La velocidad de cambio que vivimos en los últimos 40 años no la ha visto la humanidad desde la Revolución Industrial (~1750-1840).
A diferencia de la Revolución industrial, la que ahora vivimos es tecnológica-digital. Todos los días las empresas tecnológicas-digitales nos deslumbran continuamente con sus avances que parecen ser cada vez más rápidos. Esto lo vemos reflejado en el valor de capitalización de estas compañías: en 2012, de las 20 empresas con mayor valor de capitalización en el mundo 4 eran tecnológicas o de gran dependencia digital; en 2021, 7 de este tipo de empresas se colocaron en los primeros 10 lugares.
Desde mediados del siglo pasado, la imaginación humana ha buscado con mucho esfuerzo al humanoide inteligente de las películas y ha habido grandes avances en su búsqueda. Sin embargo, esa ‘singularidad tecnológica’ en la que máquinas o robots razonan igual o mejor que el hombre está lejos de existir. Muchos recordamos la maligna HAL de 2001 Odisea del espacio (1968), o la fantástica de The Matrix (1999-2021).
Es precisamente nuestra imaginación, aunada a la velocidad de aparición de nuevos productos y servicios, lo que hace que los medios de comunicación y contenidos periodísticos exageren las noticias hacia lo fabuloso. Ejemplos de esto es el frecuentemente repetido ‘viaje a Marte en cinco años’, la comunicación perversa entre máquinas, y otras exageraciones. Hay mucha literatura y películas sobre estos temas.
En estos ejemplos imaginativos se incluye la llamada ‘inteligencia artificial’, que es motivo de admiración, pero que también es inspiradora de falsas informaciones y fantasías. Y esto es porque la gran mayoría de la gente no sabe cómo funciona ni cuáles son los límites de esta ‘inteligencia’.
La ‘IA’, Inteligencia Artificial, o ‘AI’ (Artificial Intelligence), no es algo nuevo. Desde hace unos 70 años se le ha incluido en aparatos, robots o softwares. Dentro de sus ejemplos, están la identificación de caracteres, escaneo de señales digitales, reconocimiento de emociones humanas, videojuegos, máquinas como Deeper Blue que vencen a los mejores jugadores de ajedrez, hasta los vehículos autónomos.
Como podemos ver, la IA es más que el simple reconocimiento y ordenamiento de impulsos digitales. Algunas de las aplicaciones que tiene nuestros celulares se enmarcan en procesos de IA.
Como se entiende actualmente, IA son los procesos que hace una sistema, máquina o robot, para tratar de imitar rutas o formas de razonamiento humano o animal. Se entiende también como mecanismos muy avanzados que mejoran determinados procesos.
Los procesos con Inteligencia Artificial se programan en función de uno o varios objetivos en un entorno establecido de datos.
La Inteligencia Artificial trata de saber con mucha más exactitud y rapidez cómo se perciben ciertos fenómenos, y qué valores y consecuencias tienen los diversos elementos que integran los procesos. La IA también nos da a conocer cómo se adaptan estos procesos en entornos parecidos o modificados. Es por esto que la Inteligencia Artificial puede llegar a ser predictiva.
Etapas que conforman una secuencia de IA. Lo que se conoce actualmente como Inteligencia Artificial debe tener los siguientes cuatro elementos, y este el orden en que se presentan:
Waze, GoogleMaps, Uber, nos han facilitado la vida enormemente. No usar estos instrumentos hoy día es vivir literalmente en retraso tecnológico.
¿Cómo saben Google, Amazon, Walmart y otros, lo que requiero hoy o lo que seguramente necesitaré mañana? ¿Cómo sabemos si una cara puede ser la de un terrorista o simplemente la de un consumidor molesto? La respuesta está en los algoritmos que usa la IA.
Un algoritmo es un conjunto de instrucciones y/o reglas definidas, ordenadas y finitas que permite solucionar problemas numéricos de manera muy rápida. El manual de usuario de algún aparato puede ser un algoritmo. Las instrucciones que recibe un obrero o empleado por parte de su jefe, también pueden ser uno o varios algoritmos. En realidad, un algoritmo es un árbol de decisiones:
Los algoritmos interconectados en un sistema llegan a formar una neurona artificial y, ulteriormente, redes neuronales artificiales. Estas últimas son escenarios que tratan de imitar el funcionamiento físico del cerebro de animales y humanos. Buscan la mejor combinación de parámetros para resolver un problema determinado.
