Desde el texto predictivo de nuestros teléfonos inteligentes hasta los motores de recomendación de nuestros sitios web de compras favoritos, el aprendizaje automático (machine learning, ML) ya está integrado en nuestras rutinas diarias. Pero el aprendizaje automático no se detiene, está en constante evolución.
En los últimos años, ha progresado rápidamente, en gran parte gracias a las mejoras en la recolección de datos, el poder de procesamiento y el desarrollo de algoritmos más sofisticados.
Ahora, al avanzar hacia la segunda mitad de 2023, estos avances tecnológicos han allanado el camino para nuevas y emocionantes tendencias en el aprendizaje automático. Estas tendencias no solo reflejan el avance continuo de las tecnologías de aprendizaje automático, sino que también destacan su creciente accesibilidad y el papel cada vez más crucial de la ética en sus aplicaciones.
Desde el aprendizaje automático sin código hasta el tinyML, estas siete tendencias merecen atención en 2023.
El aprendizaje automático, o AutoML, es una de las tendencias más significativas en machine learning que estamos presenciando. Aproximadamente el 61% de los responsables de decisiones en empresas que usan IA afirmaron haber adoptado AutoML, y otro 25% planeaba implementarlo ese mismo año. Esta innovación está transformando el proceso de creación de modelos de machine learning al automatizar algunos de sus aspectos más complejos.
El AutoML no está diseñado para eliminar la necesidad de codificación, como ocurre con las plataformas de machine learning sin código. En cambio, AutoML se centra en automatizar tareas que a menudo requieren un alto nivel de experiencia y una inversión significativa de tiempo. Estas tareas incluyen el preprocesamiento de datos, la selección de características y el ajuste de hiperparámetros, entre otras.
En un proyecto típico de machine learning, estos pasos son realizados manualmente por ingenieros o científicos de datos, quienes deben iterar múltiples veces para optimizar el modelo. Sin embargo, AutoML puede automatizar estos pasos, ahorrando tiempo y esfuerzo y permitiendo que los empleados se enfoquen en resolver problemas de mayor nivel.
Además, AutoML puede aportar un valor significativo a los no expertos o a aquellos que están en las etapas iniciales de su recorrido en machine learning. Al eliminar algunas de las complejidades asociadas con el machine learning, AutoML permite a estas personas aprovechar el poder del aprendizaje automático sin necesidad de comprender cada detalle intrincado.
El aprendizaje automático en dispositivos pequeños, conocido como TinyML, es otra tendencia significativa que merece nuestra atención. Se proyecta que la instalación de dispositivos TinyML aumentará de casi 2 mil millones en 2022 a más de 11 mil millones en 2027. El motor de esta tendencia es la capacidad de TinyML para llevar el aprendizaje automático a dispositivos pequeños y energéticamente eficientes, a menudo denominados dispositivos periféricos.
La idea detrás de TinyML es ejecutar algoritmos de aprendizaje automático en dispositivos con recursos informáticos mínimos, como microcontroladores en pequeños electrodomésticos, dispositivos portátiles y dispositivos del Internet de las Cosas (IoT). Esto representa un cambio de la computación basada en la nube a la computación local en el dispositivo, brindando beneficios como mayor velocidad, privacidad y menor consumo de energía.
También es importante destacar que TinyML abre oportunidades para la toma de decisiones en tiempo real directamente en el dispositivo. Por ejemplo, un rastreador de salud portátil podría aprovechar TinyML para analizar los signos vitales del usuario y alertarlo sobre lecturas anormales sin la necesidad de comunicarse constantemente con la nube, ahorrando ancho de banda y preservando la privacidad.
La IA generativa ha dominado los titulares en 2023. Desde el lanzamiento de OpenAI ChatGPT en noviembre de 2022, hemos presenciado una oleada de nuevas tecnologías de IA impulsadas por grandes empresas tecnológicas como Microsoft, Google, Adobe y Qualcomm, así como innumerables innovaciones de empresas de todos los tamaños. Estos modelos sofisticados han abierto posibilidades sin precedentes en numerosos campos, desde el arte y el diseño hasta el crecimiento de datos y más allá.
La IA generativa, como rama del aprendizaje automático, se centra en la creación de nuevos contenidos. Es como dotar a una IA de una forma de imaginación. Estos algoritmos, utilizando diversas técnicas, aprenden los patrones subyacentes de los datos con los que se entrenan y pueden generar contenido nuevo y original que refleja esos patrones.
