#AISummit | El Futuro de la IA. Tendencias y Predicciones
Category
🦄
CreatividadTranscripción
00:00Seguimos nuevamente con más Summit de Inteligencia Artificial, acá por el cronista,
00:05y nos acompaña Augusto Salvato, que te tocó un tema complejo,
00:09que casi todos un poco le escaparon durante el día de hoy.
00:13Así que bueno, vamos a ver cómo sale.
00:16Tendencias y predicciones en el mundo de la Inteligencia Artificial.
00:19Hace un ratito hablamos un poco de las grandes oleadas de innovación.
00:23Yo mencioné el procesamiento del lenguaje natural
00:27como uno de los últimos saltos cualitativos importantes.
00:30Contame vos cuáles estás viendo como tendencias,
00:34y bueno, después hablaremos un poco de las predicciones a futuro.
00:37Bueno, creo que un poquito vamos a coincidir.
00:39Pero primero, como para poner un poco de contexto en el tema,
00:42los seres humanos a lo largo de toda nuestra historia buscamos generar tecnología
00:47que nos permitiera predecir el futuro,
00:50para realizar mejor nuestras actividades económicas,
00:52y después a nivel personal, para cuestiones capaz más esotéricas,
00:55pero principalmente para realizar mejor nuestras actividades económicas
00:58y tomar mejores decisiones, decisiones económicas en este sentido.
01:02Entonces, desde la primera computadora que tiene más de 2000 años,
01:05que se encontró en Egipto y que se usaba para intentar predecir la posición de los astros
01:10y poder navegar mejor, hasta inventar el calendario para saber cuándo sembrar
01:14y cuándo cosechar, los seres humanos tratamos de predecir el futuro con tecnología.
01:19La Inteligencia Artificial es un hito más en esa larga lista de búsqueda
01:24de predecir el futuro.
01:27Y de hecho, las organizaciones hoy lo están usando de esa manera.
01:31Las organizaciones buscan, por ejemplo, generar modelos,
01:34algoritmos de predicción de la demanda para saber cuánto van a vender
01:37de un producto determinado.
01:39Bueno, como te decía, predicción de la demanda o predicción de ventas,
01:43predicción de abandono de clientes, poder predecir, por ejemplo,
01:48en qué lugar o en qué momento es mejor para inundar un campo de arroz
01:53usando Computer Vision.
01:54Todas estas cosas son herramientas, son aplicaciones de negocio
01:58que se están utilizando hoy de Inteligencia Artificial.
02:01Pero efectivamente, en cuanto a una tendencia o algo que viene a romper esta lógica
02:06y que es quizá nuevo en este sentido, son los modelos gigantes del lenguaje.
02:10Hablando mal y pronto, los chat GPT de la vida, que sabemos que no es el único caso,
02:14pero como para que se entienda bien y que esto quede súper claro,
02:19estos modelos gigantes del lenguaje también tienen un gran poder predictivo.
02:24O sea, esa es la forma, para ponerlo con una imagen,
02:27son como el predictivo del celular con anabólicos.
02:30O sea, esa es la forma en la que alcanzan respuestas o llegan a una respuesta.
02:34Entonces, este tipo de modelos, lo más interesante que tienen
02:38y lo que creo que va a haber grandes innovaciones en los próximos años,
02:42no es tanto en hacer un copy para una publicación en redes o hacer un ensayo
02:47o, no sé, generar algún texto de un cuerpo de un mail que yo no quiero hacer,
02:51sino en el poder conversacional.
02:53Y en cómo las empresas, las startups, las distintas organizaciones
02:56usan ese poder conversacional, por ejemplo, para interactuar con un documento,
03:00para interactuar con un reporte de sus equipos
03:03y tener respuestas en tiempo real súper precisas con datos.
03:06Creo que desde ese lugar, por eso digo que vamos a coincidir,
03:10es donde vienen más innovaciones en el mundo de la Inteligencia Artificial
03:14y específicamente Inteligencia Artificial Generativa.