En los entornos de algoritmos y redes, se trata de representar decisiones estructuradas, lógicas y en capas (también llamadas perceptrones):
El Aprendizaje Automático (AA; Machine Learning) permite que un sistema o robot aprenda. Y cuando alguien aprende, su habilidad para solucionar problemas mejora y es más rápida, lo que le facilita genera-lizar comportamientos e inferir fenómenos.
El AA se procesa principalmente por medio de algoritmos. Parte de enunciados particulares que sirven para identificar patrones. De manera muy compleja, el AA analiza estos patrones y asigna la mejor forma de completar la tarea asignada.
El AA también trata de predecir comportamientos futuros generales o grupales. Es decir, que puede predecir comportamientos extensivos con base en datos particulares. Viceversa, un comportamiento general también puede aplicarse a situaciones particulares.
El AA puede prever con bastante exactitud si un proyecto, basado en determinadas variables, tendrá o no éxito, y en qué grados.
Es importante resaltar que las observaciones y predicciones como las mencionadas deben establecerse en determinados contextos cerrados, numéricos y ligados a lo que se desea inducir. Es decir, el AA funciona con base en experiencia acumulada.
Por lo anterior, el ‘aprendizaje’ funciona de manera inductiva o deductiva. Esto lo puede hacer por refuerzo (reinforcement learning), de manera supervisada y no-supervisada. Por estos factores es que se apoya fuertemente en el Análisis Predictivo.
El AA nunca se basa en la intuición. La intuición es un conocimiento, comprensión o percepción inmediata de algo sin que intervenga –aparente o evidentemente– la razón. La intuición es totalmente animal y humana.
El AA es muy útil en la personalización los servicios y productos al consumidor, en fijación de precios, también para control de plagas o enfermedades que ofrecen resistencia a diversos plaguicidas o medicamentos. A un banco le sirve para modificar su mezcla de préstamos, depósitos y tasas. También puede monitorear niveles de riesgos y fraudes determinando ciertos patrones.
Las diferencias entre AA e IA no son claras. Los términos se confunden. Bien puede considerarse que el AA es el elemento o parte técnica que aporta mayor valor significativo a una serie de IA. De manera simplista podríamos decir que AA son los estudios superiores con los que se identifica un profesionista (arquitecto, médico, etc.) y no sus estudios anteriores.
Por otro lado, resulta ser que el término AA recibe poco reconocimiento popular. Para la prensa, ejecutivos, comunicadores y público en general, es más interesante y sexi hablar de ‘Inteligencia Artificial’ que de ‘Aprendizaje Automático’:
En fin, el término popular y ampliamente aceptado es Inteligencia Artificial o IA. Es el que seguiremos utilizando aquí.
El o los análisis predictivos es un grupo de varias técnicas estadísticas, analíticas y minería de datos (Data Mining) que analiza datos históricos y actuales para reconocer patrones, modelar, y en particular para predecir situaciones.
Las técnicas que forman parte de un análisis predictivo pueden o no ser parte del mismo análisis predictivo, es decir, que son técnicas independientes. Por otro lado, también incluyen, y aunque suene controvertido, técnicas de modelización y aprendizaje automático.
El Análisis Predictivo asigna probabilidades a cada uno de los elementos que entran en juego en determinado fenómeno a partir de las cuales predice preferencias y comportamientos. De manera sencilla, una regresión lineal simple es un análisis predictivo.
El predictivo tiene gran aplicación en comercio electrónico y al detalle, actuaría, casinos, etc. Es muy usado en la industria aeroespacial, producción energética, previsión meteorológica, así como en diseño de dispositivos médicos para detectar anormalidades.
Utilizado por investigadores, gobiernos, medios de comunicación, agencias publicitarias, el Análisis Predictivo también usa técnicas como Text Mining (Minería de textos) y Text Analytics (Análisis de textos).
