Sin código, no hay problema: estamos tratando de vencer a una IA con nuevas herramientas en su propio juego

Agrandar / ¿Nuestro aprendizaje automático ya está aprendiendo? En el último año, el aprendizaje automático y la inteligencia artificial han logrado avances significativos. Los algoritmos especializados, incluido DALL-E de OpenAI, han demostrado la capacidad de generar imágenes basadas en indicaciones de texto con una inteligencia cada vez mayor. Los sistemas de procesamiento de lenguaje natural (NLP) están cada vez más cerca de aproximarse a la escritura y el texto humanos. Y algunas personas incluso piensan que una IA se ha vuelto sensible. (Alerta de spoiler: no fue así). Y como Matt Ford de Ars señaló recientemente aquí, la inteligencia artificial puede ser artificial, pero no es «inteligencia», y ciertamente no es magia. Lo que llamamos «IA» depende de la construcción de modelos a partir de datos utilizando enfoques estadísticos desarrollados por humanos de carne y hueso, y puede fallar tan espectacularmente como tener éxito. Si crea un modelo a partir de datos erróneos, obtendrá malas predicciones y malos resultados; solo pregúntele a los desarrolladores de Twitterbot Tay de Microsoft al respecto. Para una lluvia mucho menos espectacular, solo mire nuestras espaldas. Los lectores que han estado con nosotros por un tiempo, o al menos desde el verano de 2021, recordarán el momento en que intentamos usar el aprendizaje automático para algunos análisis, y no tuvimos exactamente éxito. («Resulta que ‘basado en datos’ no es solo una broma o un eslogan», dijo Danny Smith, gerente senior de productos de Amazon Web Services, cuando nos pusimos en contacto con él para pedirle consejo. «‘Basado en datos’ es un realidad para el aprendizaje automático, ¡o proyectos de ciencia de datos!»). Pero aprendimos mucho, y la lección más importante fue que el aprendizaje automático solo tiene éxito si hace las preguntas correctas sobre los datos correctos con la herramienta adecuada. Esas herramientas han evolucionado. clase de herramientas de aprendizaje automático «sin código» y «código bajo» están haciendo que una variedad de tareas de ML sean cada vez más accesibles al aprovechar el poder del análisis de aprendizaje automático, que alguna vez fue el único linaje de científicos y programadores de datos, y ponerlos a disposición para analistas de negocios y otros usuarios finales que no son de programación. Si bien el trabajo en DALL-E es increíble y ha tenido un impacto significativo en la creación de memes, Deepf tomas y otras imágenes que alguna vez fueron dominio de artistas humanos (con mensajes como «[insert celebrity name] al estilo de El grito de Edvard Munch»), los análisis de aprendizaje automático fáciles de usar que abarcan los tipos de datos que las empresas y las personas crean y con los que trabajan todos los días pueden ser igual de disruptivos (en el sentido más neutral de esa palabra). Los proveedores de ML elogian sus productos como un «botón simple» para encontrar relaciones en los datos que pueden no ser obvios, descubrir la correlación entre los puntos de datos y los resultados generales, y señalar a las personas las soluciones que los análisis comerciales tradicionales les llevarían a las personas días, meses, o queríamos que se nos ocurriera realizar una prueba similar a la de John Henry: para ver si algunas de estas herramientas sin código podían superar un enfoque basado en código, o al menos producir resultados que fueran lo suficientemente precisos para tomar decisiones a un costo menor que las horas facturables de un científico de datos. Pero antes de que pudiéramos hacer eso, necesitábamos los ricos datos actuales y la pregunta correcta.