03:16Bien. Y te quería preguntar, que explicabas muy bien recién
03:20cómo en algún punto la IA lo que hace es ver qué pasó en el pasado
03:25y qué es lo posible que pase en el futuro.
03:28Dicho esto, ¿vos creés que la IA se podría haber predecido a sí misma?
03:33Lo que quiero decir es, en algún punto todo descansa sobre esta base
03:37de lo que pasó antes posiblemente pase en el futuro.
03:40¿Esto le impone cierta limitación?
03:43La pregunta está excelente porque nos pone en uno de los grandes dilemas
03:48que tenemos hoy frente a la IA.
03:51Como vos bien decís, la IA tiene esa capacidad predictiva
03:54y tiene esa capacidad de entender los datos del pasado
03:57para poder tomar decisiones o entender cosas nuevas del futuro.
04:02Lo que no tiene es capacidad, por ahora, es capacidad disruptiva.
04:06Es decir, es la capacidad de tomar decisiones irracionales,
04:10de hacer cosas que difícilmente creamos que pueden funcionar.
04:15Ya sabemos cómo trabaja, con muchos datos, analiza todos esos datos
04:20y en función de eso toma decisiones o genera un texto, un texto o una imagen.
04:25Eso puede parecer o dar la sensación, por ejemplo, de que está pensando
04:30o de que está creando algo original o de que está siendo disruptivo,
04:33pero en realidad, de vuelta, es el predictivo del celular con mucha potencia.
04:37De hecho, uno de los papers fundamentales de la IA dice
04:40son loros estocásticos, o sea, loros probabilísticos, aleatorios,
04:44que van poniendo una palabra tras de otra.
04:47Entonces, la capacidad de disrupción que tenemos los seres humanos
04:51porque somos, en muchos sentidos, seres irracionales
04:54que toman decisiones que no se esperan,
04:57eso la IA me cuesta un poco más creer que lo tenga, por lo menos ahora.
05:01Bien, perfecto.
05:03Te quiero preguntar por algo que es muy común,
05:06son estas oleadas de innovación.
05:08Las vemos constantemente.
05:10Algunas tecnologías sobreviven, otras no.
05:12A veces hay un proceso de depuración,
05:15es una prueba de todo esto, para qué lo puedo usar,
05:18a ver qué queda, qué sirve.
05:20En el caso de la IA, ¿estás viendo que o está llegando
05:23o puede llegar a ese momento y qué predecís que puede llegar a sobrevivir?
05:28¿Dónde ves que se mantenga la utilidad?
05:31Bueno, te lo pongo en estos conceptos.
05:33Hace varios años, Gardner desarrolló el famoso ciclo del hype.
05:37La consultora Gardner.
05:39¿Qué es lo que dicen?
05:40Básicamente todas las tecnologías disruptivas, emergentes,
05:43atraviesan un ciclo parecido.
05:45Un momento de expectativas sobredimensionadas,
05:47que se conoce como hype,
05:49que es el momento en el que probablemente estamos hoy
05:51con la IA.
05:52Es decir, creemos que la IA va a hacer todo,
05:55va a cambiar absolutamente todo,
05:57que si no nos subimos a esa ola nos vamos a quedar afuera.
06:00Algunas de las cosas coinciden, otras no.
06:02Pero esas expectativas justamente son sobredimensionadas.
06:05Entonces, al no cumplir con esas expectativas,
06:08lo que se produce es como una curva hacia abajo de decepción.
06:12Por ejemplo, hace dos años probablemente,
06:17no quiero aventurarme,
06:19pero quizás hubo un evento similar hablando de criptomonedas y blockchain.
06:23Y ahora estamos, quizás ahora un poquito menos,
06:26pero en la curva de las decepciones.
06:28No, bueno, pero al final no están 150 mil dólares en Bitcoin.
06:32Entonces hay una decepción.
06:34Hasta que llega la meseta de la productividad.
