La IA reduce el costo de las predicciones, remodela los problemas comerciales e influye en la toma de decisiones en medio de la incertidumbre. Hay un libro que lo explora a fondo: Prediction Machines: The Simple Economics of Artificial Intelligences de Ajay Agrawal, Joshua Gans & Avi Goldfarb.
Este libro profundiza sobre el valor de los datos en la economía actual impulsada por la IA y la dinámica cambiante entre el trabajo humano, así como la automatización profundiza en el impacto transformador de la inteligencia artificial en la economía de la toma de decisiones
Las máquinas predictivas, como los algoritmos de IA, se están convirtiendo en herramientas más poderosas y precisas para predecir el comportamiento humano.
- Las máquinas predictivas son cambiando la forma en que las organizaciones toman decisiones, ya que proporcionan datos y análisis más precisos que los métodos humanos.
- Las máquinas predictivas pueden ayudar a las organizaciones a maximizar sus ganancias, mejorar su eficiencia y reducir los riesgos.
La esencia y evolución de la predicción.
Básicamente, la predicción consiste en utilizar lo que sabemos para deducir lo que no sabemos. Es como armar un rompecabezas en el que los datos disponibles ayudan a completar las piezas que faltan. Cada día, las predicciones influyen mucho en nuestras vidas, a menudo de maneras que ni siquiera nos damos cuenta. Considere los siguientes escenarios: un banco que clasifica una transacción con tarjeta de crédito como sospechosa; un radiólogo que detecta una anomalía en una radiografía; o incluso nuestros dispositivos móviles identificando con precisión nuestros rostros. Se trata de predicción.
La verdadera magia surge cuando la precisión de estas predicciones aumenta, aunque sea ligeramente. Realice transacciones con tarjeta de crédito. Una tasa de error de apenas dos por ciento puede parecer insignificante para algunos, pero si la reducimos al 0,1 por ciento, estamos hablando de una drástica caída de veinte veces en las detecciones erróneas de fraude. No se trata sólo de números; se trata de las enormes implicaciones para los consumidores y las empresas en términos de confianza, seguridad e implicaciones financieras.
Los enfoques históricos de la predicción, aunque efectivos hasta cierto punto, a menudo se basaban en modelos de regresión. Estos modelos, en esencia, se basaban en el principio de estimación basada en promedios derivados de datos condicionales. Pero a medida que los datos crecieron en volumen y complejidad, se hizo evidente la necesidad de herramientas predictivas más avanzadas. Ingrese al aprendizaje automático: un cambio de paradigma en el arte de la predicción. Técnicas como el aprendizaje profundo, un subconjunto del aprendizaje automático, ahora han tomado el mando en numerosas tareas predictivas, aprovechando conjuntos de datos masivos y ofreciendo modelos más flexibles y matizados. En lugar de programar reglas rígidas, el aprendizaje automático permite a las computadoras extraer información directamente de ejemplos, adaptándose y evolucionando.
Pero también hay una dimensión filosófica en esta evolución tecnológica. ¿La capacidad de predecir, especialmente con alta precisión, equivale a inteligencia? Si bien los modelos de aprendizaje automático, con su asombrosa precisión predictiva, a menudo se etiquetan como “inteligencia artificial”, la relación entre predicción e inteligencia sigue siendo un tema de debate intelectual.
Sin embargo, independientemente de la postura que uno adopte sobre este debate, el potencial transformador de la predicción avanzada es innegable. Está remodelando industrias, anunciando innovaciones en la ciencia y redefiniendo la vida diaria. Desde determinar la solvencia hasta pronosticar las tendencias del mercado o predecir posibles riesgos para la salud, estamos en la cúspide de una revolución predictiva.
La nueva división del trabajo: humanos y máquinas en tándem
La predicción no es sólo una cuestión de números y algoritmos; es la interacción entre la intuición humana y la precisión de la máquina. El juicio humano, aunque poderoso en muchos ámbitos, a menudo falla cuando se enfrenta a complejidades estadísticas intrincadas. Se pueden obtener pruebas de esto en diversos campos: se ha descubierto que los expertos en medicina o derecho emiten juicios inconsistentes en comparación con las decisiones algorítmicas. Un caso bien documentado de este contraste entre humanos y máquinas es la narrativa de Moneyball , donde los instintos de los cazatalentos de béisbol experimentados con frecuencia eran superados por las evaluaciones de los jugadores basadas en datos.
Es evidente que tanto los humanos como las máquinas tienen fortalezas y limitaciones únicas. Las máquinas no tienen rival cuando se trata de obtener información a partir de conjuntos de datos masivos plagados de intrincadas interacciones variables, un escenario que a menudo abruma la cognición humana. Sin embargo, la balanza se inclina a favor de los humanos cuando los datos están moldeados por relaciones causales y comportamientos estratégicos. Estas dinámicas matizadas, desafiantes para las máquinas, son captadas instintivamente por los humanos. Nuestra capacidad para elaborar analogías reveladoras a partir de datos mínimos contrasta marcadamente con las máquinas, que requieren grandes cantidades de datos de entrenamiento para funcionar de manera óptima.
Entonces, ¿existe un punto óptimo en la predicción que capture lo mejor de ambos mundos? La respuesta está en colaboraciones sinérgicas. Al combinar la intuición humana con la precisión de las máquinas, los resultados a menudo trascienden lo que cualquiera de ellos podría lograr de forma independiente. Este enfoque híbrido tiene respaldo empírico: los diagnósticos que combinan conocimientos humanos y mecánicos con frecuencia eclipsan a los realizados por cualquiera de las entidades de forma aislada.
Un modelo particularmente potente que surge de esta colaboración es el de «predicción por excepción». Aquí, las máquinas toman la iniciativa en casos rutinarios llenos de datos, mientras que los humanos, con su juicio matizado, intervienen en los casos atípicos o escenarios únicos. Un testimonio del mundo real de la eficacia de este modelo es el sistema de redacción de documentos legales de Chisel, en el que los procesos algorítmicos se complementaron perfectamente con la supervisión humana.
A medida que el horizonte de predicción continúa evolucionando, es esencial una recalibración. Las empresas y las industrias en general tienen ante sí un nuevo desafío: remodelar la división del trabajo. Al evaluar y alinear detalladamente las fortalezas comparativas de los humanos y las máquinas para diversas tareas predictivas, no solo estamos optimizando los resultados; Estamos anunciando un futuro en el que los humanos y las máquinas se unen, maximizando el potencial predictivo.
Resumen final de Prediction Machines
La predicción, impulsada por el aprendizaje automático y la inteligencia artificial, es cada vez más influyente en nuestra vida diaria y en nuestras industrias. Desde transacciones con tarjetas de crédito hasta atención médica, la combinación de la intuición humana con la precisión de las máquinas ofrece una precisión incomparable. Sin embargo, mientras que las máquinas sobresalen con vastos conjuntos de datos, los humanos brillan en la comprensión de las relaciones causales y en la elaboración de conocimientos a partir de información mínima. El futuro de la predicción reside en aprovechar lo mejor de ambos mundos, lo que exige que las empresas recalibran y adopten modelos colaborativos entre humanos y máquinas para obtener resultados óptimos.
Lecturas complementarias para Prediction Machines
«Vida 3.0″ de Max Tegmark: Para una visión más filosófica y humanista de la IA y su impacto en la humanidad.
«Four Battlegrounds» de Paul Scharre: Para un análisis detallado del impacto de la IA en la política internacional.
«The Second Machine Age» de Erik Brynjolfsson y Andrew McAfee: Para una comprensión más amplia del impacto de la IA en la economía y la sociedad
Foto de Google DeepMind