Lo nuevo en Inteligencia Artificial según el Ciclo de Hype de Gartner 2023

Las innovaciones en y alrededor de la IA generativa dominan y tienen un impacto transformador.

El Ciclo de Hype 2023 de Gartner™ para la Inteligencia Artificial (IA) identifica innovaciones y técnicas que ofrecen beneficios significativos e incluso transformadores, al mismo tiempo que abordan las limitaciones y riesgos de sistemas falibles. Las estrategias de IA deben considerar cuáles ofrecen los casos de inversión más creíbles.

"El Ciclo de Hype de la IA tiene muchas innovaciones que merecen atención particular dentro del período de dos a cinco años para la adopción generalizada, que incluyen la IA generativa y la inteligencia de decisiones", afirma Afraz Jaffri, Director Analista de Gartner. "La adopción temprana de estas innovaciones conducirá a una ventaja competitiva significativa y facilitará los problemas asociados con la utilización de modelos de IA en procesos comerciales".

Descargar ahora: Un libro de trabajo para planificar su estrategia de IA

Dos tipos de innovaciones GenAI dominan

La IA generativa está dominando las discusiones sobre IA, aumentando la productividad de desarrolladores y trabajadores del conocimiento de maneras muy reales, utilizando sistemas como ChatGPT. Esto ha llevado a las organizaciones e industrias a repensar sus procesos comerciales y el valor de los recursos humanos, impulsando a GenAI hacia el Pico de Expectativas Infladas en el Ciclo de Hype.

Gartner ahora ve dos aspectos en el movimiento de la IA generativa en el camino hacia sistemas de IA más poderosos:

• Innovaciones que serán impulsadas por GenAI.
• Innovaciones que impulsarán avances en GenAI.

Ciclo de Hype para la Inteligencia Artificial, 2023

Más información: Guía para Ejecutivos sobre la IA Generativa

Innovaciones que serán impulsadas por la IA generativa

La IA generativa impacta en los negocios en relación con el descubrimiento de contenido, la creación, la autenticidad y las regulaciones. También tiene la capacidad de automatizar el trabajo humano, así como las experiencias de clientes y empleados.

Las tecnologías críticas que entran en esta categoría incluyen las siguientes:

• La inteligencia artificial general (IAG) es la inteligencia (actualmente hipotética) de una máquina que puede realizar cualquier tarea intelectual que un humano pueda realizar.

• La ingeniería de IA es fundamental para la entrega empresarial de soluciones de IA a gran escala. Esta disciplina crea sistemas de IA coherentes para el desarrollo empresarial, la entrega y la operación.

• Los sistemas autónomos son sistemas físicos o de software autoadministrados que realizan tareas limitadas por dominio y exhiben tres características fundamentales: autonomía, aprendizaje y agencia.

• Los servicios de IA en la nube proporcionan herramientas para la construcción de modelos de IA, APIs para servicios preconstruidos y middleware asociado que permite la construcción, capacitación, implementación y consumo de modelos de aprendizaje automático (ML) que se ejecutan en infraestructuras preconstruidas como servicios en la nube.

• La IA compuesta se refiere a la aplicación (o fusión) combinada de diferentes técnicas de IA para mejorar la eficiencia del aprendizaje y ampliar el nivel de representaciones de conocimiento. Resuelve una amplia gama de problemas comerciales de manera más efectiva.

• La visión por computadora es un conjunto de tecnologías que implica la captura, el procesamiento y el análisis de imágenes y videos del mundo real para extraer información significativa y contextual del mundo físico.

• La IA centrada en datos es un enfoque que se centra en mejorar y enriquecer los datos de entrenamiento para obtener mejores resultados de IA. La IA centrada en datos también aborda la calidad de los datos, la privacidad y la escalabilidad.

• La IA en el borde se refiere al uso de técnicas de IA incorporadas en productos no relacionados con la tecnología de la información, puntos finales de IoT, puertas de enlace y servidores en el borde. Comprende casos de uso para aplicaciones de consumo, comerciales e industriales, como vehículos autónomos, capacidades mejoradas de diagnóstico médico y análisis de video en tiempo real.

• Las aplicaciones inteligentes utilizan la adaptación aprendida para responder de manera autónoma a personas y máquinas.

• La operacionalización de modelos (ModelOps) se enfoca principalmente en la gobernanza de extremo a extremo y la gestión del ciclo de vida de análisis avanzados, IA y modelos de decisión.

• Los sistemas de IA operativos (OAISys) permiten la orquestación, automatización y escalabilidad de IA de nivel empresarial y listos para la producción, que incluyen ML, redes neuronales profundas y IA generativa.

• La ingeniería de prompts es la disciplina de proporcionar entradas, en forma de texto o imágenes, a modelos de IA generativa para especificar y limitar el conjunto de respuestas que el modelo puede producir.

