La inteligencia artificial (IA) es una de las tecnologías más perturbadoras e impactantes de nuestro tiempo, que está transformando todos los aspectos de los negocios y la sociedad. Sin embargo, no todas las innovaciones de IA están igual de maduras, adoptadas o exageradas. Para ayudar a los responsables de datos y análisis a navegar por el complejo panorama de la IA, Gartner publica anualmente un Hype Cycle for Artificial Intelligence que identifica las innovaciones de IA más relevantes y prometedoras y su estado actual de desarrollo.
El Hype Cycle es una representación gráfica del patrón típico de entusiasmo excesivo, desilusión y realismo final que acompaña a cada nueva tecnología e innovación. Consta de cinco fases:
Detonador Tecnológico:
Un posible avance tecnológico o el lanzamiento de un producto generan un gran interés y atención mediática, pero aún hay pocas o ninguna aplicación con éxito o beneficios demostrados.
Pico de altas expectativas
La publicidad inicial y las grandes expectativas provocan un aumento de la adopción y la inversión, pero también se producen muchos fracasos y decepciones porque la tecnología no cumple sus promesas o se enfrenta a problemas técnicos o de mercado.
El umbral de la desilusión: El entusiasmo inicial se desvanece a medida que se hace patente la realidad de las limitaciones y problemas de la tecnología. Algunos de los primeros en adoptar la tecnología la abandonan, mientras que otros siguen experimentando y mejorándola.
La cuesta de la Ilusión: La tecnología se vuelve más estable, fiable y útil a medida que surgen más casos de uso y mejores prácticas. Algunos de los primeros en adoptarla empiezan a ver beneficios significativos y la adopción generalizada comienza a aumentar.
La Meseta de Productividad:
La tecnología alcanza un nivel de madurez y aceptación en el que se reconocen ampliamente sus beneficios y pasa a formar parte del mercado general.
El Hype Cycle for Artificial Intelligence 20221 identifica 34 innovaciones de IA que se dividen en cuatro categorías principales:
- IA centrada en los datos: Se trata de innovaciones que se centran en mejorar y enriquecer los datos utilizados para entrenar y hacer funcionar los modelos de IA, en lugar de modificar los propios modelos. Algunos ejemplos son los datos sintéticos, los gráficos de conocimiento, el etiquetado y la anotación de datos y el tejido de datos.
- IA centrada en modelos**: Se trata de innovaciones destinadas a mejorar el rendimiento, la eficacia, la explicabilidad, la solidez y la escalabilidad de los modelos de IA. Algunos ejemplos son la IA compuesta, la inteligencia de decisión, la IA de vanguardia, la computación neuromórfica y el aprendizaje automático cuántico.
- IA centrada en las aplicaciones**: Se trata de innovaciones que aplican la IA a dominios o tareas específicas, como el procesamiento del lenguaje natural, la visión por ordenador, el reconocimiento del habla, la IA conversacional, los vehículos autónomos y los robots inteligentes.
- IA centrada en el ser humano**: Se trata de innovaciones que abordan los aspectos éticos, sociales, legales y humanos de la IA, como la IA responsable, la IA explicable, la IA fiable, la IA humana y la colaboración entre humanos e IA.
El Hype Cycle for Artificial Intelligence 2022 también proporciona información sobre los beneficios esperados, las tasas de adopción, los niveles de madurez y los plazos de cada innovación. Algunas de las principales conclusiones son:
La IA Responsable está impulsando la innovacióna corto plazo a medida que más empresas adoptan la transformación digital y los principios éticos para sus iniciativas de IA. La IA responsable es un término general que abarca varios aspectos para garantizar que la IA esté en consonancia con los valores humanos, como la justicia, la responsabilidad, la transparencia, la privacidad y la seguridad 2.
Los enfoques de small data y wide data están desafiando el paradigma tradicional de big data para la IA al permitir un uso más eficiente y eficaz de los datos procedentes de diversas fuentes y formatos. Los datos pequeños se refieren al uso de menos datos pero con más significado y contexto para entrenar modelos de IA. Los datos amplios se refieren al uso de más tipos de datos de diferentes dominios y perspectivas para enriquecer los modelos de IA2.
La interoperatividad de las plataformas de IA se está convirtiendo en un factor crítico de éxito para escalar la IA en toda la empresa al proporcionar capacidades integrales para desarrollar, desplegar, supervisar y gobernar las soluciones de IA. La interoperatividad incluye aspectos como la gestión de modelos, la orquestación de modelos, la observabilidad de modelos y la gobernanza de modelos2.
El uso eficiente de los datos, los modelos y los recursos informáticos es esencial para optimizar el coste, el rendimiento y la sostenibilidad de las soluciones de IA. Esto incluye innovaciones como el aprendizaje federado, el tiny machine learning (TinyML), la compresión y la poda de modelos .
El Hype Cycle for Artificial Intelligence 2022 es una valiosa herramienta para los responsables de datos y análisis que deseen comprender el estado actual y la dirección futura de la innovación en IA. Gracias a esta investigación, pueden elaborar sus estrategias de IA para el futuro y aprovechar las tecnologías que ofrecen un gran impacto en el presente.