Áreas y aplicaciones de la IA (ii)

Introducción

Después de la publicación anterior, en la que estuvimos conversando sobre diferentes áreas de la inteligencia artificial (realmente nos centramos en Machine Learning, aunque quedó claro que hay otras), hoy, me gustaría, que centráramos nuestra conversación en diferentes aplicaciones de la IA, es decir, en formas de aplicar las técnicas de inteligencia artificial, para conseguir que las máquinas resuelvan problemas concretos, de distintas áreas de conocimiento o de diferente naturaleza cognitiva. Y es que, aunque son conceptos que muchas personas mezclan, porque están relacionados, en realidad, son muy diferentes.

Son muy numerosas las áreas de aplicación de técnicas de IA para resolver problemas. De hecho, existen, por un lado, grandes áreas de trabajo, como las aplicaciones relacionadas con las imágenes (visión artificial) u otras relacionadas con el lenguaje (NLP/NLU). Por otro lado, encontramos áreas con mayor granularidad, como, por ejemplo, aplicaciones comerciales, como los sistemas de recomendación, sistemas orientados a la toma de decisiones, sistemas predictivos, sistemas de detección del fraude y otros muchos casos de aplicación.

No he incluido, como habrás observado, la robótica (en su sentido más amplio, contemplando drones, vehículos autónomos, o brazos de robot articulados), ya que la considero otra disciplina. Me explico: Una aplicación robótica puede incluir, o no, soluciones basadas en IA (detección de obstáculos, por ejemplo) pero, en sí, incorpora otros componentes más allá de la IA.

Estoy convencido de que, con todos estos ejemplos, ya ves clarísima la diferencia entre técnicas y aplicaciones. Sobre todo porque, con las aplicaciones aparece el propósito de las mismas (objetivos específicos), mientras que las técnicas son generales.

Fuente: https://computerworldmexico.com.mx/

Procesamiento del lenguaje natural

Dentro de este área pueden encontrarse diferentes tareas, como por ejemplo resumen automático, traducción, análisis del sentimiento, detección de emociones, o clasificación de documentos entre otras.

Todas las tareas contenidas en el PLN están relacionadas con la lengua (sintaxis, semántica, etc...) y tienen como objetivo la automatización de tareas lingüísticas, empleando, para ello diferentes técnicas de IA, como los embeddings (vectorización de términos) o, últimamente, transformadores (un tipo de redes neuronales muy, pero que muy, interesante.

En este campo se han realizado avances importantísimos en los dos últimos años, con aportaciones a la sociedad tan destacadas como las soluciones GPT-2 o GPT-3 por arte de la compañía Open AI (Elon Musk, si,... el tipo de Tesla).

Fuente: https://itnext.io

Dentro del NLP existen, además, diferentes contextos de aplicación. Debido a que los usos del lenguaje son muy diferentes en su aplicación, encontramos que, actualmente, hay proyectos centrados en la automatización de aspectos legales, clasificación, sumarización y extracción de características en documentos biológicos y médicos,  o realización de tareas en literatura (actual, de siglos pasados,....). Esto se debe a que los términos son muy numerosos, e incluso es posible que la construcción de las oraciones varíe, por lo que, si no se contextualizara:

1. aplicando algunas técnicas, los corpus empleados (diccionarios de expresiones que definen, mediante vectores, el significado y contextos de aplicación de cada palabra)  son tan grandes que, la potencia de los recursos computacionales necesarios para su uso, sería muy elevada
2. en el caso de aplicación de otras técnicas, se requerirían conjuntos de datos demasiado grandes (dificultad no solo en su tratamiento, sino en su creación), y modelos con arquitecturas especialmente complejas. Esto limitaría, de forma drástica, las posibilidades de aplicación de los modelos, por los recursos computacionales que requerirían.

En resumen, aunque se ha avanzado mucho últimamente, se trata de un área de aplicación de la IA que se encuentra estado embrionario, un área en la que todavía hay muchos avances por realizar y que, a lo largo de los próximos 5 años, nos va a sorprender muy gratamente.

Visión Artificial

Sin duda una de las áreas más populares, debido a que ofrece resultados muy llamativos, así como por ese "toque exótico" de su nombre que, al pronunciarlo parece trasladarnos al futuro.

Dentro de este campo, encontramos diferentes tareas de análisis de imágenes (estáticas o animadas), que, bien aplicando sobre las imágenes, operaciones (generalmente filtros) matemáticas (habitualmente matriciales), bien generando modelos de redes neuronales, permiten resolver problemas como 

• Identificar objetos, 
• Hacer seguimiento de los mismos en secuencias, 
• Detectar defectos de fabricación, como por ejemplo, grietas
• Detectar holguras en  articulaciones, 
• Identificar obstáculos en caminos, 
• Reconocer los límites de carreteras,
• Identificar formaciones tumorales,
• etc... 

