Muy probablemente el lector ya ha vivido alguna experiencia de uso de inteligencia artificial. Está en varias aplicaciones de su teléfono. En las de mapas trazan el mejor camino. Las de traducción pueden poner en su idioma texto escrito en cualquier otro, o incluso traducir el habla. Tal vez le haya pedido al asistente virtual que viene en su teléfono (sea Siri o Google Assistant) que haga algo por usted. También es probable que haya tenido algún tipo de inteligencia artificial como oponente en un juego. Cuando revisa sus redes sociales, una inteligencia artificial ha decidido que contenidos son más relevantes para usted. El acceso mismo a su teléfono puede estar limitado por el reconocimiento de alguna característica biométrica, como su cara o su huella digital, gestionados por una IA.
Prácticamente todas las personas que usan un teléfono celular o un computador están siendo afectadas por el uso de las inteligencias artificiales. Incluso para quienes no usan tecnología, una inteligencia artificial podría estar decidiendo si es merecedor del crédito que pidió al banco, o si es la persona adecuada para esa oportunidad de trabajo.
La mayoría de las personas les teme o las ignora, sólo hay una muy pequeña fracción de la población que las entiende. No son fáciles de entender, aunque cada vez sean más fáciles de usar, crear una inteligencia artificial o incluso adaptarla es hoy muy difícil. En Red Gráfica consideramos que es nuestra responsabilidad entender cómo funcionan, al menos en los términos técnicos generales.
Para escribir este artículo, usamos diversos tipos de herramientas basadas en Inteligencia artificial por varios meses, investigamos cómo funciona la tecnología y consultamos con expertos en el campo. También hicimos seguimiento a varios de los debates actuales sobre el impacto social que puede tener su uso generalizado. Con todo, aún estamos lejos de ser los más grandes expertos en el tema, pero estamos seguros de que podemos ofrecer una opinión informada. Es tan irresponsable demonizar las inteligencias artificiales, como creer que son la salvación de la humanidad, aunque haya quienes afirmen una u otra cosa.
¿Qué es la inteligencia artificial (y qué no)?
La definición más sencilla es que las inteligencias artificiales son máquinas haciendo tareas que siempre hemos considerado que requerían la inteligencia humana, como ganar en un juego, conducir un automóvil o reconocer patrones en millones de datos. En otras palabras, tal vez algo más técnicas: la inteligencia artificial es el campo de la informática, que busca la creación de máquinas que puedan imitar comportamientos inteligentes.
Y hasta ahí nos llegan las definiciones sencillas. Porque para profundizar en el concepto de “inteligencia artificial”, primero tendríamos que definir qué es inteligencia, lo cual es complicado.
¿Realmente somos inteligentes los seres humanos? La contaminación ambiental, la guerra o la injusticia social podrían hacernos dudar. ¿Y qué tal la inteligencia de un delfín o de una hormiga?
¿Es inteligente la persona que más sabe de matemáticas? ¿Y por qué es frecuente que los “genios” tengan problemas con su vida social o afectiva? ¿Son medidas como el IQ una forma de entenderlo o un mecanismo con sesgos culturales? ¿Existe una forma de inteligencia o múltiples expresiones?
Resolver esta cuestión es muy complicado, los científicos de diversas disciplinas aún discuten el tema y no hay que olvidar que no pueden darse el lujo de adoptar una definición que les perjudique.
Con el adjetivo “artificial” el debate puede ser igual de complejo. Por lo que la discusión por la vía de entender lo que significa el concepto en abstracto es muy complicada, llena de debates que van más allá de las cuestiones técnicas y se adentran en campos como la filosofía o la semiótica, y muchos otros.
Así que intentaremos otra forma. Identificar algunas de las características que nos permiten distinguir la inteligencia, por ejemplo: memorizar, calcular, ser creativo, aprender y tener conciencia de sí mismos. En los siguientes párrafos revisaremos hasta qué punto las máquinas presentan estas características.