Text Mining obtiene datos cuantificables a partir de textos sin estructura. Se aplica para detección de fraudes, informes MIS, evaluaciones de solicitudes de empleo, etc. Por su parte, Text Analytics le da sentido a los textos identificando sentimientos, emociones, patrones y tendencias; se apoya con NLP (ver adelante).
Podemos decir que el Aprendizaje Automático trata más con redes neuronales artificiales (cuya materia prima son los datos transformados en algoritmos) y en la formación modelos.Por su parte, el Análisis Predictivo le da a estos modelos su valor proyectivo o ‘profético’.
Ejemplo de una proyección de la carga energética para el estado de NY* El Análisis Predictivo interrelaciona datos y pronósticos meteorológicos con las cargas energéticas para pronosticar la demanda de esta. Como resultado, esta predicción ayuda a la gestión de las cargas y a la toma de decisiones a la cadena y operadores relacionados con el suministro.
El Análisis Predictivo se desarrolla así: (a) recopila información histórica de cargas y datos meteorológicos (temperatura, punto de condensación), (b) elimina valores atípicos y combina los datos de diversas fuentes, (c) desarrolla varios modelos predictivos mediante agregados estadísticos y ajustes de curvas o Aprendizaje Automático, (d) hace pruebas con las varias simulaciones y escoge la más precisa, y (e), integra el modelo final y lo compatibiliza con softwares y dispositivos de uso común.
La experiencia del consumidor. Hasta hoy, la IA es principalmente aplicada por muy grandes empresas con gigantescas bases de datos, por lo que muchas de sus aplicaciones se concentran en mercados relacionados con el consumidor común. O sea, que hoy en día sus alcances son comúnmente comerciales o mercadotécnicos.
En mucho, la IA trata de satisfacer al consumidor, y en particular, de personalizar sus experiencias. Si esta personalización se realiza caso por caso, resulta en una labor titánica porque representa altos costos, errores frecuentes y largos tiempos de implementación y ejecución.
Un sistema de Inteligencia Artificial potente tiene la cualidad de aprender muy bien y rápidamente de sus usuarios o consumidores. Todos hemos experimentado que alguna red social, Google, o alguna plataforma digital ‘se adelanten’ a lo que estamos buscando. Pareciera que nos escuchan, que nos ven. Esto es la personalización llevada en forma eficaz y continua.
Nuestros big brothers. Quizás el mejor ejemplo del uso de IA podemos apreciarlo comúnmente en el imprescindible buscador: Google.
Google sabe con mucha aproximación qué buscamos o en qué estamos pensando recientemente y nos rastrea de manera personal. Y no solo lo hace cuando visitamos este buscador. Nosotros dejamos evidencia de nuestras intenciones cuando usamos nuestro móvil o cualquier aparato ligado con Internet.
Dejamos rastro de nuestros pensamientos y búsquedas por medio de uso de redes sociales, intercambio de correos, la mayoría de las muy abundantes aplicaciones. También por el servicio de mensajería por excelencia, o sea, WhatsApp.
Las redes sociales también son big brothers. Toman de nosotros lo que públicamente exponemos en ellas, así como lo que extraen de nosotros fuera de su ecosistemas respectivos. Por ejemplo, a través de nuestros correos Facebook puede llegar a todas las personas que se perfilen con el contenido de tales correos.
Cookies. Por otro lado, somos nosotros mismos los que dejamos rastro de nuestro comportamiento en nuestros dispositivos al visitar páginas web. Este rastro lo dejamos en las llamadas cookies. De esta manera las empresas importantes nos identifican y analizan nuestros procesos de compra (sales funnel).
Los famosos chatbots*. En más de alguna ocasión habrás entrado al chatbot de textos de alguna compañía grande. Incluso, has visto que le han dado seguimiento a un ingreso tuyo anterior, y hasta te habrán recomendado algún producto. Es muy probable que hayas tenido la sensación de haber recibido una buena experiencia por la persona que te asistió (sobre todo, la primera que te atendió). Bueno, seguramente estuviste comunicándote con un chatbot de textos.
