Qué necesitan saber las empresas sobre los sistemas de cómputo cognitivo

Si bien las herramientas de computación cognitiva han llegado lejos en utilidad, todavía tienen algunas brechas importantes. Comprender estos obstáculos puede ser clave para obtener valor de las plataformas. Las empresas que quieren cobrar las tendencias de la inteligencia artificial y la computación cognitiva deben dar a sus planes una verificación de realidad antes de lanzar proyectos largos y potencialmente caros.

“Muchas personas están viendo la computación cognitiva como un objeto luminoso y brillante que se puede aplicar a cualquier cosa, y los problemas desaparecerán”, dijo Hadley Reynolds, director gerente y cofundador del Consorcio de Computación Cognitiva, en una presentación en la conferencia TDWI Accelerate en Boston. “Pero lo que escuchamos diariamente es que, si no tiene una idea muy buena de lo que está tratando de lograr con los proyectos cognitivos, cualquier esfuerzo que haga probablemente termine en fracaso”.

Desde que los conceptos gemelos de computación cognitiva e inteligencia artificial explotaron en la escena hace un año o algo así, no ha habido escasez de personas argumentando que las tecnologías revolucionarán los negocios. Luego, siguió una reacción de gente diciendo que los sistemas de computación cognitiva son puro bombo. Pero es probable que la verdad esté en algún lugar en el medio.

Para Reynolds, los avances realizados por los automóviles que se autoconducen en el último par de años son un ejemplo de ello. Indudablemente, los vehículos autónomos han recorrido un largo camino en un período de tiempo muy corto. Ahora son capaces de atravesar calles de forma mucho más competente que nunca. Y no están listos para reemplazar a los conductores humanos en la carretera.

Por lo tanto, en este período en que la AI puede no estar lista para el horario estelar, pero sigue siendo capaz de ofrecer beneficios limitados, Reynolds recomendó a las empresas ser muy selectivas sobre dónde aplican la tecnología, y pensar realmente en lo que esperan obtener de eso.

Según Reynolds, los sistemas de computación cognoscitiva son actualmente más efectivos como asistentes; más bien un aumento de la inteligencia que una inteligencia artificial. Cosas como chatbots y asistentes inteligentes han demostrado ser bastante eficaces. Los proyectos puntuales como éstos son un buen lugar para que las empresas empiecen, más que con iniciativas de nivel empresarial.

Las empresas también deben ser conscientes de la naturaleza de los beneficios de la computación cognitiva.

En la conferencia, Diego Klabjan, profesor de la NorthwesternUniversity, cuyos proyectos de investigación implican el desarrollo de sistemas cognitivos para empresas, describió un proyecto en el que recientemente trabajó para un gran minorista. El objetivo era mejorar la previsión de las ventas de productos. Dado que el minorista tenía cientos de miles de productos en su catálogo, era un problema complejo que encajaba bien con los sistemas de computación cognitiva.

Klabjan y su equipo desarrollaron modelos de aprendizaje profundo para mejorar las previsiones de ventas de cada producto. En última instancia, funcionó: el equipo fue capaz de mejorar las predicciones para 78% de los productos en el catálogo. Pero lo que es importante señalar, dijo Klabjan, es que la magnitud de la mejora de la previsión para cada producto individual fue relativamente menor. El aprendizaje profundo, en este caso, dio lugar a ganancias amplias, pero algo superficiales.

Sin embargo, los beneficios del proyecto no se limitaron a las previsiones. Klabjan dijo que, comparado con los proyectos tradicionales de aprendizaje automático, éste tomó menos tiempo. Normalmente, en el aprendizaje automático, los científicos de datos tienen que pasar mucho tiempo seleccionando las características que consideran relevantes para el problema. Ellos pondrán a prueba sus modelos y consultarán con expertos en negocios antes de refinar aún más los elementos de datos incluidos en el modelo, hasta que finalmente consigan algo que funcione.

El aprendizaje profundo, por otro lado, es mucho más automatizado. Una vez que usted tiene sus datos, y ha seleccionado el tipo de modelo que desea ejecutar, básicamente solo tiene que darle a ir, y volver cuando la máquina ha hecho su trabajo.

 

“No espere que el aprendizaje profundo realice milagros”, dijo Klabjan. “Si ya está haciendo un sofisticado aprendizaje automático, el aprendizaje profundo le dará una leve mejoría. Pero el verdadero beneficio es que no tenga científicos de datos dedicados por horas a la selección de funciones”.

Fuente: TechTarget

02

Newsletter

La Compra Cognitiva, una experiencia real

Según el estudio de IBM “El consumidor es el canal”, el 94% de los directivos de la industria d...

Requisitos que deben cumplir las empresas antes de poner en marcha proyectos de Big Data

El Big Data ayuda a las empresas a mejorar sus resultados, equilibrar la oferta a la demanda, anti...

¿Qué beneficios puede aportar una consultoría de Big Data?

Mejorar procesos de negocio con Big Data Un ejemplo claro de la mejora de procesos es la selección...

Data visualization: ¿qué necesitas?

Data visualization es el preludio del análisis. La visualización, así entendida, es la aplicació...