Quizás la forma más conocida de IA generativa sea la red generativa adversarial (GAN). Las GAN enfrentan dos redes neuronales: un generador, que crea nuevas instancias de datos, y un discriminador, que intenta determinar si los datos son reales o artificiales. El generador mejora continuamente sus resultados para engañar al discriminador, creando datos sintéticos increíblemente realistas.
Sin embargo, el campo ha evolucionado más allá de las GAN. Otros enfoques, como los autoencoders variacionales (VAE) y los modelos basados en transformadores, han demostrado resultados impresionantes. Por ejemplo, los VAE ahora se utilizan en campos como el descubrimiento de medicamentos, donde generan nuevas estructuras moleculares viables. Los modelos basados en transformadores, inspirados en arquitecturas como GPT-3 (y ahora GPT-4), se están utilizando para generar texto similar al humano, permitiendo experiencias de IA conversacional más naturales.
En 2023, uno de los avances más notables en la IA generativa es la mejora y mayor adopción de estos modelos en campos creativos. La IA es ahora capaz de componer música, generar obras de arte únicas e incluso escribir prosa convincente, ampliando los horizontes de la expresión creativa.
No obstante, junto con su fascinante potencial, el rápido avance de la IA generativa conlleva importantes desafíos. A medida que los modelos generativos son cada vez más capaces de producir resultados realistas, es esencial garantizar que estas poderosas herramientas se utilicen de manera responsable y ética. El posible mal uso de esta tecnología, como la creación de deepfakes u otros contenidos engañosos, es una preocupación importante que deberá abordarse.
El interés y la demanda por la tecnología de IA, combinados con el creciente déficit de habilidades en este campo, han llevado a que cada vez más empresas opten por soluciones de aprendizaje automático sin código. Estas plataformas están revolucionando el campo al hacer que el aprendizaje automático sea más accesible para un público más amplio, incluidos aquellos sin experiencia en programación o ciencia de datos.
Las plataformas sin código están diseñadas para permitir a los usuarios crear, entrenar y desplegar modelos de aprendizaje automático sin necesidad de escribir código. A menudo, cuentan con interfaces intuitivas y visuales donde los usuarios pueden manipular componentes preconstruidos y utilizar algoritmos de aprendizaje automático ya establecidos.
El poder del aprendizaje automático sin código radica en su capacidad para democratizar el aprendizaje automático. Abre las puertas a analistas de negocios, expertos en la materia y otros profesionales que conocen sus datos y los problemas que necesitan resolver, pero carecen del conocimiento de programación que normalmente requiere el aprendizaje automático tradicional.
Estas plataformas permiten a los usuarios aprovechar el poder predictivo del aprendizaje automático para generar ideas, tomar decisiones basadas en datos e incluso desarrollar aplicaciones inteligentes, todo sin la necesidad de escribir o entender código complejo.
Sin embargo, es importante señalar que, aunque las plataformas sin código han aumentado la accesibilidad del aprendizaje automático, no son un sustituto completo para comprender los principios del aprendizaje automático. Si bien reducen la necesidad de codificación, la interpretación de resultados, la identificación y el tratamiento de posibles sesgos, y el uso ético de los modelos de aprendizaje automático todavía requieren una sólida comprensión de los conceptos de aprendizaje automático.
Otra tendencia crucial en el aprendizaje automático en 2023 es el creciente enfoque en el aprendizaje automático ético y explicable. A medida que los modelos de aprendizaje automático se vuelven más omnipresentes en nuestra sociedad, comprender cómo toman sus decisiones y garantizar que esas decisiones se hagan de manera ética se ha vuelto fundamental.
El aprendizaje automático explicable, conocido también como XAI (por sus siglas en inglés de inteligencia artificial explicable), busca desarrollar modelos que hagan predicciones transparentes y comprensibles. Los modelos tradicionales de aprendizaje automático, especialmente los más complejos como las redes neuronales profundas, suelen considerarse “cajas negras” porque su funcionamiento interno es difícil de entender. El XAI pretende que el proceso de toma de decisiones de estos modelos sea comprensible para los humanos.
El creciente interés en XAI se debe a la necesidad de responsabilidad y confianza en los modelos de aprendizaje automático. A medida que estos modelos se utilizan cada vez más para tomar decisiones que afectan directamente las vidas de las personas, como la aprobación de préstamos, diagnósticos médicos o solicitudes de empleo, es importante entender cómo toman esas decisiones y confiar en su precisión e imparcialidad.