• Los robots inteligentes son máquinas con alimentación de IA, a menudo móviles, diseñadas para ejecutar de manera autónoma una o más tareas físicas.

• Los datos sintéticos son una clase de datos generados artificialmente en lugar de obtenerse de observaciones directas del mundo real.

Escuchar ahora: El Ciclo de Hype de la IA 2023: Nuevas Tecnologías en el Desencadenante de Innovación

Innovaciones que impulsarán el avance de la IA generativa

"La exploración de la IA generativa se está acelerando, gracias a la popularidad de la difusión estable, midjourney, ChatGPT y modelos de lenguaje grandes. Las organizaciones de usuarios finales en la mayoría de las industrias experimentan agresivamente con la IA generativa", dice Svetlana Sicular, VP Analista de Gartner.

"Los proveedores de tecnología forman grupos de IA generativa para priorizar la entrega de aplicaciones y herramientas habilitadas para la IA generativa. Numerosas startups han surgido en 2023 para innovar con la IA generativa, y esperamos que esto crezca. Algunos gobiernos están evaluando los impactos de la IA generativa y se están preparando para introducir regulaciones".

Las tecnologías críticas que entran en esta categoría incluyen las siguientes:

• La simulación de IA es la aplicación combinada de tecnologías de IA y simulación para desarrollar conjuntamente agentes de IA y los entornos simulados en los que pueden ser entrenados, probados y a veces desplegados.

• La gestión de la confianza, el riesgo y la seguridad de la IA (AI TRiSM) garantiza la gobernanza de modelos de IA, confiabilidad, equidad, fiabilidad, robustez, eficacia y protección de datos.

• La IA causal identifica y utiliza relaciones de causa y efecto para ir más allá de los modelos predictivos basados en correlación y hacia sistemas de IA que pueden prescribir acciones de manera más efectiva y actuar de manera más autónoma.

• La etiquetación y anotación de datos (DL&A) es un proceso en el que los activos de datos se clasifican, segmentan, anotan y aumentan para enriquecer los datos para un mejor análisis y proyectos de IA.

• La IA de primeros principios (FPAI) (también conocida como IA informada por la física) incorpora principios físicos y analógicos, leyes gubernamentales y conocimiento de dominio en modelos de IA. La FPAI extiende la ingeniería de IA a la ingeniería de sistemas complejos y sistemas basados en modelos.

• Los modelos base son modelos de gran cantidad de parámetros entrenados en una amplia variedad de conjuntos de datos de manera auto-supervisada.

• Los grafos de conocimiento son representaciones legibles por máquina de los mundos físicos y digitales. Incluyen entidades (personas, empresas, activos digitales) y sus relaciones, que se adhieren a un modelo de datos de gráficos.

• Los sistemas multiagentes (MAS) son un tipo de sistema de IA compuesto por múltiples agentes independientes (pero interactivos), cada uno capaz de percibir su entorno y tomar acciones. Los agentes pueden ser modelos de IA, programas de software, robots y otras entidades computacionales.

• La IA neurosimbólica es una forma de IA compuesta que combina métodos de aprendizaje automático y sistemas simbólicos para crear modelos de IA más robustos y confiables. Proporciona una infraestructura de razonamiento para resolver una gama más amplia de problemas comerciales de manera más efectiva.

• La IA responsable es un término general para los aspectos de tomar decisiones comerciales y éticas apropiadas al adoptar la IA. Incluye responsabilidades y prácticas organizativas que aseguran el desarrollo y la operación de la IA de manera positiva, responsable y ética.

Afraz Jaffri es Director Analista de Gartner y se enfoca en Analítica, Ciencia de Datos e IA. Asesora a líderes de Datos y Analítica sobre cómo aprovechar al máximo sus inversiones en ciencia de datos moderna, aprendizaje automático y plataformas de analítica.

Svetlana Sicular es VP Analista de Gartner y se enfoca en la intersección de datos e IA. Está convencida de que un ser humano más IA es más inteligente que cualquiera de ellos por separado. La Sra. Sicular se preocupa realmente por ayudar a las organizaciones a lograr la transformación digital mediante el uso de la IA para implementar ideas de negocios innovadoras.

Fuente y créditos: What’s New in Artificial Intelligence From the 2023 Gartner Hype Cycle™

Contenido traducido al español con fines informativos, cualquier cambio en la publicación original no será reflejada en esta entrada, favor referirse a la fuente para obtener el acceso a cualquier actualización del contenido. Para la traducción se utilizó ChatGPT, al ser una traducción automática puede contener errores gramaticales o de otro tipo, favor enviar comentarios al moderador para corregir.

Toda la información aquí presentada tiene como finalidad dar acceso al contenido emitido por el autor a usuarios que no son angloparlantes.