Asistentes virtuales como OK Google, Siri, Cortana, Alexa, etc., funcionan todos mediante IA utilizando Procesamiento de Lenguaje Natural (NLP, en inglés) para hacer coincidir entradas de voz con textos, y a la vez, con sus comandos ejecutables. NLP no es solo traducir por traducir. Ante todo, estos asistentes buscan responderle en forma inmediata al consumidor, como si fuera una interacción totalmente humana.
Google Duplex, Google Assistant. Google ha querido llevar los chatbots a su máxima expresión. Después de analizar y reducir mucho los posibles campos de aplicación, ha decidido –y podido, hasta ahora– concentrarse en tres: hacer reservaciones para restaurantes, ir al cine, y citas a salones de belleza.
Estos retos parecen triviales si los comparamos con las expectativas que la IA ha generado y sigue generando. Lo que pasa es que no es tan sencillo ‘platicar’ con una máquina…
Cualquier idioma está repleto de frases y oraciones, tiene una inmensa cantidad de sonidos ilógicos y palabras inconsistentes u ocurrentes que se producen en las conversaciones. Además, abundan los regionalismos, acentos, y las divergencias orales individuales.
Google sabía que hacer reservaciones o comprar boletos de manera digital y con voz implicaba transformar frases y oraciones abiertas (open-ended conversations) en datos cerrados (closed answers) para poder manejarlos.
Entonces, Google ideó que dos de sus sistemas, Google Duplex y Google Assistant*, trabajaran interconectados.
* Alexa es el asistente con voz en la nube de Amazon. Viene integrado en los dispositivos Echo. Por su parte, Siri es el asistente personal controlado por voz para los usuarios de Apple.
Funciona básicamente así: llamas a Google Duplex (el sistema al que contactas), y dentro de una lista ofrecida, le pides verbalmente, por ejemplo, una reservación al restaurant de tu interés, la hora y número de comensales. Google Assistant procede a marcar el número telefónico del restaurante señalado y hace ‘oralmente’ la reservación (se le avisa a quien conteste que la voz es artificial). Una vez hecha la reservación, se te notifica.
Lo que hace Google Duplex es tamizar y reducir en mucho las variables. En el ejemplo mencionado, limita la lista de restaurantes y transforma las variables idiomáticas en datos cerrados bastante reducidos. Google Assistant funciona como subsistema y es el que hace realmente las reservaciones. Estrictamente, tú no haces la reservación, te la hacen estos dos sistemas interconectados.
Para hacer reservaciones para ir al cine o al salón de belleza el reto, en cada caso, es dominar las variables lingüísticas y transformarlas en variables cerradas. De esto dependerá su complejidad propia. En los tres tipos mencionados de reservaciones con voz propia seguramente se requiere de mucha intervención humana en sus actualizaciones.
Estás caminando en un centro comercial; sin solicitarlo, diversas marcas y tiendas de centro te ofrecen sus ofertas a través de tu celular o reloj inteligente. Esta forma de vinculación de las marcas y las tiendas físicas con sus consumidores se llama Bluetooth Marketing o Proximity Marketing.
Solo requieres un dispositivo con enlace a Bluetooth, estar en un área cubierta por las marcas que emiten sus señales (~100m2), y permitirles acceso a tales marcas para enviarte sus contenidos y ofertas.
Su mayor aplicación es en centros comerciales, aunque también en áreas de interés para ciertas marcas, por ejemplo, en zonas turísticas para captar solo a consumidores jóvenes que asisten a ciertas playas.
Amazon Fresh (antes Amazon Go) es otro ejemplo del uso de tecnología en proximity marketing llevada un paso adelante.
En sus tiendas no hay dependientes para atención al público ni cajeros que cobran; integra y procesa las compras de cada uno de sus compradores permitiéndole a estos llevar un control exacto de sus compras.
Más conocido como IoT (Internet Of Things). Conecta al consumidor con Internet de manera inteligente y mediante dispositivos o gadgets. IoT está ‘escondido’ en varios aparatos de uso diario, mucho en forma de comunicación manos libres tales como asistentes inteligentes como Alexa, Siri, Google Home, Apple HomeKit.