Lo duro y lo blando
Las inteligencias artificiales habitan en los computadores. Estas son unas máquinas especiales. A diferencia de otras máquinas los computadores pueden realizar múltiples tareas, muy diferentes entre sí. Esa capacidad se debe a la existencia del software, que es algo así como una máquina virtual que puede hacer tareas específicas.
Pensemos en las imprentas de tipos móviles antiguas. Eran máquinas que hoy nos parecen muy sencillas, un sistema de prensado que apretaba una caja con pedacitos de metal cada uno con la forma de una letra en relieve, organizados de tal manera que al presionar se marcaba un texto en el papel. Es una máquina muy simple, porque lo que hace es untar tinta en el papel para que quede un texto. No puede hacer nada más. Por ejemplo, para tejer muchos hilos y hacer telas se inventaron otras máquinas en esa misma época. Nadie esperaría que un telar pudiera imprimir o que una imprenta pudiera tejer, son tareas diferentes.
Un computador es otro tipo de máquina. Con la máquina en que usted lee este texto, también puede llevar las cuentas de su empresa, diseñar una pieza gráfica, hacer reuniones virtuales o jugar, entre muchas otras cosas. Aunque se podría argumentar que también es una máquina relativamente sencilla: procesa información, se le mete información por un lado y produce información, nada más. No cocina, ni teje, ni imprime por sí misma.
Pero hay un detalle importante. Hoy, un computador no es solamente la máquina que ponemos en el escritorio en prácticamente cualquier puesto de trabajo de oficina. Ahora casi todos los seres humanos cargamos un computador en el bolsillo, nuestro celular, y se han incorporado sistemas computacionales a muchas máquinas. Aparatos que cargamos encima como relojes, audífonos o gafas. Artilugios del hogar como neveras o aspiradoras. Todos los automóviles incluyen cada vez más sistemas computacionales, que gestionan temas como la seguridad o la eficiencia y están desarrollándose modelos que podrían viajar sin un conductor. Y en la industria la presencia de computadores ha explotado. Piense, por ejemplo, en una rotativa equipada con un sistema computacional que controla la gestión del color o la velocidad de impresión o en un sistema RFID que permite la gestión automatizada de inventarios.
En la revolución industrial, o como algunos dicen ahora, en la primera revolución industrial, el desarrollo de tecnología se centró en construir máquinas, en hacer fierros organizados como telares, imprentas y ferrocarriles. En inglés esa “ferretería” se llamó hardware, por eso cuando en los años 50 se empezó a ver la posibilidad de crear máquinas “virtuales”, que no se podían tocar, que no eran duras como los fierros, se les llamó software. En español, las palabras hardware y software se empezaron a usar en los años 80, como antónimos y complementos, sólo en relación con los computadores.
En los primeros computadores que llegaron a los hogares en los años 80 y 90, la información únicamente se entraba por dispositivos como el teclado o el ratón. Hoy los diferentes dispositivos computacionales tienen una enorme variedad de sensores que sirven también para recoger información.
Un celular promedio, además de un micrófono, una cámara y una pantalla táctil, puede contar con alrededor de una docena de sensores. Los sensores de movimiento (giroscopio, acelerómetro, podómetro, sensor de GPS), sensores de luz y color, sensores de proximidad, de magnetismo, de presión sobre la pantalla, lectores de huellas digitales o de NFC entre otros. Todos son de relativo bajo costo, generan miles de datos no solo por las acciones conscientes que hacemos en la máquina, sino por el solo hecho de llevarlos en el bolsillo mientras vivimos nuestra vida cotidiana.
En los procesos industriales, la automatización está basada también en el uso de diversos tipos de sensores que permiten tener datos sobre cada paso en un proceso, las condiciones ambientales de la planta, los tiempos y movimientos del trabajador o la maquinaria y muchos otros detalles del proceso productivo.
La inteligencia artificial es de alguna manera, la evolución necesaria de la posibilidad de tener máquinas virtuales que procesan información, así como cantidades enormes y crecientes de datos sobre cualquier cosa, desde los procesos industriales, hasta nuestro comportamiento cotidiano.