06:36La meseta de la productividad es la aplicabilidad real de esa tecnología.
06:41Entonces, el gran desafío que tenemos nosotros ahora es
06:44separar la paja del trigo, digamos.
06:46Es decir, tratar de entender cuál es la aplicabilidad real de esto.
06:50¿Lo vamos a usar para todo?
06:51Bueno, y probablemente no.
06:52Probablemente algunas cosas serán unas herramientas
06:55y quizás los modelos gigantes del lenguaje serán en 10 o 15 años el Excel de hoy.
07:00Pero esta capacidad de transformar el negocio,
07:04los negocios que tienen inteligencia artificial con modelos predictivos,
07:07eso probablemente sea lo que quede.
07:09Y lo que es más factible que quede al frente la solución
07:12o que como pasa muchas veces termina embebida en soluciones que uno,
07:16si no se para a pensar cinco minutos,
07:18no se da cuenta que detrás de eso hay tal tecnología
07:22que en su momento fue como muy hablada y estaba muy al frente de la conversación.
07:27Digo, recién se hace el autopredictivo.
07:29Caso típico, nadie se para a pensar,
07:32bueno, atrás de esto hay un modelo que predice según cómo escribo yo en el mail
07:36que voy a terminar con saludos cordiales en lugar de saludos afectuosos,
07:39porque lo hice 20 mil veces en el último año.
07:42¿Crees que va a estar más al frente o crees que va a estar más por detrás de escena?
07:46Siempre en todas las tecnologías, en todas estas herramientas,
07:50lo más importante es la pregunta que yo quiero resolver,
07:53no la tecnología que uso para resolverlo.
07:55Si vos querés usar un modelo de lenguaje, bueno,
07:59eso no es tan importante como lo que vos estás resolviendo.
08:02Nosotros hoy estamos haciendo este streaming.
08:04Ninguno de nosotros sabe cuál es, no sé si vos,
08:06pero yo no sé cuál es el modelo de la cámara, cómo se está conectando todo.
08:09Esa es la tecnología que yo estoy usando para resolver un problema que es castear.
08:13Bueno, pasa exactamente lo mismo en este caso con la inteligencia artificial.
08:17Por eso, a lo largo de toda la historia, porque esto no es nuevo,
08:20la inteligencia artificial fue más un problema o un desafío filosófico que técnico.
08:26La palabra algoritmos viene del nombre,
08:31tiene su origen en el nombre de un filósofo persa del siglo IX,
08:35que era Al-Juarizmi.
08:37Los europeos lo pronunciaban mal y decían algoritmo y de ahí viene algoritmo.
08:41El tipo era un filósofo.
08:43O sea, estamos hablando de una cuestión filosófica, estratégica y no tanto técnica.
08:48Después la técnica es necesaria para implementar eso,
08:51llevarlo a cabo y que toquemos un botón y que pase algo.
08:55Absolutamente.
08:56Pero es más una cuestión estratégica y por eso filosófica que un problema técnico.
09:02Bueno, ya que traes este tema y traes el tema filosófico, recién decías,
09:07me cuesta un poco decir que está pensando cuando en realidad es una máquina de tour
09:12en estocástica que está simplemente viendo a ver cómo le pega algo que tenga sentido
09:16para el que lo interpreta, porque la máquina no le da sentido.
09:19Ese es uno de los debates, no realmente piensan.
09:22Y el otro, que estuvo muy en boga en los últimos tiempos,
09:24tiene que ver con las cuestiones éticas,
09:26de cómo alimentamos al modelo, qué tipo de respuestas da,
09:29la parte quizás más humana de eso.
09:32Qué problemas y qué desafíos crees que van a venir desde ese lado.
09:36Y quizás más importante, si querés que van a estar al frente de la discusión
09:40o van a pasar a ser como el 1% de los casos.
09:43Bueno, nos preocupa, pero sigue siendo el 1%.
09:45Lo importante está en el 99%.
