https://www.wsj.com/articles/wesurvived-spreadsheets-and-well-survive-ai-1501688765?mod=e2fb
La historia demuestra que la tecnología alimenta nuevos tipos de trabajos además de los que hace obsoletos
Un robot inspeccionó un sistema de energía en Chuzhou, China, el mes pasado. FOTOGRAFÍA: SONG WEIXING / SIPA ASIA / ZUMA PRENSA
Por Greg Ip
Actualizado Miércoles 2 de Agosto de 2017 11:47 AM EDT
Ya sean conductores de camiones o ejecutivos de marketing, todos los trabajadores consideran que la inteligencia es intrínseca a cómo hacen su trabajo. No es de extrañar que el surgimiento de la "inteligencia artificial" sea excepcionalmente aterrador. De Stephen Hawking a Elon Musk, nos dicen casi diariamente que nuestros trabajos pronto serán hechos más barata por AI.
Sin embargo, AI es una etiqueta demasiado amorfa para transmitir realmente algo útil sobre lo que, precisamente, se supone que debe desplazar. En su lugar, pensar en ello como una tecnología que hace una cosa particularmente bien: las predicciones. Por ejemplo, ¿será que esa marca en la radiografía demostrará ser un tumor? ¿Es el objeto en la carretera una bolsa de papel o un niño? ¿Qué título hará que la mayoría de los lectores hagan clic en un artículo?
El tratamiento de la predicción como un insumo en un proceso económico facilita mucho el mapeo del impacto de AI. La historia y la economía muestran que cuando una entrada como la energía, la comunicación o el cálculo se hace más barata, encontramos muchos más usos para ella. Algunos trabajos se vuelven superfluos, pero otros más valiosos, y otros nuevos surgen en la existencia. ¿Por qué AI debe ser diferente?
En la década de 1860, el economista británico William Stanley Jevons notó que cuando las máquinas de vapor más eficientes reducían el carbón necesario para generar energía, la energía de vapor se hizo más generalizada y el consumo de carbón aumentó.
Más recientemente, un estudio llevado a cabo por el Instituto de Tecnología de Massachusetts encontró que a medida que los fabricantes de semiconductores sacaban más potencia de cálculo de cada unidad de silicio, la demanda de energía de computación aumentaba y el consumo de silicio aumentaba.
La "paradoja Jevons" es verdadera de los insumos basados en la información, no sólo los materiales como el carbón y el silicio. Hasta la década de los ochenta, manipular grandes cantidades de datos -por ejemplo, calcular cómo las tasas de interés más altas cambiaban los beneficios futuros de una empresa- era mucho tiempo y propenso a errores. Luego llegaron los ordenadores personales y los programas de hoja de cálculo VisiCalc en 1979, Lotus 1-2-3 en 1983 y Microsoft Excel unos años más tarde. De repente, podría cambiar un número-digamos, el alquiler de este año- y volver a calcular instantáneamente los costos, los ingresos y los beneficios en el futuro. Esta contabilidad de rutina simplificada al hacer muchas tareas posibles, como el modelado de escenarios alternativos.
"Podrías jugar el juego de lo que pasa. Sabes, ¿qué pasaría si lo hiciera en lugar de eso? ", Contó el contable Allen Sneider, el primer comprador registrado de VisiCalc, al Planet Money de NPR en 2015 para una retrospectiva en hojas de cálculo.
La nueva tecnología golpeó la demanda de tenedores de libros: sus filas se han reducido un 44% de dos millones en 1985, según la Oficina de Estadísticas Laborales. Sin embargo, las personas que podrían ejecutar números en el nuevo software se convirtieron en mercancías calientes. Desde 1985, las filas de contadores y auditores han crecido un 41%, a 1,8 millones, mientras que los gerentes financieros y analistas de gestión, que el BLS ni siquiera rastreó antes de 1983, casi se han cuadruplicado a 2,1 millones.
Del mismo modo que las hojas de cálculo reducen los costos y exigen cálculos, el aprendizaje automático -la aplicación de la AI a grandes conjuntos de datos- hará lo mismo con las predicciones, argumentan Ajay Agrawal, Joshua Gans y Avi Goldfarb, que imparten la Rotman School de la Universidad de Toronto De Gestión. "La predicción sobre estados inciertos del mundo es un insumo para la toma de decisiones", escribieron en un artículo reciente.
A diferencia de las hojas de cálculo, el aprendizaje automático no proporciona respuestas exactas. Pero reduce la incertidumbre en torno a los diferentes riesgos. Por ejemplo, la IA hace que las mamografías sean más precisas, señalan los autores, para que los médicos puedan juzgar mejor cuándo realizar biopsias invasivas. Eso hace que el juicio del médico sea más valioso.
Jim Manzi, un empresario de Washington, DC, cuyas compañías desarrollan aplicaciones basadas en la IA para empresas, dice que a lo largo de las décadas la etiqueta de AI ha sido abofeteada en cualquier frontera de la computación en ese momento. Eso tiende a exagerar su carácter revolucionario. Hoy no es diferente. Si tomó estadísticas en la universidad, aprendió a utilizar los insumos para predecir una producción, como predecir la mortalidad basada en la masa corporal, el colesterol y el tabaquismo. Agregó o eliminó entradas para mejorar el "ajuste" del modelo.
Aprendizaje automático es una estadística sobre esteroides: utiliza poderosos algoritmos y computadoras para analizar más entradas, como millones de píxeles en una imagen digital, y no sólo números, sino imágenes y sonidos. Se convierte combinaciones de variables en más variables, hasta que maximiza su éxito en preguntas como "es este un cuadro de un perro" o en tareas como "persuadir al espectador a hacer clic en este enlace".
AI ya ha hecho algunas habilidades obsoletas. Google Translate es más rápido, más barato y, a menudo, tan bueno como un intérprete humano. Algunos programas de IA pueden superar a los radiólogos humanos en la identificación de tumores malignos.
Sin embargo, como AI es más barato, por lo que sus posibles aplicaciones crecerá. Al igual que el pronóstico del tiempo mejor nos hace más dispuestos a salir sin un paraguas, el Sr. Manzi dice, AI anima a las empresas a probar más productos, estrategias y presentimientos: "Las teorías se vuelven ligeras y desechables." Necesitan personas que saben cómo usarlo , Y cómo actuar sobre los resultados.
El señor Manzi debería saberlo. Él co-fundó una empresa, Applied Predictive Technologies, para probar las estrategias de las empresas utilizando AI, y lo vendió a Mastercard Inc. Por 600 millones de dólares en 2015. Todavía está contratando.
Escriba a Greg Ip en greg.ip@wsj.com
No hay comentarios:
Publicar un comentario