Lo que hacen las inteligencias artificiales
Hace décadas que los computadores, e incluso máquinas más sencillas como una calculadora de bolsillo, son capaces de hacer cálculos exactos. Las hojas de cálculo como Microsoft Excel son capaces de gestionar grandes cantidades de datos y actualizar los resultados que los relacionan entre sí.
En principio se esperaría que cualquier persona con un conocimiento básico de contabilidad y aritmética pudiera hacer los cálculos que hace un Excel, pero la verdad es que incluso quienes tienen la paciencia y concentración para hacer ese trabajo, pueden tardar mucho tiempo en tener el resultado que se obtiene con solo poner los datos de manera correcta en la hoja de cálculo. Eso sin contar con las posibilidades de error del procesamiento manual.
¿Es esto inteligencia artificial?
De alguna manera sí. Habíamos dicho que las capacidades de calcular y recordar son parte de la inteligencia, pero también son el tipo de operaciones que esperamos que hagan los sistemas computacionales, de hecho, computador quiere decir máquina que computa, que hace cálculos. Así que, aunque en estos procesos se cumple con el principio de que una máquina hace una acción que imita el comportamiento de la inteligencia humana, no se los suele considerar como inteligencia artificial.
Los desarrollos más recientes de la inteligencia artificiar tienen que ver con las otras características de inteligencia que habíamos mencionado: aprender y ser creativo.
Antes de continuar es importante aclarar, que la inteligencia artificial, al menos por ahora no está cerca de tener conciencia de sí misma. Aunque hubo una noticia el año pasado en el que un ingeniero decía lo contrario, la mayor parte de los expertos coinciden en que todos los sistemas de inteligencia artificial que están disponibles en el momento entran en la categoría de IA débil.
Si bien, en campos específicos como jugar al ajedrez, o al go; evaluar radiografías o hacer algunas otras tareas, las inteligencias artificiales pueden ser mejores que los humanos, no son capaces de hacer tareas concurrentes, como hablar por teléfono mientras preparan la cena.
Empresas como OpenAI y muchas otras aspiran a desarrollar una inteligencia artificial fuerte, o lo que se llama una inteligencia artificial general. Sin embargo, no sólo hay obstáculos tecnológicos para poder lograrlo, tampoco es seguro que los modelos matemáticos, computacionales e incluso conceptuales con los que se ha trabajado hasta ahora permitan lograr esa meta. Así que aún nos queda mucho camino para tener computadores o robots que, como en el cine o la televisión sean capaces de tomar decisiones autónomas, soñar con el futuro o ser pares de los seres humanos.
El software que aprende
Hasta ahora hemos trabajado con software que resuelve tareas más o menos específicas y que procesa únicamente la información que le damos. Sí, las hojas de cálculo pueden procesar cantidades impresionantes de datos con mucha velocidad, es más, pueden convertirlos en gráficas para que los entendamos mejor, pero no “crean” nada, sólo usan la información que les entregamos.
La gracia de los sistemas de inteligencia artificial generativa, como los grandes modelos de lenguaje (LLM por su sigla en inglés), de los cuales el más conocido es ChatGTP, es que dan respuestas nuevas, creativas, plausibles, complejas y consistentes a las preguntas que les hacemos, imitando la forma en que otro ser humano nos respondería.
Por ejemplo, si le pregunto: “¿Cuál es la diferencia entre la inteligencia artificial y el software convencional?”. ChatGTP me responde:
La principal diferencia entre la inteligencia artificial y el software convencional es que la inteligencia artificial (IA) tiene la capacidad de aprender y adaptarse a medida que se le proporcionan más datos y se le da retroalimentación, mientras que el software convencional simplemente sigue instrucciones predefinidas.
El software convencional es un programa diseñado para realizar una tarea específica, como procesar datos, realizar cálculos o administrar información. Está programado para seguir un conjunto de instrucciones predefinidas y siempre producirá los mismos resultados si se le proporciona la misma entrada. Por otro lado, la inteligencia artificial es capaz de aprender de los datos de entrada y mejorar su rendimiento a medida que se le proporciona más información.