09:47Mirá, yo lo veo de la siguiente manera.
09:50Podemos dividir los desafíos de la inteligencia artificial
09:53entre los desafíos técnicos y estos desafíos filosóficos, éticos,
09:57de gobierno de la inteligencia artificial.
09:59Ya no regulatorios, sino de gobierno dentro de una organización.
10:03Los desafíos técnicos, imaginémonos juntos, podemos charlar un rato
10:08e imaginarnos juntos lo que quieras y seguramente nos vamos a quedar cortos
10:13de lo que se puede hacer técnicamente.
10:15Siempre se va a poder hacer algo un poquito más complejo técnicamente.
10:18Entonces, esos desafíos técnicos se van a ir resolviendo.
10:21Por eso creo que es más importante que pongamos el foco en los otros desafíos,
10:25los que vos mencionabas, los desafíos éticos, los desafíos filosóficos.
10:28Che, ¿cómo vamos a gobernar la inteligencia artificial?
10:31Necesitamos que la inteligencia artificial sea explicable.
10:34¿Podemos tomar decisiones en una caja negra y no saber por qué el algoritmo
10:38decidió no darte un crédito a vos y sí dárselo a otra persona?
10:42Bueno, todas estas cosas creo que son los elementos fundamentales.
10:47Y no solamente esto tiene que ver con un sesgo o cuestiones vinculadas
10:53con de repente violación de datos personales.
10:56No solamente es el problema ético o filosófico de la inteligencia artificial.
11:00Che, ¿queremos usar la inteligencia artificial para esto?
11:03¿Creemos que puede ser más precisa?
11:05¿La queremos usar para esto?
11:06¿La queremos usar, por ejemplo, para que tome una decisión de política pública
11:10y saber a quién se le asigna un crédito del Estado o no?
11:15Bueno, son todas preguntas que nos tenemos que hacer.
11:18De vuelta, creo que tienen más que ver con hasta dónde los seres humanos
11:22queremos gobernar esa tecnología o dejar que la tecnología nos gobierne a nosotros.
11:26Recién me mencionabas el tema de datos y un poco esta ola de hype
11:30que también hablabas al principio.
11:33Los datos se necesitaban para alimentar los modelos
11:36y mucho no se preguntó de dónde venían.
11:39Estaba con una API de Reddit y capaz que no le preguntaban a cada usuario de Reddit
11:44¿Puedo usar tu subreddit o tu comentario para alimentar este modelo?
11:51Está medio como la ley de la selva.
11:54¿Crees que eso va a generar algún problema más adelante
11:56cuando haya quizás una monetización de los productos que salen de la AI?
12:01Derecho de autor, hay un mundo ahí que se va a destapar medio caja de Pandora.
12:05¿Qué va a pasar?
12:07Yo creo que ya los está generando esos problemas o más que problemas,
12:10esos debates y que esos debates no los podemos ver con los lentes del mundo actual.
12:15O sea, si yo te hubiera parado en los fines de los años 90
12:19y te hubiera dicho, che, mirá, ¿sabes que va a haber una aplicación
12:22donde vas a poder consumir toda la música que quieras gratis
12:24en vez de ir a comprar un disco?
12:26Faltaban, no sé, 6, 7, 10 años para que eso sucediera.
12:29Y me vas a decir, no, bueno, pero eso es imposible
12:31por las cuestiones de derechos de autor y demás.
12:34Bueno, se generó nueva regulación para que eso pudiera suceder.
12:38Yo creo que vamos hacia eso.
12:40Que esos problemas ya están sucediendo y que no los podemos ver con los mismos ojos
12:44con los que vemos el escenario actual.
12:46Que tenemos que hacer el esfuerzo de pensar nuevos escenarios.
12:51Y el único problema con esto es que ese esfuerzo lo vas a tener que hacer
12:53cada vez más rápido.
12:55Bien. Y volviendo un poco de vuelta, me quedo en que estamos en,
12:58creo que es importante eso, estamos en la era un poco del hype.