Además de la explicabilidad, se presta cada vez más atención al uso ético del aprendizaje automático. Esto implica garantizar que los modelos se utilicen de manera responsable, que sean justos, imparciales y respeten la privacidad de los usuarios. También incluye reflexionar sobre las posibles implicaciones y consecuencias de estos modelos, incluido cómo podrían ser mal utilizados.
En 2023, el auge del aprendizaje automático ético y explicable refleja una mayor conciencia de las implicaciones sociales del aprendizaje automático, así como la rápida evolución de las legislaciones que regulan su uso. Es un reconocimiento de que, aunque el aprendizaje automático tiene un inmenso potencial, debe desarrollarse y utilizarse de manera responsable, transparente y ética.
Otra tendencia que está dando forma al panorama del aprendizaje automático es el creciente énfasis en las operaciones de aprendizaje automático o MLOps. Según un informe reciente, se proyecta que el mercado global de MLOps crezca de 842 millones de dólares en 2021 a casi 13 mil millones en 2028.
En esencia, MLOps es la intersección del aprendizaje automático, DevOps e ingeniería de datos, con el objetivo de estandarizar y agilizar el ciclo de vida del desarrollo e implementación de modelos de aprendizaje automático. Su objetivo central es cerrar la brecha entre el desarrollo de modelos de aprendizaje automático y su operación en entornos de producción. Esto implica crear un proceso robusto que permita una producción rápida, automatizada y reproducible de modelos, incorporando pasos como la recolección de datos, modelado, validación, despliegue, monitoreo, entre otros.
Un aspecto significativo de MLOps es el enfoque en la automatización. Al automatizar tareas repetitivas y lentas del ciclo de vida del aprendizaje automático, MLOps puede acelerar drásticamente el tiempo desde el desarrollo del modelo hasta su implementación. También garantiza consistencia y reproducibilidad, reduciendo las posibilidades de errores y discrepancias.
Otro aspecto importante de MLOps es el monitoreo. No basta con desplegar un modelo; es crucial supervisar su rendimiento. MLOps fomenta el monitoreo continuo de métricas del modelo para garantizar que funcionen según lo esperado y para detectar y abordar rápidamente cualquier desviación o degradación del rendimiento.
En 2023, el creciente énfasis en MLOps es un testimonio de la madurez del campo del aprendizaje automático. A medida que las organizaciones intentan aprovechar el aprendizaje automático a escala, los procesos operativos eficientes y efectivos son más cruciales que nunca. MLOps representa un paso importante hacia la operacionalización del aprendizaje automático de manera sostenible, escalable y confiable.
La última tendencia que está captando la atención en el campo del aprendizaje automático en 2023 es el aprendizaje automático multimodal. Como sugiere el nombre, el aprendizaje automático multimodal se refiere a modelos capaces de procesar e interpretar múltiples tipos de datos, como texto, imágenes, audio y video, en un solo modelo.
Los modelos tradicionales de aprendizaje automático suelen centrarse en un solo tipo de datos. Por ejemplo, los modelos de procesamiento del lenguaje natural trabajan con texto, mientras que las redes neuronales convencionales son excelentes para datos de imágenes. Sin embargo, los datos del mundo real suelen presentarse en varias formas, y al combinar estas modalidades diferentes, se puede extraer información valiosa que los modelos monomodales no podrían obtener.
Los modelos de aprendizaje automático multimodal están diseñados para manejar esta diversidad de datos. Pueden recibir distintos tipos de datos, comprender las relaciones entre ellos y generar información más completa y rica que la que sería posible con modelos monomodales.
Por ejemplo, imaginemos un modelo entrenado con un conjunto de datos de películas. Un modelo multimodal podría analizar simultáneamente los diálogos (texto), las expresiones y acciones de los actores (video) y la banda sonora (audio). Esto proporcionaría una comprensión más matizada de la película en comparación con un modelo que analizara solo un tipo de datos.
En 2023, veremos cada vez más aplicaciones que aprovechan el aprendizaje automático multimodal. Esta tendencia está redefiniendo las posibilidades en el campo del aprendizaje automático, desde asistentes virtuales más atractivos capaces de entender el habla y ver imágenes, hasta modelos de salud capaces de analizar flujos de datos diversos para detectar enfermedades cardiovasculares.