Además, la IA puede tomar decisiones autónomas basadas en la información disponible y en su propia comprensión del problema, mientras que el software convencional solo puede tomar decisiones basadas en reglas predefinidas.
En resumen, la IA tiene la capacidad de aprender y adaptarse, mientras que el software convencional sigue instrucciones predefinidas y no puede tomar decisiones autónomas.
Pero si usted entra ahora mismo y le hace exactamente la misma pregunta, su respuesta va a variar. No es que le diga otra cosa, sino que cambiará algunos aspectos de la redacción, tal vez el orden de los argumentos, o use palabras ligeramente diferentes. Aunque la idea sea la misma, la inteligencia artificial puede “innovar” un poco en cada respuesta, de manera que producirá un texto único en cada respuesta.
Y si hace esto dentro de un año, la respuesta podrá tener diferencias más importantes porque el software habrá aprendido alguna cosa nueva de toda la interacción que ha tenido con los millones de usuarios, en especial en una pregunta como esta que es muy frecuente.
Y entonces aparece la siguiente pregunta.
¿Cómo es que aprenden las máquinas?
Llamamos a nuestro idioma principal “lengua materna” por una razón: fue nuestra madre quien nos lo enseñó. Sin embargo, las madres no les dan clases de lengua a sus hijas e hijos, no les explican las reglas gramaticales o la etimología de las palabras como condición previa al aprendizaje, simplemente les hablan. Y todos aprendimos así, los adultos a nuestro alrededor hablaban, nosotros escuchábamos y poco a poco fuimos probando algunas palabras, luego frases, de repente estábamos conversando o usando el lenguaje para las muchas cosas que lo necesitamos en la vida.
En el software tradicional los computadores aprenden de otra forma. Pueden hacer cálculos o guardar memorias, porque alguien hizo un programa donde describe paso a paso cómo hacer una tarea específica, es lo que se llama un algoritmo. Como los que nos enseñaron en la escuela para la multiplicación por tres cifras, o la suma de números grandes: primero suma la columna de las unidades, luego la de las decenas, las centenas y así hasta sumar todas las columnas; si la suma da un valor superior a diez, anotas sólo las unidades y sumas el valor de las decenas con la siguiente columna. Es decir, un paso a paso (primero las unidades, luego las decenas) y unas reglas para decidir (si la suma es menor que diez se hace esto, si es igual o mayor se hace lo otro).
Un algoritmo es una abstracción de un proceso. Como una receta de cocina, paso a paso, descrito minuciosamente. Es decir, en un algoritmo no se diría “hierva las papas”, sino que se tendría que explicar paso a paso qué quiere decir “hervir”. Aunque claro, se puede guardar aparte el algoritmo hervir de manera que lo pueda llamar cada vez que necesito hervir algo: papas, leche, avena.
A lo largo de los años el desarrollo de los algoritmos se ha vuelto más complejo, pero su uso más sencillo. En las primeras etapas de la computación usar la máquina implicaba entender muy bien cómo funcionaban los algoritmos y, con frecuencia, ser capaz de crear nuevos para las tareas específicas que cada usuario requería. Sin embargo, el éxito de los sistemas computacionales está precisamente en permitir que podamos usar las máquinas, sin tener que entender los algoritmos.
Algunos campos como el lenguaje, la visión o el reconocimiento de patrones, cosas que nosotros (los humanos) hacemos con muchísima facilidad y que mejoran entre más las hagamos, fueron tareas casi imposibles para los computadores hace apenas unos años. Los algoritmos tradicionales no eran capaces de realizar esas tareas, no se lograban solo con darle a la máquina conjuntos de instrucciones paso a paso y de reglas para la toma de decisiones.
Tomemos el ejemplo de la traducción entre español e inglés. Por décadas los programadores intentaron hacerla con algoritmos basados en reglas: si dice esto, se traduce en esto, pero si dice esto otro, se traduce de esta otra forma. Sin embargo, nunca funcionaron suficientemente bien.