13:01¿Qué le podemos decir a una startup, a una empresa que está como pensando
13:05en incorporarlo porque ve que o ve que todos lo hacen
13:08o realmente ve que hay un valor y quiere indagar en ese tema?
13:13¿Qué se le puede recomendar en términos de todo, no?
13:16De usabilidad, de inversión, de cómo analizarla.
13:19Recién comentabas, bueno, ¿para qué la vas a usar? Es importante.
13:22¿Para qué se puede? ¿Pero querés usarla para eso realmente?
13:26¿Te genera valor de negocio? ¿No te genera más dolores de cabeza que otra cosa?
13:30¿Qué se le puede decir como guía, como consejo de guía para navegar por ahí?
13:35Sin duda. Mirá, te dividió la respuesta en dos partes.
13:38Por un lado, con varios de los que estuvieron pasando por acá en la jornada,
13:44básicamente, permanentemente estamos conversando con organizaciones
13:49que quieren incorporar inteligencia artificial y o no saben cómo hacerlo
13:53o tienen dudas sobre cómo hacerlo.
13:56Hace unos meses hicimos directamente esta pregunta con Rocking Data,
14:02con Freddy Vivas, y fuimos a hacer esta pregunta a personas que trabajan,
14:08digamos, tomando decisiones, al C-Level de las distintas empresas.
14:11La pregunta era, ¿por qué no incorporas más modelos predictivos?
14:14O sea, ¿por qué no incorporas más inteligencia artificial a tu organización
14:17para tomar mejores decisiones en forma de modelos predictivos?
14:20El 80% de las personas nos respondieron que los principales motivos
14:24tenían que ver con la cultura organizacional.
14:27Solo el 20% nos dijo, no, mirá, hay un problema de plata
14:33o un problema de que no entendemos la tecnología.
14:35No es un problema técnico, no es un problema económico,
14:37es un problema de cultura.
14:39Entonces, empezando por ahí, hay un punto clave.
14:41Y eso es absolutamente normal.
14:43¿Por qué? Porque las organizaciones, y especialmente las organizaciones
14:46más grandes, o sea, cuanto más grandes son, están pensadas
14:50y fueron diseñadas en la modernidad.
14:52La modernidad lo que buscaba era generar estructuras estables
14:55donde sea difícil cambiar.
14:58El problema que tenemos ahora es que cambiar es sumamente necesario.
15:01Esas estructuras burocráticas que tienen muchas grandes organizaciones,
15:05lo que terminan haciendo es castigar la innovación.
15:07O sea, cuanto más grande es una organización,
15:09es más difícil innovar internamente.
15:11¿Por qué? Porque innovar es riesgoso.
15:14Y nadie quiere asumir, o muy poca gente en realidad,
15:16quiere asumir los costos de fracasar en esa decisión
15:20o de tomar una decisión incorrecta.
15:22Entonces, ahí ya tenés problemas relacionados con la cultura.
15:25Un punto más, y con esto cierro, pero un punto más que es muy importante,
15:28para ver que las respuestas ya están todas y no hay que inventar nada nuevo,
15:32es el método científico.
15:34El método científico básicamente lo que nos dice,
15:36con todas las premisas tienen que ser falsables.
15:39Esa es la única forma en la que crece el conocimiento.
15:42¿Eso qué quiere decir?
15:44Básicamente que tenemos que poder cuestionar lo establecido.
15:46¿Cuántas certezas tenemos?
15:48Tomamos decisiones todo el tiempo basadas en certezas.
15:51Y no en decir, che, esto quizás no debería ser así,
15:53o esto podría no ser así.
15:55Bueno, hay cuestiones culturales en las que las empresas
15:57tienen que trabajar mucho.
15:59Perfecto, excelente, Augusto.
16:00Muchísimas gracias por habernos acompañado.
16:02Ustedes quédense del otro lado que queda más.
16:04Y I submit.