¿Puede la IA resolver tu problema?
¿Puede la inteligencia artificial resolver tus problemas?
Tres heurísticas simples para reconocer ideas de proyectos elegibles para IA
![Imagen de TheDigitalArtist en pixabay.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*IH-vnKVEvQm-lDktH_Fcfg.png)
En una organización de productos con el objetivo de desarrollar capacidades de IA en sus productos y servicios, siempre hay el desafío de llevar a los no especialistas en IA a bordo del tren de la IA. Si bien no todos necesitan ser expertos en IA, es necesario que todos contribuyan con ideas y posibilidades para aprovechar el poder de la IA y llevar a la empresa al siguiente nivel. Esto se aplica especialmente a los expertos en el dominio y a las personas encargadas de los productos, quienes conocen los problemas que sus productos y servicios intentan resolver, y saben dónde aprieta el zapato.
Un desafío que he descubierto que es común, es la pregunta básica de “¿Qué problemas podemos resolver con IA?”. Es sorprendentemente difícil de responder cuando se plantea a un no experto. Por lo tanto, he formulado tres preguntas heurísticas que puedes usar cuando estés analizando un problema y te preguntes “¿Se puede resolver esto con IA?”. Si puedes responder “sí” a las tres preguntas, es posible que estés en posición de comenzar un proyecto de IA.
Pregunta 1: ¿Puedes decirlo?
Puedes pensar en una IA como un oráculo que responde preguntas. Lo que debes preguntarte es:
¿Puedes expresar por escrito la pregunta que deseas que se responda?
Esto, por supuesto, es una prueba que se aplica a cualquier cosa que desees hacer. Si quieres hacer algo, pero no puedes formular lo que quieres, probablemente no sepas realmente lo que quieres. El lanzamiento de un proyecto de IA no es una excepción a esta regla.
Algunas preguntas de ejemplo que podrías hacerle a una IA podrían ser:
- ¿Hay un perro en esta imagen?
- ¿Cómo estará el clima mañana?
- ¿Cuáles serán los números de la lotería la próxima semana?
Todas estas son preguntas bien formuladas que se pueden hacer. Pero no todas ellas se pueden responder, por lo que necesitamos otra prueba.
Pregunta 2: ¿Existe?
Podemos pensar en el oráculo como una función que asigna preguntas a respuestas:
![La función del oráculo que asigna preguntas a respuestas.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*imnYE0MifhGMjZgUNba6dA.png)
El círculo a la izquierda contiene todas las preguntas, y el círculo a la derecha contiene todas las respuestas. El oráculo es la función que envía preguntas a respuestas. Lo siguiente que debes preguntarte es:
¿Existe la función?
Esto puede parecer extraño, y aún se vuelve más extraño: debes hacer esta pregunta a un nivel metafísico, ¿hay alguna posibilidad teórica de que exista esta función? Veamos algunos ejemplos:
![Posibles funciones del oráculo y su existencia.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*qaUb14Y2bZXeB7dDiFD8Pg.png)
Todos hemos visto IA respondiendo a la pregunta “¿hay un perro en la imagen?”, por lo que sabemos que esta función existe. También hemos visto el pronóstico del clima, por lo que sabemos que es posible, hasta cierto punto, predecir el clima. Pero no hay forma de predecir los números de la lotería de la próxima semana. Y la razón de esto es que la lotería está diseñada exactamente con el objetivo de que esta función no exista. Es imposible. Y esto es lo que quiero decir con “a un nivel metafísico”.
¿Por qué es esto importante? Porque el aprendizaje automático (que es como creamos IA) consiste en tratar de aproximarse a funciones mediante el aprendizaje a partir de ejemplos.
![La función del oráculo representada junto con su aproximación basada en IA.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*qul3ZgH71o-3ZGZh9GHR0A.png)
Si tenemos muchos ejemplos de cómo debería comportarse la función (es decir, el oráculo), podemos intentar aprender este comportamiento y imitarlo lo más exactamente posible. Pero solo puedes aproximar una función que existe.
