¡Hola! Una semana más acaba de dar inicio, por lo que es el momento ideal para echar un vistazo al estado actual de la Inteligencia Artificial.
Cada lunes encontrarás un compacto resumen de las noticias más relevantes en el mundo de la IA, completamente en español.
En esta nuestra edición inaugural, es menester enfocarnos en el papel fundamental que juegan los algoritmos de aprendizaje automático, la estadística, las redes neuronales profundas y las matemáticas en los tiempos del coronavirus (COVID-19).
Espero que esta sección sea de provecho para ti.
¡Feliz semana!
Jesús Martínez
Todos los Modelos están Equivocados, pero Algunos Están Completamente Equivocados
Título original: All models are wrong, but some are completely wrong.
Fuente: https://rssdss.design.blog/2020/03/31/all-models-are-wrong-but-some-are-completely-wrong
El poder que los modelos estadísticos nos entregan es innegable. Con él podemos reducir la incertidumbre del futuro, planificar estrategias, proyectar múltiples escenarios y, en definitiva, estar mejor preparados ante el devenir individual y colectivo.
Aunque la existencia de los modelos matemáticos y sus usos en un sinnúmero de industrias se cuenta en décadas, los tiempos críticos que vivimos los han puesto en el foco, en la palestra pública. Cada día surgen diversos estudios que pregonan infinidad de escenarios, desde los más utópicos hasta otros apocalípticos.
Sin embargo, el mayor problema reside en la ineficiencia de los reporteros y científicos para comunicar efectivamente el funcionamiento de susodichos modelos.
Una instancia que pone en evidencia esta incapacidad ocurrió hace unas semanas, cuando el Financial Times publicó un artículo con el tendencioso titular “Coronavirus may have infected half of the UK population” (El coronavirus puede haber infectado a la mitad de la población del Reino Unido). ¿La verdad? El diario reportó los resultados de una simulación producto de un nuevo modelo de COVID-19 utilizando un valor de rho (la tasa de enfermos de gravedad entre los afectados) altamente improbable. Las limitaciones comunicativas de los autores del modelo, así como el amarillismo del Financial Times produjeron un titular inflamatorio.
Martin Goodson, autor del artículo, recomienda las siguientes reglas para mitigar la desinformación proveniente de los políticos, periodistas y científicos:
- Expresar el nivel de incertidumbre asociado a un modelo predictivo.
- Los periodistas deben obtener citas de otros expertos antes de publicar un artículo.
- Los científicos están en el deber de describir las entradas críticas y asunciones hechas por su modelo.
- Deben ser lo más transparentes posible.
- Los legisladores deben usar múltiples modelos para crear e informar las medidas a seguir.
- Indicar cuándo un modelo fue elaborado por alguien sin experiencia en enfermedades infecciosas.
Cuatro Pasos para Asegurarte de que tus Sistemas de Inteligencia Artificial Sobrevivan al COVID-19
Título original: 4 Steps to ensure your AI/Machine Learning system survives COVID-19
Fuente: https://www.kdnuggets.com/2020/04/ai-machine-learning-system-survives-covid-19.html
La mayoría de las soluciones modernas que incorporan Inteligencia Artificial en sus sistemas lo hacen mediante el aprendizaje automático (machine learning), una rama de la IA especializada en aprender del pasado con la meta de predecir el futuro.
¿Pero cómo predecimos el futuro en los tiempos del coronavirus? Nadie que hoy habite la Tierra ha vivido una pandemia. Si los humanos estamos confundidos, las máquinas lo están más, puesto que en su banco de datos históricos no hay patrones que sean relevantes a los disruptivos y extraños hábitos de consumo que estamos viendo como consecuencia de un inmenso número de países aplicando cuarentenas masivas.
Algunas industrias están lidiando con un decremento sustancial en sus ventas. Otras están desbordadas por la repentina demanda de sus productos. El punto es que es difícil concebir un sector económico que no esté de cabeza gracias a la crisis.
