Entendiendo la inteligencia artificial

La inteligencia artificial, o IA, está en todas partes en el mundo. La mayoría de nosotros estamos familiarizados con la IA en dispositivos domésticos o computadoras, como Alexa y Siri. Y, por supuesto, a medida que nos unimos a las redes sociales, constantemente se nos da contenido que está curado para nosotros: se nos muestran productos en los que hemos hecho clic o visto en el pasado. En estas aplicaciones, la IA es una forma para que las máquinas aprendan por sí mismas y generen respuestas para proporcionarnos los datos o servicios que queremos. 

Algunos de los principales casos de uso de la IA se encuentran en el ámbito del marketing. Si compro un determinado producto en Amazon, Amazon se aprende mi historial de compras y puede sugerir productos en el futuro. Por ejemplo, podrías ver que otros clientes compraron un producto porque compraste productos similares. Estos “motores de recomendación” son realmente uno de los principales casos de uso de la IA. 

Sin embargo, uno de los cambios que vemos aquí, es que la IA se está trasladando a entornos remotos y hostiles, incluso algunas aplicaciones que requieren una privacidad extrema de los datos. Los ejemplos incluyen la exploración de petróleo y gas, minería y extracción de recursos naturales, agricultura, producción de alimentos, el acceso al agua y control de aguas residuales.

La IA se basa en lo que llamamos redes neuronales. Cuando alimentamos datos a una red neuronal, llamamos a esto aprendizaje automático o entrenamiento. Cuantos más datos se utilicen para el entrenamiento, más inteligente puede ser la red. 

Una vez que entrenamos un modelo, lo implementamos en caso de uso reales. Esto es lo que llamamos inferencia: tengo un modelo entrenado, le traigo nuevos datos e infiere o espera, cierto resultado basado en los datos utilizados para entrenarlo. Y ese ciclo es repetitivo: a medida que el motor de IA infiere de nuevos datos, está mejorando su conjunto de datos. Entonces, cuanto más usamos funciones como esta, mejor: cuantas más cosas le pregunte a Alexa o use un motor de búsqueda, más inteligente se vuelve. 

Obtenemos modelos más precisos, pero también hay desafíos que vienen a lo largo de esto. Por ejemplo, ¿cómo voy a almacenar esta enorme cantidad de datos? ¿Cómo voy a transferir estos datos de los Centros de datos perimetrales a los Centros de datos tradicionales en la nube? Si nos remontamos a unos 10 o 15 años atrás, muchos de los datos que se generaban en el mundo eran datos generados por humanos a partir de las entradas de nuestros teclados o grabaciones, películas, cosas así. Ahora estamos entrando en esta era de datos generados por máquinas. Hay solo una explosión absoluta de datos y que ciertamente influye en cómo estamos construyendo arquitecturas de sistemas y manejando esto ahora. 

La IA realmente ha despegado en los últimos diez años debido a la evolución del hardware informático que la admite específicamente. Nvidia y otras compañías producen chips que admiten específicamente aplicaciones de IA, como unidades de procesamiento de gráficos (GPU) o diferentes circuitos integrados específicos de la aplicación (ASIC). 

Además del impulso para desarrollar mejores GPU y ASIC para IA, una de las cosas clave es la migración de cómputo, almacenamiento y los llamados aceleradores de IA hacia la fuente de los datos. Por lo general, tenemos estos grandes Centros de datos, fijamos esa red y los datos entran y salen de los Centros de datos y permanecen en ellos. Ahora, estamos empezando a ver que esos recursos informáticos y de almacenamiento se acercan más al límite donde la gente y las máquinas están generando los datos. Esta es realmente la convergencia de lo que llamamos computación perimetral con puntos finales o dispositivos de Internet de las cosas (IoT). 

Hay dos desafíos clave en la implementación de la tecnología de IA: potencia y escalabilidad. La potencia es un recurso finito. Cuando observamos el tamaño de un Centro de datos en la nube, hay tanta energía que puede entrar en ese edificio y consumirse. Así que en este momento estos Centros de datos no son tan sostenibles como nos gustaría que fueran. Hay una tendencia hacia los Centros de datos sostenibles y el uso de energía renovable en estos, pero nos fijamos en los aceleradores de IA, ya sean GPU o ASIC, tienden a ser muy hambrientos de energía. Esto significa que, en el lado del chip, los diseñadores deben asegurarse de que estas GPU y ASIC sean energéticamente eficientes. 

Del otro lado se encuentra la escalabilidad. Necesitamos sitios finales, Centros de datos perimetrales y en la nube: ¿cómo escalamos todos estos sistemas? Las llamadas empresas de hiperescala como Microsoft, Amazon, Facebook y Google lo están haciendo, pero ¿qué pasa con el resto de la infraestructura en el mundo? Simplemente ampliar estos Centros de datos y sistemas es un desafío extremo.

Hemos cubierto el uso de la IA en asistentes personales y comercio electrónico, pero ¿dónde tendrá la IA un gran impacto en el futuro? Realmente, todos los campos se verán afectados por la IA, desde la fabricación hasta el transporte y los productos farmacéuticos.

En el ámbito automotriz y con los automóviles sin conductor en el horizonte cercano, vemos que la tecnología de IA del Centro de datos se traslada a los automóviles. Cuando miramos lo que hay en un automóvil hoy en día, hay una variedad de sensores y cámaras. Cuando piensas en la cantidad de datos que recopila un automóvil sin conductor, es enorme. Recientemente, Nvidia emitió algunas cifras que hablan de 400 petabytes de datos sin procesar con 100 vehículos al año. Cuando observamos la seguridad y cómo probamos estos vehículos autónomos, queremos ponerlos en todos los escenarios de conducción posibles: acelerar en una esquina ciega, encontrarse con un peatón, etc., para ver cómo reacciona el vehículo. Cuantas más situaciones programes en el sistema de IA, mejor podremos entrenar y ajustar estos modelos para que sean soluciones seguras y confiables para el transporte, pero las necesidades de manejo de datos son enormes. 

Otra aplicación es finanzas: consultar una aplicación basada en IA sobre dónde debemos poner nuestro dinero para la jubilación y cómo se deben reajustar las asignaciones. El sector fintech está absolutamente en auge y tratando de tomar estas decisiones en tiempo real. 

En la industria farmacéutica, el desarrollo de nuevos medicamentos tiene que ver con la iteración: intentas algo y luego lo pruebas y lo intentas de nuevo, a veces docenas o cientos de veces. La IA ayuda a los desarrolladores a aprender de experimentos anteriores y aplicar ese conocimiento a otros nuevos, lo que en última instancia acelera el tiempo de desarrollo.

Los procesadores de IA se vuelven más sofisticados todo el tiempo y las técnicas de IA se refinan continuamente. Puede pasar un tiempo antes de que tengamos sirvientes domésticos como Rosie en los Supersónicos, pero no hay duda de que vamos a encontrar IA en muchos aspectos adicionales de la vida futura.