Power and Prediction: Avi Goldfarb sobre la economía disruptiva de la inteligencia artificial.
La Inteligencia Artificial (AI) tiene el potencial de transformar la forma en que vivimos, trabajamos y organizamos la sociedad. Pero, una década después de la revolución de la IA, que comenzó con avances en el campo del aprendizaje profundo (Deep Learning), muchos sectores permanecen sin cambios. ¿Qué ocurrió? Power Machines: la economía disruptiva de la Inteligencia Artificial (IA).
Los retrasos en la implementación son una parte esencial de cualquier tecnología con el poder de remodelar verdaderamente la sociedad, dice Avi Goldfarb, Rotman Chair in Artificial Intelligence and Healthcare en la Universidad de Toronto, y líder de investigación en el Schwartz Reisman Institute for Technology and Society (SRI). “Si esta tecnología es tan emocionante como la electricidad, Internet, la computación y la máquina de vapor, tomará tiempo”, afirma, “porque también tiene que ocurrir mucha innovación complementaria”.
Goldfarb explica cómo evolucionará la innovación de la Inteligencia Artificial (IA) en un nuevo libro en coautoría con Ajay Agrawal y Joshua Gans, ‘Power and Prediction: The Disruptive Economics of Artificial Intelligence’ (Harvard Business Review Press, 2022), una secuela de su ampliamente aclamado ‘Prediction Machines: The Simple Economics of Artificial Intelligence’ (2018). El trío también es cofundador de Creative Destruction Lab, una organización sin fines de lucro que ayuda a las nuevas empresas basadas en la ciencia y la tecnología a escalar.
Power and Prediction es una lectura lúcida, informativa y emocionante. Al explicar el potencial de la IA para transformar la toma de decisiones y los cambios a nivel del sistema que esto requiere, Goldfarb y sus coautores señalan nuevos enfoques y barreras que deberán superarse. Las ideas del libro hablan de muchos temas apremiantes, incluido el futuro de la salud pública, la desigualdad y el cambio climático, y la visión de un mundo donde las nuevas tecnologías benefician a todos, en lugar de a unos pocos elegidos.
Entonces, ¿qué nos tomará superar el “Entre tiempos” (“Between Times”, el término que Goldfarb y sus coautores usan para describir el presente, en el que la innovación de la IA se ha desbloqueado pero aún no se ha optimizado) y pasar de las “soluciones puntuales” centradas en tareas específicas a las “soluciones de sistema” que generan un cambio transformador?
Power and Prediction
La siguiente entrevista ha sido resumida por su extensión y claridad.
¿Qué cambió en su comprensión del panorama de la innovación en IA desde Prediction Machines?
Escribimos Prediction Machines pensando que estaba a punto de ocurrir una revolución, y vimos que esa revolución estaba ocurriendo en un puñado de empresas como Google, Amazon y otras. Pero en lo que respecta a la mayoría de las empresas con las que interactuamos, en 2021 comenzamos a sentir una sensación de decepción. Sí, había todo este potencial, pero aún no había afectado su resultado final: los usos que habían encontrado habían sido incrementales, en lugar de transformadores. Y eso nos hizo tratar de entender qué salió mal. Una cosa potencial que podría haber salido mal, por supuesto, fue que la IA no era tan emocionante como pensábamos. Otro era que la tecnología era potencialmente tan importante como las principales revoluciones de los últimos 200 años (innovaciones como el vapor, la electricidad, la informática) y el problema era la implementación a nivel de sistema. Para cada innovación tecnológica importante, tomó mucho tiempo descubrir cómo hacer que ese cambio afectara a la sociedad a gran escala.
