7 enfoques de IA que fueron tendencia en 2022 y que seguirán desarrollándose en 2023

La multinacional tecnológica Stratesys desvela los 7 enfoques que han sido y serán tendencia durante los próximos meses.

La Inteligencia Artificial (IA) se ha convertido en tendencia para las empresas. Varios ejecutivos “c-level” están reportando avances en sus compañías debido a la aplicación de IA en sus unidades de negocio. Sin embargo, la IA cubre un amplio espectro de enfoques para la solución de problemas.

En esta línea, la multinacional tecnológica Stratesys, hub digital entre Europa y América, ha definido los principales enfoques de IA que fueron tendencia durante 2022 y que seguirán desarrollándose en 2023:

• Automated Machine Learning (AutoML). Cualquiera puede tener acceso a plataformas AutoML y con ello, al beneficio adicional de reducir el error humano y agilizar la democratización de la IA. Casi todas las etapas del ciclo de creación de modelos de IA están automatizadas. Esto ha significado un gran avance ya que no dedicamos demasiado tiempo a encontrar modelos de IA eficaces. Con la ayuda del aprendizaje semi-supervisado y auto-supervisado se pueden producir al menos 3 veces más modelos que utilizando un esquema tradicional, reduciendo costes y democratizando el desarrollo de modelos de IA en toda la compañía.

• No-Code Machine Learning & Low-Code Machine Learning Development. No-Code y Low-Code se están volviendo cada vez más populares entre las empresas. Varias plataformas permiten a las empresas funcionar sin la necesidad de un ingeniero o desarrollador. Esto es posible porque los usuarios pueden crear sus propias herramientas con una interfaz de “arrastrar y soltar”, en lugar de requerir una codificación complicada para hacerlo. Esto trae consigo el ahorro de dinero y tiempo al requerir menos habilidades tecnológicas y menos escritura de código. Dado que los analistas de negocios no tienen el conjunto de habilidades de codificación y programación de software que se necesita, estas aplicaciones son cada más necesarias para las empresas.

• Machine Learning Operationalization Management (MLOps). Este engloba un conjunto de prácticas enfocadas a implementar y mantener los modelos de IA de manera confiable y eficiente para las empresas. Primero se debe pasar por una fase de desarrollo continuo (DevOps) donde los modelos se prueban y desarrollan en sistemas experimentales aislados. Cuando son aprobados por negocio, estos pasan a la fase de despliegue o puesta en producción (MLOps). En ésta última fase, se busca aumentar la automatización y mejorar la calidad de los modelos desplegados, al mismo tiempo que se enfoca en los requisitos regulatorios y comerciales.

• Reinforcement Learning. Hace unos años, este enfoque se asociaba mucho a robótica, ya que utiliza un sistema de recompensa y castigo para reforzar el aprendizaje. Desde hace tiempo, se utiliza para problemas donde intervienen dispositivos de interacción robótica (arañas, drones, robots, etc). Sin embargo, con la explosión del mundo de Process Mining y simulación de procesos, este enfoque ha ganado un nuevo campo de aplicación al buscar el mejor camino posible dentro de una gran variedad de posibilidades para ejecutar el mismo proceso.

• Robotic Process Automation (RPA) & Process Mining. Por un lado, RPA permite que un sistema automatice cualquier proceso que pueda ser repetitivo, lo que hace posible que las personas dediquen su tiempo a trabajar en otros proyectos que requieren habilidades de pensamiento humano más críticas. Sin embargo, todos los pasos deben estar bien predefinidos antes de que el “bot RPA” pueda procesarlo, ya que desviaciones no contempladas puede hacer que falle. Por otro lado, Process Mining, logra detectar los procesos de la empresa donde se consume más tiempo. Además, contar con la capacidad de simulación permite la preparación de escenarios no contemplados que puedan surgir de forma repentina (COVID19) y con ello ver las afectaciones en el ciclo de vida del proceso y cómo afrontarlas.

• Generative AI. Este enfoque es capaz de producir texto, voz e imágenes; abarcando publicaciones de blog, código de programa, poesía y obras de arte (e incluso ganar concursos, de manera controvertida). Generative AI produce modelos de IA complejos para predecir la siguiente palabra en función de secuencias de palabras anteriores, o la siguiente imagen en función de palabras que describen imágenes anteriores. Hoy en día se puede observar su poder a través de diferentes plataformas como GPT para texto, DALL-E para imágenes, Whisper para voz, y Copilot para generar código en varios lenguajes de programación.

• Tiny ML. Este enfoque tiene como objetivo el desarrollo de modelos de IA que utilizan maquinaria con restricciones de hardware, como microcontroladores. Los algoritmos están diseñados y desarrollados de forma optimizada para consumir la menor cantidad de recursos mientras mantienen una elevada eficacia. Los datos no necesitan procesarse en la nube, mostrando independencia y auto aprendizaje. Con Tiny ML, impresoras, televisiones y automóviles podrán realizar tareas que antes solamente las computadoras y smartphones eran capaces de manejar.

“Una empresa AI-first debe tener adoptado y en vías de desarrollo cada uno de estos enfoques de IA para ofrecer servicios de calidad y agilizar procesos”, explica Octavio Loyola-González, Executive Manager & Head of Machine Learning en Stratesys.