La aproximación de inteligencia artificial es otra: le damos a la máquina todos los libros que podamos, los mismos libros en español y en inglés, o en los idiomas que aspiramos que aprenda. Usando redes neuronales, la máquina no necesita saber las reglas gramaticales, solo buscará los patrones y aprenderá la lógica de la traducción. Después le podemos dar cualquier texto, que no estaba en ninguno de los libros con los que aprendió y nos traducirá. Así de fácil.
Si queremos que el computador aprenda a diagnosticar enfermedades, le enseñamos miles y miles de radiografías y el diagnóstico correspondiente incluyendo imágenes de pacientes sanos. La red neuronal aprenderá a reconocer los patrones y con el tiempo podrá hacer diagnósticos mejores que los de los radiólogos más competentes. No es que nunca se equivoque, sino que su porcentaje de fallas será menor que la de los humanos, que obvio también se equivocan. Así de fácil.
Como ya sospechará, en realidad detrás de la expresión “así de fácil”, hay décadas de desarrollo de ingeniería computacional, poderoso hardware y muchos problemas matemáticos y tecnológicos que se han logrado solucionar, así como muchos que aún no tienen solución. La inteligencia artificial es un campo en desarrollo.
Machine learning la parte “ñoña” del asunto
Así llegamos a la parte complicada. Hasta ahora íbamos en que las máquinas aprenden pasando grandes volúmenes de datos por algo que llamamos redes neuronales.
En esta parte vamos a intentar, tal vez sin éxito, explicar cómo es que técnicamente funcionan esas cosas que cada vez se vuelven más fáciles para el usuario final, pero más complejas para quien diseña los procesos.
Como nos contó ChatGTP más arriba, los programas que gestionan inteligencia artificial no funcionan como el resto del software con una secuencia exacta de órdenes, sino que pasan por algo que se llama una red neuronal, que está inspirada en la forma en que funcionan nuestras neuronas.
La imagen superior es un esquema de una red neuronal, cada punto de color es una neurona que toma información de alguna entrada, la procesa y se la envía a otras neuronas. Los puntos verdes son la primera capa de neuronas que reciben información externa. Los puntos naranjas son las capas intermedias, a veces llamadas capas ocultas, de neuronas que reciban, procesan y transmiten información a otras capas. Finalmente, los puntos azules son las neuronas de salida que entregan los resultados.
Haya varios sitios web en los que se pueden crear de manera gráfica pequeñas redes neuronales, que hacen tareas muy, muy sencillas como separar puntos de colores. Este es uno de esos sitios.
Para hacer la tarea de separar dos grupos de puntos que están unos a un lado y otros al otro, una sola neurona fue capaz de hacer el trabajo, es básicamente lo mismo que encontrar una línea que más o menos siga la distribución de muchos puntos de datos con dos coordenadas, lo que en matemáticas se llama una regresión lineal:
Básicamente es algo que puede hacer un algoritmo tradicional, hacer cálculos y guardar datos.
Ahora intentemos algo un poco más complejo, con una pequeña red neuronal intentemos separa dos grupos de puntos, pero ahora un grupo rodea el otro.
Para lograr un resultado más o menos adecuado fue necesario construir una red neuronal que con una capa oculta y un total de 8 neuronas.
En 2012, una red neuronal, AlexNet desarrollada por la Universidad de Toronto ganó el concurso de Imagenet para el reconocimiento de imágenes. Una propuesta de la investigadora Fei-Fei Ly de la Universidad de Stanford. La tarea era sencilla, clasificar fotos de perros de acuerdo con su raza. El banco de imágenes tenía unas mil razas de perros diferentes.
AlexNet tenía medio millón de neuronas y ocho capas de profundidad., lo que implicaba que se debían ajusta 60 millones de pesos y sesgos, procesar cada imagen requería 700 millones de operaciones matemáticas. Aun así, se equivocaba en un 16% de los resultados, lo que era muy impresionante, comparado con el casi 30% de error que había tenido la red neuronal ganadora del concurso de 2010.
ResNet, la red neuronal que ganó el mismo concurso en 2015, se equivocaba en apanas un 3,1% de las ocasiones, es decir menos que usted o yo, los seres humanos, que podemos fallar en promedio en el 5,1% de los intentos por clasificar las fotos.
