El enfoque de la IA está cambiando de 'datos' a 'conocimiento'

¡Por favor comparta esta historia!
La inteligencia artificial produce de forma natural el conocimiento artificial. ¿Ves algo malo en esta propuesta? Una definición de artificial es “hecho por personas para que se parezca mucho a algo natural”, lo que significa que es falso mientras que engañosamente intenta convencerte de que es real. ⁃ Editor TN

La revolución de la inteligencia artificial (IA) se inició hace más de medio siglo. En la última década, la IA ha pasado de ser un campo científico académico a convertirse en una parte práctica de nuestra vida diaria. Las estrategias comerciales de IA más comunes que vemos se basan en datos. Creemos que los datos patentados son actualmente el foso más estratégico para las empresas de inteligencia artificial, pero en los próximos años se convertirán en un activo menos exclusivo, lo que hará que la diferenciación de datos patentados sea menos sostenible. Por lo tanto, esperamos un cambio de enfoque, de las estrategias de IA basadas en datos a las estrategias de IA basadas en el conocimiento.

El avance del big data, facilitado por el despliegue de numerosos sensores, la conectividad a Internet y la mejora del hardware y software en la potencia computacional, las capacidades de comunicación y el almacenamiento digital, ha permitido que la IA escale desde pequeños proyectos de investigación académica hasta grandes aplicaciones de producción empresarial. Básicamente, los macrodatos requerían modelos de IA sofisticados para analizar y derivar conocimientos e información, mientras que los modelos de IA necesitaban la masa crítica de big data para entrenamiento y optimización. Por lo tanto, en la actualidad, los datos a menudo se perciben como un foso estratégico suficiente para las nuevas empresas de inteligencia artificial. Como inversores de capital riesgo, vemos este fenómeno de forma rutinaria. En los últimos años, hemos visto muchas startups que colocan la adquisición de datos en el centro de su estrategia comercial. Un número cada vez mayor de estas empresas enfatiza los conjuntos de datos únicos que han adquirido y su estrategia a largo plazo para adquirir datos patentados adicionales, como una barrera de entrada sostenible. Además, a medida que las herramientas de IA y las plataformas de IA como servicio han mercantilizado el desarrollo de modelos de IA y los datos públicos se han vuelto omnipresentes, la necesidad percibida de construir y defender un foso de datos se ha vuelto palpable.

En el ecosistema tecnológico actual, los mercados han recompensado cada vez más a las empresas con programas de inteligencia artificial líderes y control sobre datos patentados, como una ventaja competitiva sustancial y sostenible. Empresas como Google y Netflix han desarrollado y seleccionado conjuntos de datos masivos y autorizados durante un largo período de tiempo, mientras que muchas otras empresas lucharon en vano para igualar su éxito. Un ejemplo es la disrupción masiva de los proveedores de servicios de medios y las compañías de producción rivales, que fueron superados por Netflix. estrategia de datos sofisticada.

Sin embargo, debido a los avances esperados en la capacidad y la voluntad de intercambiar datos, creemos que dentro de una década, los fosos de datos patentados serán menos sostenibles. Si bien los datos seguirán alimentando el motor de valor de la IA, las estrategias comerciales de la IA se centrarán cada vez más en el conocimiento.

Ascendiendo en la pirámide de valor de la IA, hacia la capa de conocimiento

La pirámide de valor de la IA se basa en datos y está impulsada por el conocimiento. Si bien hoy “nos estamos ahogando en información pero hambrientos de conocimiento”, esperamos avanzar en la pirámide de valor de la IA, hacia la capa de conocimiento. De hecho, hemos comenzado a ver avances que fomentarán y acelerarán esta tendencia mediante la creación de intercambios de datos. Esperamos que el intercambio de datos se vea facilitado por una combinación de una mayor viabilidad y la voluntad de compartir datos comercializados a cambio de conocimientos valiosos. En resumen, los datos serán más abundantes, disponibles, confiables, estandarizados y económicos: la definición perfecta de un producto ideal. Utilizar los datos como una barrera de entrada sostenible será más difícil en el futuro.

La mayor viabilidad de compartir datos se verá acelerada por la proliferación de fuentes de datos a través de Internet de las Cosas (IoT). Además, existen nuevas técnicas, protocolos y estándares para agrupar, compartir e intercambiar datos. De cara al futuro, la mayor capacidad para compartir datos será realmente significativa cuando haya incentivos y una creciente inclinación a hacerlo. A medida que la IA socava e interrumpe el legado barreras competitivas de entrada, muchas organizaciones intentan incansablemente recopilar sus propios datos patentados y monetizarlos. Por desgracia, esta adquisición y utilización de datos no es fácil ni fructífera y, por lo tanto, crea una disonancia estratégica. Esto se debe a que, si bien la IA es cada vez más indispensable para la mayoría de las organizaciones, no forma parte de sus habilidades heredadas o experiencia central. Además, el cescasez crónica y duradera de ingenieros, desarrolladores, líderes de productos y gerentes capacitados en IA agudizan esta disonancia y llevan a una preferencia de solución para el intercambio de datos con el objetivo de intercambiar conocimientos.

Un ejemplo de la combinación de capacidad y voluntad que se crea mediante el intercambio de datos para la generación de conocimiento es la nueva propuesta por la Unión Europea, para crear "un mercado único de datos", con el fin de capacitar a las personas, las empresas y las organizaciones para que tomen mejores decisiones basadas en conocimientos de datos no personales para competir con los gigantes tecnológicos actuales.

Otro factor que contribuye a que los depósitos de datos se vuelvan menos sostenibles es la invención de soluciones de datos novedosas que permiten utilizar conjuntos de datos más pequeños para los modelos de entrenamiento. Las soluciones de datos sintéticos (por ejemplo, con las redes generativas de confrontación) y otras técnicas de minimización, como el aumento de datos, podrían permitir a las empresas crear productos de inteligencia artificial disruptivos, sin grandes cantidades de datos.

Lea la historia completa aquí ...

Sobre el autor

Patrick Wood
Patrick Wood es un experto líder y crítico en Desarrollo Sostenible, Economía Verde, Agenda 21, Agenda 2030 y Tecnocracia histórica. Es autor de Technocracy Rising: The Trojan Horse of Global Transformation (2015) y coautor de Trilaterals Over Washington, Volumes I and II (1978-1980) con el fallecido Antony C. Sutton.
Suscríbete
Notificar de
invitado
1 Comentario
Más antiguo
Más Nuevos Más votados
Comentarios en línea
Ver todos los comentarios