Fuente: https://cambiodigital-ol.com

En este caso existen librerías, como la famosísima "OpenCV" que facilitan el tratamiento de imágenes mediante filtros matemáticos (lo cual simplifica la aplicación, si bien no exime a nadie de conocer en profundidad las técnicas y las aplicaciones o los efectos que producen los filtros en las imágenes), aunque también se han desarrollado arquitecturas, de RNA, (redes neuronales artificiales) que permiten entrenar modelos, para resolver tareas concretas (redes convolucionales o redes Yolo, entre otras). Podemos ver que, en este caso, también hay diferentes técnicas aplicables para resolver problemas.

Es importante matizar todo esto. Identificando objetos, por ejemplo, no es que la IA sepa que un tornillo es lo que nosotros identificamos como tal, no, simplemente sabe que si en la imagen encuentra una serie de características (puntos de color agrupados de una forma concreta, poco más o menos), eso es un patrón que ha aprendido durante el entrenamiento, pues la representación visual de esos puntos  se corresponde con algo que nosotros etiquetamos como tornillo, y hemos entrenado a esa IA para que diga que ese patrón, que ha identificado en la imagen, es un tornillo. Por eso, quiero que quede claro que, este tipo de inteligencias "débiles" (en este artículo explico la diferencia entre IA fuerte e IA débil), muy inteligentes no son, solo realizan determinadas tareas sin ser conscientes de lo que hacen (que no es poco, teniendo en cuenta que algunas tareas las hacen mejor que los humanos).

Sistemas de recomendación y otras herramientas de ventas

Los sistemas de recomendación los conocemos todos (aunque no seamos conscientes de ellos). Me refiero a cuando Spotify o Netflix nos recomiendan un producto, o cuando al comprar en Amazon vemos en la web un mensaje sugiriendo algo que, casualmente, queremos comprar y no habíamos caído en la cuenta. Algo que también experimentamos cuando LinkedIn o Facebook nos sugieren perfiles de usuario afines a nuestros intereses. Este tipo de herramientas se llaman sistemas de recomendación, y existen diferentes técnicas de IA en las que puede basarse su creación.

Fuente: https://medium.com/@rvillalongar

Otras herramientas orientadas a ventas pueden entrar en campos de aplicación como PLN (para resumir conversaciones con clientes o detectar objeciones, de modo que se pueda analizarse, de forma fiable, la conversación entre un comercial y un cliente). Otro ejemplo puede ser el uso de chatbots avanzados (pueden basarse, por ejemplo, en neuroventas), para atender a clientes (web, wathsapp, telegram...) y ofrecerles productos o soluciones que puedan necesitar, estos agentes determinarán el producto a ofertar a partir de la conversación.

Como es lógico, al basarse el proceso de venta en relaciones conversacionales, las tareas relacionadas con el procesamiento del lenguaje natural tienen muchas aplicaciones directas a la venta.

Existen muchos ejemplos más de aplicaciones de la IA a ventas. Alguno veremos en el punto siguiente.

DSS y sistemas predictivos

Sistemas de soporte a la toma de decisiones. Sistemas, basados en IA que sustentan la toma de decisiones, esto es, que "recomiendan" tomar una decisión u otra. ¿Imaginas una máquina recomendando la adopción de decisiones a un comité de dirección? Pues sí, .... analizando datos, esto es posible. 

Fuente: https://www.microsystem.cl/servicio/modelos-predictivos/

En este caso se analiza una cantidad inmensa de datos, incluso es probable que, parte de la información, haya sido generada por otras inteligencias artificiales, y es habitual el uso de técnicas de aprendizaje por refuerzo, ya que se necesita tener en consideración diferentes alternativas u opciones, que pueden estar condicionadas por estados futuros (consecuencias), a valorar antes de recomendar una u otra opción.

Otros ejemplos serían:

• Recomendar operaciones bursátiles
• Frenadas de emergencia (este es más complejo... requiere de visión artificial combinada con la velocidad del vehículo, el estado de la carretera, el clima...)
• Medicamentos personalizados
• Predicción de ventas y predicción de la demanda: si, son sistemas capaces de "adivinar el futuro", como si fueran un astrólogo digital (aunque, probablemente, más fiables que los humanos, todo hay que decirlo).
• Mantenimiento predictivo de sistemas industriales

Pero..... espera, ¿qué es eso del mantenimiento predictivo?