Este tipo de procesos son lo que en su conjunto se conoce como el aprendizaje de las máquinas o machine learning. Y en la medida en que se descubrió que el proceso mejora entre más capas de profundidad se ponga en las redes neuronales se ha dado por llamar deep learning o aprendizaje profundo.
En realidad, estos programas son también algoritmos que cumplen un conjunto de instrucciones. La diferencia principal con los algoritmos tradicionales es que modifican su comportamiento de acuerdo con:
- Los datos de los que dispone
- De lo bueno o malo que sea el resultado
- De lo que otros digan sobre si lo hizo bien o no
- De saber que ha cometido los errores
Es decir, que aprenden de una manera muy similar a la que aprendemos las personas. Para hacer eso se modifican las cargas o sesgos, que son factores que afectan el valor de salida de cada una de los neuronas a lo largo y ancho de la red.
Los procesos de aprendizaje profundo pueden hacerse de varias maneras, las formas más usadas incluyen:
- En el aprendizaje supervisado se le dan a la máquina datos con etiquetas que los describen y al procesarlos se va a entrenando, de manera que después es capaz de reconocer datos similares. Con este tipo de datos se les ha enseñado hace unos años, por ejemplo, a distinguir perros de gatos, profundizando ahora pueden distinguir muchas cosas.
- En el aprendizaje no supervisado se le entregan montones de datos a la máquina y ella los procesa intentando encontrar patrones comunes. Permiten analizar grupos de datos con patrones similares, como estilos de consumo o preferencias musicales, por ejemplo.
- En el aprendizaje por refuerzo se usa una recompensa para poder optimizar el desempeño, se usa mucho para enseñarle a las máquinas a jugar
Algunos ejemplos de las ofertas actuales de la inteligencia artificial generadas a partir de aprendizaje profundo con redes neuronales son:
- Reconocimiento del habla, en sistemas como los teléfonos celulares o los asistentes de voz que pueden escuchar órdenes y realizar tareas
- Visión por computador, que es capaz de “ver” patrones en el mundo y entenderlos, por ejemplo, en los sistemas OCR que pueden digitalizar, traducir o trabajar de muchas maneras con el texto
- Gestión de macrodatos o Big Data que básicamente consiste en encontrar patrones en grandes volúmenes de datos non estructurados, es decir que no necesariamente son como tablas de Excel con filas y columnas, y se usa para muchísimas cosas:
- Mejorar sus búsquedas en Google a partir de lo que suele buscar, el lugar en el que se encuentra y muchos más datos
- Crear el feed personalizado de nuestras redes sociales
- Desarrollar estrategias de marketing y focalizar publicidad
- Entender patrones de contagio de enfermedades
- Optimizar la gestión de recursos en empresas
Sin embargo, tal vez el tipo de inteligencia artificial que más llama la atención hoy es la llamada inteligencia artificial generativa, que permite generar textos, imágenes e incluso videos a partir de un conjunto de instrucciones escritas, llamadas prompt. Esto se logra usando un tipo inteligencia artificial llamada procesamiento del lenguaje natural.
Viviendo y trabajando con inteligencias artificiales
Que las inteligencias artificiales van más allá de la simple cuestión tecnológica son también un proceso profundo de cambio en la sociedad en la forma que generamos riqueza y en la forma en que nos relacionamos unos con otros entre humanos y también con las máquinas
A lo largo de la historia los seres humanos hemos desarrollado tecnologías que han generado profundos impactos en la sociedad. Podríamos hablar de cómo la sociedad los seres humanos y nuestras sociedades fuimos cambiados por el descubrimiento de tecnologías como el fuego el lenguaje o la agricultura hace miles de años. Se podría decir que las tecnologías han marcado la forma en que se construye en las culturas.