Así está cambiando la forma en que los consumidores se relacionan con sus productos o servicios, lo cual es otra forma de personalización de las marcas con sus consumidores.
Tu celular y los relojes inteligentes son los dispositivos donde más se aprecian las aplicaciones del IoT.
Las maneras de vincularse con IoT en buena manera determinarán la evolución de los drones como canal de distribución para ciertos productos y situaciones. Los hay diminutos (para espionaje), medianos y de grandes dimensiones.
DHL y otros couriers importantes hacen pruebas actualmente con drones como posible medio de distribución de productos. También empiezan a usarse drones para hacer llegar auxilio a lugares remotos.
Por otro lado, los drones inteligentes ya funcionan como espías e instrumentos de ataque militar. En buena medida, las guerras por venir serán determinadas por los países que tengan la mejor tecnología en drones, desde los de gran escala hasta los diminutos.
Existen términos que son prácticamente iguales: Realidad Aumentada, Tecnología de Tercera Dimensión y Realidad Virtual. Desde la presentación de Meta, por Mark Zuckerberg (octubre 2021), y por la relevancia que tiene Facebook, junto con la promesa de algo extraordinario, a los términos señalados se ha dado en llamarles de manera genérica ‘Metaversos’.
El antecesor de todas ellas fue Second Life, en la primera década de este siglo, aunque sin tecnología tridimensional.
Un metaverso es una metáfora, donde las personas interactúan social y económicamente como avatares. Se desarrolla en espacios virtuales tridimensionales y compartidos, con elementos reales o virtuales.
Hasta hoy, los metaversos son de uso típico en videojuegos. De manera más simple, se utilizan en decoración de interiores o almacenamiento de mercancía, entre otros. En productos de belleza destaca Sephora, que se ha posicionado como la marca principal para activar ventas en el piso de cosméticos en las tiendas físicas. Es frecuente ver a sus consumidoras observando cómo se transforman sus rostros con la aplicación digital de cosméticos.
Hasta ahora, para observar la realidad virtual total en 3D se requiere de dispositivos ópticos que den la sensación visual al espectador de que está en la realidad o en un medio muy parecido a esta.
Realidad Virtual. Lo que es ahora:
Metaversos. Lo que viene (o ya llegó):
Es una rama de la ingeniería mecánica. Se complementa con otras varias ingenierías y disciplinas, y es seguramente de las que más usa e interactúa con IA. Su objetivo general es construir máquinas que imiten acciones físicas del hombre para sustituirlas, o bien, superar a este en sus limitaciones.
La robótica ha obtenido grandes avances, pero también frustrantes decepciones vis-a-vis las muchas expectativas del imaginario popular. Ha sabido imitar muy bien ciertas funciones físicas humanas en lo particular, incluso lo hecho con superioridad. El problema es que una sola modificación, cuan mínima que sea, al entorno determinado de datos y en partes electro-mecánicas y electrónicas, resulta en fallas muy evidentes.
Avances muy notables en robótica los podemos apreciar en las plantas de la industria automotriz, agricultura, prótesis, medicina (Robot Da Vinci), en los ya aún experimentales autos y aviones autónomos, algunos restaurantes (Robot.He), en sondas y vehículos espaciales, etc.
Automatización de marketing (Marketing Automation)
El Customer Journey (Viaje, Recorrido o Proceso de compra del cliente), es el camino que sigue el cliente desde que conoce un producto o servicio hasta que lo compra, recompra y recomienda.
Ejemplo clásico del Customer Journey:
Y el proceso visto desde el modelo diseñado por Google: el ZMOT (Zero Moment Of Truth), o Momento cero de la verdad.
Actualmente hay buen número de plataformas de automatización de marketing que integran bien determinadas fases del Viaje del cliente. Ejemplos son: Marketo, Hubspot, Eloqua.
Utilidad de las cookies. Por medio de estas se puede trazar todo el customer journey desde que un consumidor entra a una página web hasta que compra, o hasta que abandona la compra o la página. El mismo Facebook o Google las utilizan para analizar el comportamiento del consumidor en Internet.
