La adopción de la Inteligencia Artificial es cada vez más una realidad. Lo demuestran encuestas como la última de la comunidad de data scientists Kaggle, que dice que un 30,8% de las empresas donde trabajan estos perfiles tienen proyectos de Machine Learning estables, que llevan funcionando más de dos años en producción. Además, esta cifra se ha incrementado en los últimos tres años del estudio.
Entre las tecnologías y técnicas que se enmarcan en el campo de la IA, considero que hay algunas que las organizaciones no deberían perder de vista, ya sea porque están teniendo un impacto real en negocios de todos los sectores, como por ejemplo el Machine Learning o el Procesamiento del Lenguaje Natural (PLN), o porque prometen tenerlo, como es el caso del Deep Reinforcement Learning y de la computación cuántica.
Una de las técnicas actualmente más conocidas y aplicadas de la Inteligencia Artificial es el Machine Learning o aprendizaje automático. Este ya permite automatizar tareas o identificar patrones complejos entre los datos que conservan las empresas para tomar mejores decisiones o hacer predicciones. En el ámbito de los RR. HH., por ejemplo, se aplica para predecir el absentismo y la rotación o para identificar a los profesionales con más potencial. Por otro lado, también permite, a partir de los datos de la Historia Clínica Digital, detectar las variables o indicadores relevantes para adelantarse a una enfermedad, siendo la base de sistemas de alerta temprana que apoyan la decisión médica.
Además, muy unidos a estas aplicaciones, y sobre todo en el sector salud, se integran distintos métodos de explicabilidad para entender por qué un modelo predictivo proporciona un resultado determinado. Esto permite, por ejemplo, revisar los datos que ha tenido en cuenta el algoritmo, dando confianza a quien utiliza las herramientas de Inteligencia Artificial y favoreciendo así su adopción.
Otras de las técnicas que están resultando prácticas a cada vez más empresas son las de optimización. El análisis básico de los datos ya nos da claves sobre cómo actuar o qué mejorar, pero se pueden llegar a planificar estrategias data-driven para mejorar un proceso empresarial hasta cierto objetivo, consiguiendo una gestión más eficiente. Esto puede ser especialmente útil en el sector logístico y, en concreto, la gestión de stock.
Por último, si seguimos con el repaso de las técnicas de IA aplicables, apuntaría también el análisis de imágenes, con modelos capaces de detectar en fotografías u otro material visual lo que han “visto” en el periodo de entrenamiento, ya sean objetos de interés, fallos en estructuras o indicios de una enfermedad en una radiografía.
Si hablamos de Inteligencia Artificial, tampoco podemos olvidarnos del Procesamiento del Lenguaje Natural (PLN), dedicado al análisis de grandes volúmenes de texto y que permite extraer valor de los documentos que almacenan las empresas. Entre las tareas a las que se aplica, algunas de las más conocidas son la búsqueda avanzada de información, la clasificación automática de textos o la detección de entidades (NER).
Pero la verdadera revolución en este campo son los modelos de lenguaje. Estos son modelos generales que se pre-entrenan con una gran cantidad de textos de un lenguaje de interés para que aprendan la estructura del mismo. Así se convierten en modelos versátiles que pueden ajustarse a tareas más concretas de PLN o a dominios específicos como el legal. Precisamente en el Instituto de Ingeniería del Conocimiento (IIC), hemos trabajado recientemente en la adaptación de un modelo de lenguaje general en español para el ámbito jurídico, re-entrenándolo con un gran corpus legal-administrativo.
Y el avance del PLN continua imparable. Los modelos son capaces de procesar cada vez mejor el lenguaje y empresas líderes en Inteligencia Artificial (Google, Facebook, Microsoft) están compitiendo por ver quien desarrolla el mejor modelo de lenguaje en inglés. En español, no hay por el momento tanta competición, pero ya empiezan a estar disponibles los primeros modelos en nuestro idioma. En el IIC, por ejemplo, conseguimos lanzar hace poco la primera versión de nuestro propio modelo de lenguaje en español: RigoBERTa. Implementamos mejoras en cuanto a datos, hardware y arquitectura con respecto a los modelos de lenguaje en español existentes, y lo entrenamos con más de 450.000 millones de palabras. Tras dos años de investigación, lo estamos ya probando con distintas tareas de PLN.
Por sus posibilidades, el PLN también tendría su hueco entre esas técnicas de Inteligencia Artificial prometedoras, a la que habría que sumar otras dos que todavía no se aplican como tal en las empresas, ya sea por falta de casos de uso o por falta de tecnología, pero que merecen una mención.
En el caso del Deep Reinforcement Learning o aprendizaje profundo por refuerzo, todavía no hay aplicaciones claras para el negocio. Este está orientado a generar estrategias automáticamente a partir de los datos, como una forma más avanzada de optimización. Y tenemos la tecnología para ello, que sigue evolucionando y funciona excepcionalmente bien en juegos como el ajedrez o el go y en e-sports, superando el rendimiento de los mejores humanos. Sin embargo, debido a sus extremadamente altos requisitos en volumen de datos y hardware de cómputo, aún no se encuentran aplicaciones prácticas.
Por otro lado, en computación cuántica sucede lo contrario: empiezan a estar claros los casos de uso, pero hay que esperar a que la tecnología hardware avance y a que se siga investigando en algoritmos para aumentar la fiabilidad de los chips cuánticos. Es una tecnología muy prometedora, pero, en la actualidad, solo es posible aplicar algoritmos de computación cuántica sencillos a conjuntos de datos muy reducidos, lo que no aporta ventajas sobre la computación clásica.
Vistas sus posibles ventajas, hay que seguir observando los avances de la Inteligencia Artificial. En el IIC, intentamos ponérselo fácil a muchas organizaciones en este aspecto, siendo observatorio, consultor y aplicando muchas de estas técnicas a medida de cada negocio, pues solo así se consigue una adopción real y eficaz de esta tecnología.
