Entrevista a Joshua Gans. Explorando el impacto de la inteligencia artificial: Predicciones vs. Juicio

Entrevistas

Entrevista a Joshua Gans. Explorando el impacto de la inteligencia artificial: Predicciones vs. Juicio Entrevista a Joshua Gans. Explorando el impacto de la inteligencia artificial: Predicciones vs. Juicio

KC

Karen Christensen

Business Review (Núm. 290) · Tecnología

El economista jefe de Creative Destruction Lab, Joshua Gans, asegura que la inteligencia artificial funciona mejor cuando el objetivo es obvio. Cuando este resulta difícil de describir, sigue sin haber un sustituto para el juicio humano.

Progresos recientes en aprendizaje automático han contribuido de forma significativa a hacer avanzar el campo de la inteligencia artificial (IA). Por favor, describa la actual situación y hacia dónde ve que se dirige.

En la última década, la inteligencia artificial ha avanzado de manera notable. Con avances en el aprendizaje automático –particularmente en “aprendizaje profundo” y “aprendizaje por refuerzo”–, la IA ha conquistado el reconocimiento de imágenes, la traducción entre idiomas y juegos como el Go. Por supuesto, esto suscita las preguntas habituales acerca del impacto de estas tecnologías sobre la productividad humana. La gente quiere saber si, en general, la inteligencia artificial va a sustituir o complementar a los trabajadores humanos.

En un artículo reciente, mis colegas y yo presentamos un modelo sencillo para ocuparnos de qué es exactamente lo que han generado en el plano tecnológico los nuevos adelantos en IA y su aplicación en las tareas de producción. De esta manera, pudimos ayudar a entender la cuestión de “sustituir vs. complementar” y dónde podría encontrarse la frontera entre el rendimiento humano y el de las máquinas en las tareas cognitivas.

En el núcleo de su trabajo se sitúa la creencia de que los recientes progresos en inteligencia artificial constituyen avances en predicción. Por favor, explíquenos esto.

La predicción ocurre cuando se utiliza información disponible para producir información de la que no disponemos. Por ejemplo, usar datos meteorológicos del pasado para predecir qué tiempo hará mañana, o usar clasificaciones pasadas de imágenes etiquetadas para predecir qué etiquetas debemos asignar a la imagen que actualmente estamos mirando. Es importante señalar que esto es lo único que hace el aprendizaje automático. No identifica relaciones causales, y debe ser utilizado con precaución en situaciones de incertidumbre o escasez de datos.

En el plano económico, si quisiéramos crear un modelo del impacto de la IA, el punto de partida sería una caída dramática en el coste de generar predicciones de alta calidad. Tal como sería de esperar, disponer de mejores predicciones produce decisiones mejores y más matizadas. En términos de las organizaciones que adoptan la IA, ha habido mucha actividad y mucha discusión, y también mucha exageración. Las grandes empresas tecnológicas –Apple, Google, Facebook– han estado implementando si...


Karen Christensen

·

Editora de Rotman Management