A pesar de que algunos datos económicos y comerciales son difíciles de medir, las mencionadas plataformas han mostrado grandes avances. El reto es que aún les falta mucho para que sean más ‘inteligentes’.
Inteligencia Artificial en Investigación de mercados.
– Las escurridizas respuestas abiertas.
Hay dos formas para entrevistar y obtener respuestas de alguien: cuantitativa y cualitativa. La primera, de muestras grandes, obtiene respuestas cerradas, aunque también abiertas (open-ended answers).
La cualitativa, de muestras pequeñas, profundiza mucho, por lo que genera esencialmente respuestas abiertas. Estas, incluyen frases coloquiales o atípicas, que se capturan y agrupan con criterios conceptuales determinados. Excel es usado en captura y análisis de investigación cualitativa, aunque tiende a convertirse solamente en receptáculo de información.
Hay plataformas digitales y programas que aceleran mucho la captura de las respuestas abiertas –siempre y cuando estén precodificadas–. En cualquier entorno numérico o digital, todas las respuestas abiertas tienen que codificarse. Solo así se pueden agrupar.
En ambientes online, para acelerar la captura y usando teclados, por lo general los participantes también escriben sus respuestas abiertas en textos. Esto hace perder mucha espontaneidad. Empieza a haber sistemas como Outside Vox que capturan voz y datos desde WhatsApp, y de manera muy sencilla, aunque aún requieren de supervisión estrecha.
Las respuestas abiertas atípicas, largas o complejas, solo las captura, interpreta y agrupa correctamente un humano, aunque hay excepciones como las herramientas de social listening o escucha activa. Por naturaleza, las investigaciones de mercado no son Big Data (ver adelante qué es esto).
Las herramientas de Social Listening o los Social Listeners sí utilizan IA. Por lo regular manejan grandes bases o fuentes de información. Estas plataformas escuchan, interpretan y generan dashboards o visualizaciones de datos, en base a la agrupación de millones de publicaciones y conversaciones en Internet en todo el mundo. Son útiles para analizar el sentimiento del consumidor o medir la reputación online alrededor de una marca o un producto. Empresas importantes como Talkwalker o Brandwatch desarrollan procesos de análisis de textos, imágenes y video utilizando Inteligencia Artificial.
También existen programas que además de agrupar respuestas abiertas, catalogan estas por su intención emocional y las ligan con otras respuestas/textos con otras intencionalidades, de los mismos u otros entrevistados.
Algunas empresas de investigación dicen tener sistemas de IA que decodifican el ‘fenómeno del lenguaje no-natural’ y procesan y analizan cualquier respuesta abierta. En realidad lo que hacen es formar manualmente bases de datos usando los mismos principios y programas de siempre, digitales o no-digitales.
La digitalización acelera procesos (sobre todo en captura de datos), pero está lejos de aportar profundidad en una investigación. Nada tiene que ver con Inteligencia Artificial. Dado que los dos términos, ‘digitalización’ e ‘Inteligencia Artificial’, están de moda, se confunde a ejecutivos inexpertos que desean estar siempre con ‘lo último’ de los avances tecnológicos.
Las inesperadas variaciones de input
Hay IA relativamente fácil en términos de reconocimiento y proceso de impulsos digitales, como los que manejan Netflix o ciertos menús digitales como la app de Domino’s para solicitar una pizza. En estos casos las variaciones de input son relativamente pocas, y por lo tanto sus marcos de datos no requieren prácticamente actualizaciones frecuentes o significativas.
Si los entornos de datos, que son siempre cerrados (aunque pueden estar enlazados), se modifican más allá de los escenarios o input esperados, los programas de IA se enfrentan con sus propias limitaciones de diseño. La estructurada lógica formal establecida, se torna ilógica en el entorno delimitado.
En ocasiones, una ligera variación en input puede hacer retroceder al usuario al inicio de un algoritmo o red neuronal o causar la inoperancia de todo un proceso de IA. Y peor aún, puede derivar en que nuestros consumidores o clientes nos abandonen para siempre, molestos e irritados… y acudan a la competencia por un servicio humano, o sea, ‘eficiente y de verdad’.
