. La tercera es el retail, con un 14% del valor de mercado, y la cuarta es la de fabricación, con un 12%.

Otras aplicaciones para la IA también están creciendo rápidamente, como la atención sanitaria que en estos momentos representa un 9% del valor total del mercado, y defensa, automoción y recursos naturales que representan un 7% cada una.

Principales actores en el desarrollo de soluciones de IA

TrendForce también destaca que los proveedores de cloud computing y plataformas de software son los principales actores en el desarrollo de soluciones de IA para diferentes aplicaciones. En este campo destacan nombre como Google, Microsoft, Amazon Web Services, Facebook, IBM y Apple o las chinas Baidu, Tencent y Alibaba.

Las compañías de plataformas de software y de cloud tienen enormes bases de datos que abarcan, por un lado, las actividades online de los usuarios en Internet y, por otro, la información extraída del uso de sus herramientas de software. Estas bases de datos benefician el desarrollo de APIs y SDKs para sistemas de IA.

“Poseer bases de datos y tener acceso a ellas a veces son dos cosas distintas”, dijo Christy Lin, analista de TrendForce. “Los proveedores de servicios cloud públicos y privados como AWS, Microsoft y Google no tienen necesariamente la propiedad de los datos de los usuarios y de las empresas. Sin embargo, estas grandes marcas tecnológicas pueden tener acceso a los datos cuando los usuarios y las organizaciones utilizan sus API basadas en la nube. Los datos se pueden utilizar para el desarrollo de productos alimentados por IA y la optimización de las herramientas de software”.

Lin también señaló que la promoción de marcos de código abierto es también una parte importante de la estrategia de la IA. Los proveedores de plataformas de cloud y software quieren que los desarrolladores de soluciones de IA utilicen sus marcos de código abierto porque esto crea oportunidades de seguimiento vinculadas a las ofertas de soporte de software y hardware.

Algunos ejemplos de estos marcos de código abierto incluyen TensorFlow de Google, Torch de Facebook, CNTK de Microsoft e Intel Neon. La competencia en el mercado de código abierto se está intensificando debido a la llegada de nuevos participantes.

Áreas a las que el machine learning apoya

Por otra parte, según un estudio de la Royal Society, a medida que el campo del machine learning se desarrolla cada vez más, se puede ver como cada vez más da soporte a los avances potencialmente transformadores en una serie de áreas.

  • La asistencia sanitaria, el machine learning está creando sistemas que pueden ayudar a los médicos a dar diagnósticos más precisos o efectivos para ciertas condiciones.
  • En el ámbito del transporte, ayuda en el desarrollo de coches autónomos y también a hacer más eficientes las redes de transporte existentes.
  • Para los servicios públicos, tiene el potencial de orientar el apoyo de manera más eficaz a los más necesitados o de adaptar los servicios a los usuarios.
  • Y en la ciencia, el machine learning está ayudando a dar sentido a la gran cantidad de datos disponibles para los investigadores, ofreciendo nuevos conocimientos sobre la biología, la física, la medicina, las ciencias sociales y más.

Por todo esto, es por lo que los usuarios británicos, encuestados en el estudio de Royal Society, son bastante optimistas sobre la llegada de la Inteligencia Artificial, a pesar de los temores del desempleo masivo, accidentes con máquinas, restricciones a la libertad, aumento de la desigualdad económica y miedo a una experiencia humana devaluada.

Si bien, el machine learning, ofrece posibilidades de prosperar a nuevos negocios o áreas de la economía, su naturaleza perturbadora trae consigo desafíos para la sociedad. Sus capacidades tecnológicas permiten nuevos usos de los datos, lo que desafía a los sistemas existentes de gestión de datos.

El potencial del machine learning

Sus nuevas aplicaciones plantean interrogantes sobre la confianza pública y la aceptabilidad. El machine learning podría traer beneficios significativos a través de una amplia gama de sectores, pero para ello será necesaria una cuidadosa administración para asegurar que  esas ventajas lleguen a todos los sectores de la sociedad.

El conocimiento del término machine learning es bajo, ya que sólo el 9% de los encuestados británicos había oído el término, y sólo el 3% pensaba que sabía mucho o bastante sobre ello.

Sin embargo, el conocimiento de sus aplicaciones es más alto:

  • El 76% de los encuestados había oído hablar de ordenadores que podían reconocer el habla en una pregunta y la respuesta.
  • El 89% había oído hablar de al menos uno de los ocho ejemplos de machine learning utilizados en la encuesta.

El gran potencial del machine learning era evidente para muchos, sobre todo por su conexión con el mundo del big data y por su capacidad para analizar datos. Los encuestados pensaron que el machine learning podría:

  • Ser más objetivo que los usuarios humanos, o ayudar a evitar casos de error humano, por ejemplo evitando los problemas que puedan surgir cuando los que toman las decisiones están cansados.
  • Ser más precisos, por ejemplo en la detección de características en imágenes médicas y al realizar diagnósticos precisos.
  • Ser más eficientes, especialmente en lo que se refiere a los recursos del sector público y determinar cómo se prestaban los servicios.
  • Ofrecer oportunidades para nuevos negocios y crecimiento económico en una amplia gama de sectores.
  • Desempeñar un papel en la solución de desafíos sociales a gran escala, como el cambio climático o las presiones del envejecimiento de la población.

Por lo tanto, la gente podía ver que el machine learning mejora el funcionamiento de los servicios, ahorrando tiempo y ofreciendo opciones significativas en un entorno de “sobrecarga de información”.

Las preocupaciones sobre el machine learning

Sin embargo, la investigación de Royal Society sugiere que, mientras que las personas son generalmente positivas sobre la tecnología para mejorar los tratamientos médicos, guiar a los coches sin conductor y personalizar la educación, sigue habiendo preocupaciones sustanciales.

Las preocupaciones sobre el machine learning y sus aplicaciones se dividieron en cuatro temas:

  • La posibilidad de que los sistemas de machine learning causen daños, por ejemplo como resultado de accidentes de coches autónomos.
  • La posibilidad de que las personas pudieran ser reemplazadas por máquinas en el trabajo, o que pudieran depender demasiado de las máquinas, por ejemplo para hacer diagnósticos.
  • La medida en que los sistemas que utiliza el machine learning pueden hacer que las experiencias sean menos personales o humanas, ya sea cambiando la naturaleza de las actividades valoradas o haciendo predicciones generalizadas sobre un individuo.
  • La idea de que los sistemas de machine learning puedan restringir las opciones abiertas a un individuo, por ejemplo dirigiendo a los consumidores a un tipo específico de producto o servicio.

Casi un tercio de los encuestados cree que los riesgos del machine learning superan los beneficios, mientras que el 36% cree que los riesgos y los beneficios están bastante equilibrados.

Por ejemplo, solo el 22% de los encuestados dijo que los beneficios de los robots militares que usan machine learning para tomar sus propias decisiones superan a los riesgos.  Además, sólo el 18% de los encuestados dijo que creía que los beneficios de los ordenadores que aprendían a jugar en el mercado de valores superaban también los riesgos.

También, muchos encuestados desconfiaban de los coches autónomos, a pesar de que la tecnología que es capaz de reducir potencialmente los accidentes de tráfico.

Pero por el contrario, el 61% de los encuestados prefirieron los sistemas de reconocimiento facial que aprenden a reconocer las caras de los criminales de las imágenes de CCTV.