8.1 El futuro del aprendizaje automático

Sin aprendizaje automático no puede haber aprendizaje automático interpretable. Por lo tanto, tenemos que adivinar hacia dónde se dirige el aprendizaje automático antes de poder hablar sobre la interpretabilidad.

El aprendizaje automático (o “AI”) está asociado con muchas promesas y expectativas. Pero comencemos con una observación menos optimista: Si bien la ciencia desarrolla muchas herramientas sofisticadas de aprendizaje automático, en mi experiencia es bastante difícil integrarlas en los procesos y productos existentes. No porque no sea posible, sino simplemente porque lleva tiempo para que las empresas e instituciones se pongan al día. En la fiebre del oro de la actual exageración de la IA, las empresas abren “laboratorios de IA”, “unidades de aprendizaje automático” y contratan “científicos de datos”, “expertos en aprendizaje automático”, “ingenieros de IA”, etc., pero la realidad es que, en mi experiencia, bastante frustrante. A menudo, las empresas ni siquiera tienen datos en la forma requerida y los científicos de datos esperan inactivos durante meses. A veces las empresas tienen una expectativa tan alta de IA y ciencia de datos debido a los medios que los científicos de datos nunca podrían cumplirlas. Y a menudo nadie sabe cómo integrar a los científicos de datos en las estructuras existentes y muchos otros problemas. Esto lleva a mi primera predicción.

El aprendizaje automático crecerá lenta pero constantemente.

La digitalización está avanzando y la tentación de automatizar está constantemente tirando. Incluso si el camino de la adopción del aprendizaje automático es lento y pedregoso, el aprendizaje automático se mueve constantemente de la ciencia a los procesos comerciales, productos y aplicaciones del mundo real.

Creo que debemos explicar mejor a los no expertos qué tipos de problemas pueden formularse como problemas de aprendizaje automático. Conozco a muchos científicos de datos altamente remunerados que realizan cálculos de Excel o inteligencia empresarial clásica con informes y consultas SQL en lugar de aplicar el aprendizaje automático. Pero algunas empresas ya están utilizando con éxito el aprendizaje automático, con las grandes empresas de Internet a la vanguardia. Necesitamos encontrar mejores formas de integrar el aprendizaje automático en procesos y productos, capacitar a las personas y desarrollar herramientas de aprendizaje automático que sean fáciles de usar. Creo que el aprendizaje automático será mucho más fácil de usar: Ya podemos ver que el aprendizaje automático se está volviendo más accesible, por ejemplo, a través de los servicios en la nube (“Aprendizaje automático como un servicio”, solo para lanzar algunas palabras de moda). Una vez que el aprendizaje automático ha madurado, y este niño ya ha dado sus primeros pasos, mi próxima predicción es:

El aprendizaje automático alimentará muchas cosas.

Basado en el principio “Todo lo que se pueda automatizar se automatizará”, concluyo que siempre que sea posible, Las tareas se formularán como problemas de predicción y se resolverán con el aprendizaje automático. El aprendizaje automático es una forma de automatización o al menos puede ser parte de ella. Muchas tareas que actualmente realizan los humanos son reemplazadas por el aprendizaje automático. Aquí hay algunos ejemplos de tareas donde el aprendizaje automático se usa para automatizar partes de él:

• Clasificación / toma de decisiones / finalización de documentos (por ejemplo, en compañías de seguros, el sector legal o empresas de consultoría)
• Decisiones basadas en datos, como las solicitudes de crédito.
• Descubrimiento de medicamento
• Controles de calidad en líneas de montaje.
• Autos sin conductor
• Diagnóstico de enfermedades.
• Traducción. Para este libro, utilicé un servicio de traducción llamado (DeepL) impulsado por redes neuronales profundas para mejorar mis oraciones traduciéndolas del inglés al alemán y nuevamente al inglés.
• …

El avance para el aprendizaje automático no solo se logra a través de mejores computadoras / más datos / mejor software, sino también:

Las herramientas de interpretación catalizan la adopción del aprendizaje automático.

Basado en la premisa de que el objetivo de un modelo de aprendizaje automático nunca puede especificarse perfectamente, se deduce que el aprendizaje automático interpretable es necesario para cerrar la brecha entre el objetivo mal especificado y el objetivo real. En muchas áreas y sectores, la interpretabilidad será el catalizador para la adopción del aprendizaje automático. Alguna evidencia anecdótica: Muchas personas con las que he hablado no usan el aprendizaje automático porque no pueden explicar los modelos a otros. Creo que la interpretabilidad abordará este problema y hará que el aprendizaje automático sea atractivo para las organizaciones y las personas que exigen cierta transparencia. Además de la especificación errónea del problema, muchas industrias requieren interpretabilidad, ya sea por razones legales, debido a la aversión al riesgo o para obtener una idea de la tarea subyacente. El aprendizaje automático automatiza el proceso de modelado y aleja un poco al ser humano de los datos y la tarea subyacente: Esto aumenta el riesgo de problemas con el diseño experimental, la elección de la distribución del entrenamiento, el muestreo, la codificación de datos, la ingeniería de características, etc. Las herramientas de interpretación facilitan la identificación de estos problemas.