El desarrollo de algoritmos para crear una plataforma que capture y procese pedidos de detergentes será relativamente sencillo. Pero si deseamos que un chatbot de voz nos recomiende cómo decorar nuestra casa, invertir en valores bursátiles o resolver situaciones emocionales familiares, el problema será mucho mayor.
Siri, Alexa. Es precisamente en los chatbots verbales donde mucho se evidencian las virtudes de la IA, pero también sus mayores dificultades. Interactuar verbalmente con un sistema no-humano en un marco o tema (aunque no sea tan grande) es sumamente difícil. Por las complejidades lingüísticas de todo idioma, plataformas como Siri o Alexa han tenido que limitarse hasta ahora a muy pocas y reducidas funciones.
Investigación y desarrollo. En el diseño de algoritmos complejos, redes neuronales artificiales y Aprendizaje Automático, se invierte a lo largo de meses y años por la continua planificación y ejercicios de prueba-y-error. Continuamente surgen variables no previstas en los marcos cerrados de los datos por lo que estos deben modificarse una y otra vez.
Todos estos puntos hacen que la IA, como la conocemos actualmente, no esté al alcance de empresas no solo pequeñas y medianas, sino incluso de muchísimas grandes.
Niveles de volúmenes de ‘materia prima digital’. Hay organizaciones cuyas bases de datos, o sea, su ‘materia prima’, es relativamente pequeña o mediana. También las hay en donde los desarrollos cibernéticos, como algoritmos, redes y sistemas de AA, no son tan complejos de diseñar.
Big Data. Pero hay otras organizaciones cuyas bases de datos son enormes; a estas bases se les conoce como Big Data. Ejemplos son: dependencias gubernamentales, compañías de productos de consumo masivo, los grandes detallistas, las famosas Google, Apple, Amazon, Ali Baba, etc.
Los volúmenes que manejan los Big Data se miden en cientos de miles de millones de datos por segundo, que con frecuencia se expresan en terabytes (1012bytes). Estas dimensiones numéricas muchas veces producen patrones de IA muy complejos.
Por lo que vemos, en cualquier caso, utilizar actualmente Inteligencia Artificial requiere invertir en tiempos largos, talento especializado, …y mucho dinero.
Aunque hemos visto asombrosos ejemplos de lo que ha hecho la Inteligencia Artificial, prevalece el desconocimiento general sobre cómo funciona y qué límites tiene. La gente entrevé que son máquinas que piensan por sí mismas. Y esto es lo que dispara las fantasías sobre sus alcances desde hace unos setenta años.
Ante todo, la IA trata de emular el pensamiento lógico humano, solo que se confina a un entorno delimitado de datos. La Inteligencia Artificial ‘razona’ mediante lógica formal y usando algoritmos, que no son más que instrucciones y que grupalmente forman redes neuronales. Un sistema de IA puede ‘aprender’ automáticamente y siempre en forma inductiva dentro de sus datos limitados. La Inteligencia Artificial no puede intuir nada.
Son variadas las aplicaciones de la IA y destacan las relacionadas con toma de decisiones, robótica o la personalización de consumidores. En los chatbots de voz ha habido grandes avances, pero también fuertes frustraciones por lo difícil que es reducir a datos numéricos cualquier lenguaje e interactuar fluidamente con ellos.
La Inteligencia Artificial está presente de alguna manera en Bluetooth marketing, IoT, drones, metaversos. En modelos de marketing e investigación de mercados ha habido grandes avances, aunque falta mucho por aportar debido a la naturaleza volátil y caprichosa de mucha de la información verbal que maneja.
La IA, como la conocemos hoy, representa inversiones importantes en talento, tiempo y dinero.
––o––
No sabemos por cuanto tiempo seguirán siendo altos los costos para desarrollar IA y que esta llegue al alcance del usuario común. Lo que sí sabemos es que el ingenio humano ha demostrado ser muy rápido en difundir y hacer popular muchos descubrimientos. Ejemplos como la imprenta del siglo XV, las máquinas de vapor surgidas de la Revolución Industrial, la electricidad masiva, los autos y las PCs del siglo XX, o los smartphones del XXI se popularizaron cada uno en cuestión de pocos años transformando a toda la humanidad.