Como comentamos en el libro, las primeras aplicaciones de la electricidad fueron soluciones puntuales. Las fábricas operadas por máquinas de vapor estaban estructuradas en torno a la fuente de energía, de modo que las máquinas que más energía consumían estaban más cerca del motor y siempre encendidas. Cuando se inventaron los motores eléctricos, reemplazaron al vapor por ser más barato, pero las fábricas todavía hacían todo lo demás igual al principio. Sin embargo, con el tiempo, la electricidad permitió que las fábricas hicieran cosas de manera diferente: organizarse en torno al proceso de producción en lugar de la fuente de energía, y tener grandes espacios interiores iluminados con luz eléctrica. Para construir ese tipo de espacio, las fábricas abandonaron los centros de las ciudades y se trasladaron a los suburbios y las zonas rurales. Eso condujo a un cambio en la forma en que trabajamos, lo que a su vez condujo a un cambio en la forma en que vivimos. El proceso tomó alrededor de 40 años: estaba claro en la década de 1880 que la electricidad iba a ser un gran problema, pero no fue hasta la década de 1920 que se electrificaron los hogares medianos y las fábricas medianas.
Entonces, saltemos a la década de 1960, y teníamos esta cosa llamada informática. Estaba claro para cualquiera que prestara atención que los ordenadores iban a ser grandes. Sin embargo, si observa los datos de las décadas de 1960, 1970 y 1980, las empresas estaban adoptando ordenadores, pero esto en realidad no estaba afectando la productividad y los beneficios de manera notable. Esa reorganización realmente sucedió en la década de 1980, y en la década de 1990 quedó claro lo que podía hacer la informática.
Ahora avance hasta 2012. Hay un equipo de la Universidad de Toronto, dirigido por Geoffrey Hinton y otros, que ganó la competencia ImageNet al demostrar que el aprendizaje profundo puede reconocer una imagen mucho mejor que otras tecnologías disponibles. En muchos sentidos, ese fue el comienzo del entusiasmo actual en torno a la IA. Vimos que las máquinas pueden ver, y varios investigadores que usaron esa metáfora notaron que la visión fue el prefacio de la explosión cámbrica en la vida, y que la visión artificial debería permitir una transformación similar. Parecía muy emocionante. En el otoño de 2016, Rotman organizó la conferencia Market for Intelligence, donde Hinton dijo que deberíamos dejar de capacitar a los radiólogos ahora, porque era completamente obvio que dentro de cinco años las máquinas serían mejores que los humanos. Bueno, ya hemos pasado más de cinco años y aún no ha sucedido.
Y entonces, existe esta tensión entre 2012 y 2018: vimos aumentar la visión de lo que la IA podría hacer, sin embargo, para 2021, para la mayoría de las empresas e industrias, eso aún no había sucedido. Muchas empresas han encontrado soluciones y aplicaciones puntuales, pero las industrias, en su mayor parte, no se han transformado.
La idea central de Power and Prediction es que la IA es una tecnología emocionante, tan emocionante como la electricidad, Internet, la informática y la máquina de vapor, pero tomará tiempo ver sus efectos, porque tiene que suceder una gran cantidad de innovación complementaria también. Ahora, algunos podrían responder que no es muy útil, ¡porque no queremos esperar! Y parte de nuestra agenda en el libro es acelerar la línea de tiempo de esta innovación de 40 años a diez, o incluso menos. Para llegar allí, debemos pensar: ¿cómo será esta innovación? No podemos simplemente decir que llevará tiempo, eso no es constructivo.
“En muchos casos, la predicción cambiará tanto la forma en que se toman las decisiones que todo el sistema de toma de decisiones y sus procesos en las organizaciones deberán ajustarse. Solo entonces la adopción de la IA realmente despegará”.
Power and Prediction
¿Qué tipo de cambios se necesitan para que las organizaciones aprovechen todo el potencial de la IA?
Aquí, nos apoyamos en tres ideas clave. La primera idea, de Prediction Machines, es que la IA actual no es la inteligencia general artificial (artificial general intelligence, AGI), es tecnología de predicción. La segunda es que una predicción es útil porque te ayuda a tomar decisiones. Una predicción sin una decisión es inútil. Entonces, lo que realmente hace la IA, lo que hacen las máquinas de predicción, es que te permiten separar la predicción del resto de la decisión, y eso puede conducir a todo tipo de transformaciones. Finalmente, la tercera idea clave es que las decisiones no ocurren de forma aislada.
Leído en:
Schwartz Reisman Institute for Technology and Society
Power and Prediction