Ante este escenario, cabe preguntarnos: ¿Es la IA de utilidad cuando la anormalidad se ha vuelto el status quo? Zank Bennett, autor del artículo, considera que sí, y postula las siguientes cuatro estrategias para retener el valor de la ciencia de datos e IA:
- Sumérgete en tus datos: Es tiempo de mirar cara a cara tus datos. ¿Tus asunciones todavía se mantienen? ¿Tienes suficiente data para soportar los objetivos principales de tu empresa? ¿Puedes obtener más? ¿Estás recomendando los productos o servicios más relevantes en este escenario difícil?
- Ofrece productos que reflejen las preferencias cambiantes de tus clientes: Lo más probable es que los productos que estabas ofreciendo hace seis meses no estén recibiendo el mismo interés por parte de tus clientes actualmente. Re-entrena tus modelos con data reciente, de las últimas semanas, para que aprendan los nuevos patrones de consumo de tu clientela. No dejes por fuera factores como el precio y tiempos de entrega.
- Asegúrate de no decir las cosas equivocadas: Nadie se está comportando de la misma manera, así que lo más seguro es que tus slogans no capturen los miedos, deseos y esperanzas de tus clientes en esta época difícil. Lleva a cabo pruebas A/B para medir la respuesta a diferentes publicidades con distintos lenguajes.
- Evalúa tus segmentos de mercado: ¿Los segmentos de mercado que antes atendías son los más importantes ahora? ¿Han surgido nuevos segmentos? ¿Se han combinado algunos? Estudia a fondo los tipos de clientes a tu disposición para que puedas alcanzarlos con la oferta y el mensaje ideal.
Cómo Deep Learning Está Acelerando el Descubrimiento de Drogas en las Farmacéuticas
Título original: How Deep Learning is Accelerating Drug Discovery in Pharmaceuticals
Fuente: https://www.kdnuggets.com/2020/04/deep-learning-accelerating-drug-discovery-pharmaceuticals.html
Si has estado atento a la evolución de la Inteligencia Artificial en los últimos diez años, no serás ajeno a las predicciones excesivamente optimistas de científicos, entusiastas y líderes de industrias, las cuales afirmaban que para finales de la década de los 2010 y principios de la que corre tendríamos vehículos autónomos en las calles, un sinnúmero de medicamentos descubiertos por redes neuronales, carros voladores y drones de repartición en cada ciudad. También están, por supuesto, los eternamente pesimistas que miraban con terror (aún lo hacen) la posibilidad de un futuro dominado por las máquinas, tipo Skynet o The Matrix.
Pues, ni lo uno ni lo otro. Con más y más gente prediciendo una nueva hibernación de la IA, como ya sucedió en el siglo XX, es necesario arrojar luz sobre los logros que han sido catalizados por el aprendizaje profundo.
Kevin Vu, autor del artículo, establece que podemos aprovechar el poder del aprendizaje profundo y la visión computarizada en el análisis de las imágenes biomédicas para tratar enfermedades olvidadas -principalmente por el supuesto alto costo de producción de nuevos fármacos-, ya que aunque la visión por computador ha estado entre nosotros durante un número sustancioso de años, con el advenimiento de las redes neuronales profundas, su dominio en tareas visuales las convierten en las candidatas ideales para revolucionar el sector de la medicina. Su incrementada velocidad, precisión y capacidad de procesamiento han conducido a instancias en las que una CNN detecta con mayor exactitud cáncer de piel que médicos expertos en el área.
El autor propone entrenar modelos sobre imágenes tomadas por microscopio de miles de mutaciones en las cadena de RNA, un factor común en las enfermedades raras.
Esto hará que la red aprenda a codificar fenotipos en un espacio latente de altas dimensiones. El código resultante permitirá que se evalúe la habilidad de las nuevas drogas de aproximar el fenotipo a uno saludable, en un espacio multidimensional.
Lo fabuloso de esta estrategia es que no amerita ningún cambio en cómo atacamos tareas más tradicionales, como clasificar dígitos en MNIST o predecir la clase de un objeto en CIFAR-100. La principal distinción radica en que el número de etiquetas es mucho mayor, pero redes bien conocidas como ResNet o Inception pueden llevar a cabo el trabajo decentemente.
Con suerte, el poder de las redes convolucionales modernas hará que las compañías farmacéuticas dediquen tiempo y recursos al desarrollo de drogas para combatir enfermedades raras, llevando así alivio a millones de personas que las padecen día a día.