Así que sería absurdo decir que el desarrollo de capacidades como las que están logrando las inteligencias artificiales no va a tener un gran impacto en la sociedad la economía y las mismas personas
El CEO de Microsoft, Satia Nadella, suele citar el caso de los desarrollos en inteligencia artificial que está usando el gobierno de la India para para generar mecanismos mismos que permitan a las personas más vulnerables del país acceder a los servicios del gobierno desde su teléfono celular y en su idioma local logrando que la inteligencia artificial realice el trámite necesario para acceder a servicios gubernamentales específicos de una manera rápida y efectiva.
De otro lado, Freddy Vega, el CEO de Platzi, una empresa latinoamericana especializada en capacitación en tecnologías digitales dice que las empresas de la región se pueden beneficiar de la inteligencia artificial en la medida en que sean capaces de usarla como copiloto de sus procesos productivos para disminuir los tiempos de realización de los diferentes procesos y aumentar así la productividad. De hecho, considera que el uso de tecnología será la forma para evitar que las empresas naufraguen en proceso de transformación actual.
Efectivamente, Microsoft ya anunció que su software de ofimática Office, que ha pasado a llamarse Microsoft 365, ofrecerá un “copiloto”, una inteligencia artificial que permitirá automatizar muchas de las actividades repetitivas que hacemos en el software de oficina, por ejemplo si su trabajo es hacer un informe basado en muchos otros informes que recibe de varios vendedores, el asistente podrá revisar las características comunes de los diferentes informes que recibe y con ellos construir un único informe que reúne la información clave de los diferentes documentos recibidos. Esto será válido no sólo en términos del texto sino también en términos de los datos que pueden estar contenidos en diferentes hojas de cálculo.
Para lograr hacer esto con precisión será necesario entrenar específicamente, lo que en la jerga de los expertos llaman hacer fine tuning, a la inteligencia artificial para conocer el tipo de documentos, el lenguaje y las variables que son más importantes dentro para la empresa. En otras palabras, hacer un aprendizaje supervisado a partir del conjunto de documentos etiquetados que tiene ya su empresa.
Esto implica por un lado que las empresas deberían tener ya una información estructurada de sus procesos, conocimientos y experiencia, a partir de la cual se puede entrenar específicamente un modelo de inteligencia artificial que pueda gestionar los procesos a futuro.
Con esto surge una pregunta, si una persona tenía que gastar las ocho horas diarias de su trabajo en hacer análisis de un conjunto de documentos que ahora apoyado en la inteligencia artificial puede hacer en apenas dos horas ¿qué debe hacer con las seis que le restan?
Y aquí empiezan a surgir las cuestiones complicadas, una empresa podría pensar que puede mantener a su plantilla de trabajadores trabajando menos horas a la semana y aumentando de todos modos la producción. Pero no es la única salida. Otra empresa podría pensar que puede prescindir y de muchos de sus trabajadores y que los pocos que quedan pueden hacer las mismas tareas e incluso más en el mismo tiempo. Y seguramente puede haber muchas otras soluciones y oportunidades con el uso de esta tecnología.
Por supuesto Microsoft y las demás empresas que están empezando a ofrecer herramientas de inteligencia artificial piensan aumentar sus ingresos cobrando cuotas adicionales por el uso de estas herramientas. Esto puede implicar que las empresas que no están en capacidad de adquirir estos servicios de inteligencia artificial podrían quedar fuera del mercado fácilmente.
Como hemos visto a lo largo de este documento, el uso de inteligencia artificial no está limitado a los procesos productivos en las empresas, sino que está relacionado cada vez más con su aplicación en las actividades cotidianas de todas las personas.
Es muy probable que en muy poco tiempo podamos contar con un asistente digital que sea capaz de no sólo recordarnos que tenemos una cita, sino eventualmente de coordinarla encontrando el mejor espacio, la mejor hora, incluso haciendo llamadas y avisando por voz a las personas que deberían participar en ella.
Sin embargo, esto genera un montón de preguntas: ¿Estamos dispuestos a que una máquina nos organice la vida? ¿Hasta dónde permitiremos que una máquina haga llamadas en nombre nuestro y tome decisiones sobre temas como la mejor hora o el mejor lugar para realizar ciertas actividades?