Admito que todo esto es un poco abstracto, por lo que recomiendo reemplazar esta heurística con la siguiente metaheurística:
¿Puede una persona bien informada hacer el trabajo?
Aún en términos metafísicos, dada toda la información en el mundo y tiempo ilimitado, ¿puede una persona responder la pregunta? Claramente, las personas son bastante buenas reconociendo perros en imágenes. Y las personas desarrollaron pronósticos del tiempo y los realizan también. Pero no podemos predecir los números de la lotería de la próxima semana.
Si has llegado hasta aquí, y has respondido sí dos veces, 1) tienes una pregunta bien planteada y 2) sabes que, al menos en teoría, la pregunta puede ser respondida. Pero hay una casilla más para marcar:
Pregunta 3: ¿Está disponible el contexto?
Esta es un poco más técnica. La clave de la pregunta es que la función del oráculo a menudo necesita más información que solo la pregunta para encontrar la respuesta. La persona bien informada, desempeñando el papel de oráculo, puede necesitar información adicional para tomar una decisión o producir una respuesta. Esto es a lo que me refiero como el contexto.
![La función del oráculo junto con el contexto. El contexto a menudo contiene información más allá de la pregunta misma.](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*j1qI4NeDL_IW_9Tv-g_kXw.png)
Por ejemplo, el oráculo de pronóstico del tiempo necesita conocer las condiciones meteorológicas actuales y las condiciones de algunos días atrás para hacer el pronóstico. Esta información no está contenida en la frase “¿Cómo estará el clima mañana?” Por otro lado, en el caso de las imágenes de perros y gatos, el contexto está en la imagen y no se requiere contexto adicional.
La razón por la cual esto es importante es que cuando entrenamos una IA, la IA se le presentan preguntas del tipo
![Preguntas de entrenamiento de IA. Imágenes proporcionadas por brgfx en Freepik](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/1*p2-H_PSgshDf7yyAXdBCCA.png)
La IA luego hace una suposición antes de recibir la respuesta verdadera y con el tiempo se espera que la IA aprenda la diferencia entre los gatos y los perros. Pero para que esto suceda, la diferencia debe estar disponible para que la IA pueda aprender a identificarla. En el caso de las imágenes, esto es sencillo: solo tienes que asegurarte de que las imágenes tengan la calidad suficiente para que sea posible hacer la distinción. En el caso de los pronósticos meteorológicos, se vuelve más complicado: realmente tienes que tomar una decisión informada sobre qué información se requiere para hacer una predicción del clima. Esta es una pregunta que los expertos en el campo deben responder, por lo que tal vez tengas que recurrir a ellos para obtener una buena respuesta.
Pero en resumen, si no hay suficiente información disponible para que una persona bien informada responda la pregunta, entonces hay pocas esperanzas de que la IA aprenda a responder la pregunta también. Necesitas ese contexto.
Conclusión
Entonces, para resumir, si deseas probar tu idea de proyecto de IA para ver si se puede resolver utilizando IA, puedes intentar responder las siguientes tres preguntas:
1. ¿Puedes expresar tu pregunta por escrito?
2. ¿Puede una persona bien informada hacer el trabajo?
3. ¿Está disponible el contexto?
Si puedes responder sí a las tres, entonces estás listo para seguir adelante. Todavía puede haber obstáculos que superar y tal vez resulte ser demasiado difícil al final. Pero eso es tema para otro artículo.
¡Buena suerte!
Con cariño,Daniel Bakkelund
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Mejor negocio en línea para comenzar como principiante (4 simples pasos para ganar más de $1 millón al año)
- Investigadores de la Universidad de Ciencias de Tokio desarrollaron un modelo de aprendizaje profundo que puede detectar una fase quasicristalina previamente desconocida en la ciencia de los materiales
- Esta revisión de investigación de IA explora la integración de imágenes satelitales y aprendizaje profundo para medir la pobreza basada en activos.
- Realidad impactante la vulnerabilidad de ChatGPT a la violación de datos
- Duck AI presenta DuckTrack un recolector de datos de interacción multimodal con computadoras.
- Combina múltiples adaptadores LoRA para Llama 2
- Preguntas de entrevista de ingeniería de datos