En las máquinas, como ya sabemos, con el uso, algunas piezas sufren desgaste, algunos engranajes generan holguras, y, con el paso del tiempo, al igual que los vehículos, necesitan mantenimiento y "puesta a punto". Claro, que muchas veces las circunstancias de la producción, hacen que los responsables de mantenimiento, se vean obligados a obviar los plazos recomendados, en ocasiones demasiado conservadores, y "vayan tirando millas", como dice alguno de ellos (esto es, continuar mientras no surjan problemas).

Pero claro, los problemas ocurren, y cuando una pieza se parte, esa detención forzosa de la producción, puede  ser muy costosa, en términos económicos, para la empresa.

Y si, en este tipo de problemas, la inteligencia artificial, también tiene algo que aportar: Hoy, es posible crear sistemas que, captando información exterior (sonido de rodamientos, imágenes de movimientos en articulaciones, e etc...), detecten un riesgo elevado de avería, lo que permite planificar la detención de la fabricación y la reparación o sustitución de la pieza. Esto implica un ahorro económico muy importante.

Predicción de precios de venta por regresión

También pueden analizarse, mediante series temporales, las variables que influyen en los precios de venta de productos, y con ellas, los precios en si. Este análisis me permite detectar/predecir oscilaciones futuras, y así, aprovechar esta información, anticipándome en tomas de decisiones, a la competencia:

• Bajar precios antes, aprovechando que en breve bajarán, lanzo una campaña promocional que, luego, se mantiene, lo que me permite captar clientes que  abandonan a la competencia.
• Aprovisionarse de productos de forma masiva antes de subidas de precios previstas por mi IA.

Si, esta es otra aplicación comercial de la IA, y es que, cuantas más herramientas puedan emplearse para superar a la competencia, mejor.

Sistemas de detección del fraude

La detección automática de fraude, se puede definir del siguiente modo:

"La detección automática de fraude es el proceso de descubrir fraude utilizando máquinas, comúnmente servidores con software diseñado específicamente para esto. Es uno de los medios más utilizados para la detección de fraude en la actualidad. Debido a que los volúmenes de información a ser analizados, por los analistas encargados de detectar posibles estafas, son demasiado grandes, se hace indispensable la asistencia de software capaz de efectuar minería de datos y extracción de conocimiento, para obtener información relevante."

Uy, otra expresión nueva, "minería de datos" (otra técnica de IA). Bueno, es una de esas que se autodefinen. Consiste en profundizar, investigar en los datos para extraer los que realmente interesan para, a continuación, utilizando reglas probabilísticas o de otro tipo, identificar niveles de riesgo (en este caso de fraude).

Fuente: https://www.microsystem.cl/servicio/modelos-predictivos/

Bueno, volvamos al tema del fraude, que por cierto lo hay de muchísimos tipos. Alguno de los más habituales, hoy en día, en los que se aplica detección automática son:

• Fraude de identidad (hacerse pasar por otra persona o usua rio)
• Estafas contra las aseguradoras
• Fraude con tarjetas de crédito

En este caso son de aplicación técnicas estadísticas (especialmente utilizadas "en frío" en los orígenes del problema) y cómo no, técnicas de inteligencia artificial, como Data Minning -especialmente aplicando cadenas y grafos bayesianos- y reconocimiento de patrones mediante aprendizaje automático (se emplean, en ocasiones redes neuronales y, en otras, aprendizaje por refuerzo profundo, habitualmente considerando los Modelos Ocultos de Markov).

Concluyendo...

Como has podido ver, existe una diferencia muy clara entre, las técnicas o áreas de trabajo de inteligencia artificial y las aplicaciones de la misma, que por otro lado, son muchísimas más de las que hemos podido comentar en estos minutos escasos.

La verdad es que, es un tema que me resulta tan interesante que, podría seguir charlando contigo durante horas, la cantidad de aplicaciones posibles es tal que sería una conversación inacabable, y más aún si, a continuación, entramos en la "aceptabilidad" de las aplicaciones por el mercado, ya que, para algunas no está preparada la sociedad.

Fuente: https://www.publico.es/

Pongamos por caso evaluar, en tiempo real, las emociones de los alumnos en el colegio: se podrían detectar muchísimos problemas de aprendizaje, aplicar tutorías personalizadas de enseñanza, ... pero claro ¿permitirían los padres que se grabe a los alumnos de la clase y se analicen sus conductas? uhmmm ... lo dudo, y es que, nos queda mucho por delante, no solo "depurando" las técnicas y haciendo a los motores de IA transparentes (un día hablaremos sobre la XAI...), sino en la evolución como sociedad.

Bueno, el café toca a su fin, espero que hayas disfrutado tanto como yo de este ratito, te deseo lo mejor y que volvamos a encontrarnos pronto.

Un abrazo.