ºÚÁÏÃÅ

Tendencias a seguir: Las tres principales

Ìý

Adoptar

Entrega continua para el aprendizaje automático (CD4ML)

Ìý

CD4ML es un enfoque de ingeniería de software en el que equipos multifuncionales producen aplicaciones de ML basadas en código, datos y modelos en pequeños incrementos que pueden reproducirse y liberarse en cualquier momento, con ciclos de adaptación cortos. CD4ML permite a las empresas crear las capacidades y los procesos necesarios para gobernar, liberar y actualizar los modelos de ML de forma fiable y segura, sin dejar de ser capaces de responder a los cambios y las evoluciones del panorama de ML.

Ìý

Analizar

ÌýIA explicable (XAI)

Ìý

La IA explicable (XAI) se refiere a un conjunto de herramientas y enfoques para entender el razonamiento utilizado por un modelo de ML para llegar a una conclusión. Estas herramientas se aplican generalmente a modelos que, de otro modo, son opacos en su razonamiento. La IA explicable es cada vez más importante a medida que los modelos de ML se aplican en áreas que afectan directamente a la salud, los derechos y el bienestar económico de las personas, como la asistencia sanitaria, la justicia penal y la toma de decisiones crediticias. Es probable que la XAI desempeñe un papel aún mayor a medida que se comprendan mejor las implicaciones de la IA para la privacidad y las normativas como el Reglamento General de Protección de Datos (RGPD) de la UE.



Anticipar

Interfaces cerebro-ordenador (BCI)

Ìý

Las interfaces BCI permiten a los usuarios interactuar con los ordenadores únicamente mediante la actividad cerebral, generalmente medida por electroencefalografía (EEG). Los avances en el uso del aprendizaje automático para interpretar las señales eléctricas del cerebro han creado nuevos casos de uso en los que esto podría aplicarse para ayudar , y han reducido enormemente los costes de la tecnología en este ámbito.

Consejos para los adoptantes

Ìý

• Desarrolla la confianza en tus datos. Los modelos de IA que apoyan a sus equipos se crearán sobre la base de los datos que se pongan a su disposición. Esto significa que los datos deben ser lo suficientemente transparentes, precisos y fiables como para que tanto tú como tu personal puedan confiar en que las decisiones que se tomen a partir de ellos serán sólidas y estarán bien informadas.Ìý

Ìý

• Comprende y comunica en qué casos las decisiones tomadas por las máquinas están sujetas a sesgos y problemas éticos. Crea un marco que permita conocer las decisiones delicadas que se tomarán, describe cómo esperas que afecten a las partes interesadas y establece cómo detectarás las posibles consecuencias no deseadas. Asegúrate de que estas decisiones pueden explicarse suficientemente y rastrearse hasta la "fuente". Ìý

• Crea mediciones cuantitativas de referencia de tus procesos actuales. Crea mediciones cuantitativas de referencia de tus procesos actuales utilizando técnicas como el análisis del flujo de valor para identificar áreas con importantes oportunidades de automatización, donde la IA y el ML pueden producir las mayores ganancias potenciales. Consulta y actualiza estas mediciones con regularidad para medir la eficacia de las implantaciones de IA/ML y garantizar que la automatización siga siendo un objetivo y no la solución por defecto para todos los problemas.

Ìý

• Empatiza con el personal que teme que "los robots nos quiten el trabajo". Empatiza con los empleados que temen que "los robots nos quiten el trabajo" y apóyalos mientras aprenden a trabajar con algoritmos, dejando claro que el objetivo final es liberarlos para que realicen un trabajo más gratificante. Desarrolla planes claros de transición y progresión profesional para que tus empleados se incorporen a las funciones que permite la automatización de las tareas repetitivas.Ìý

Ìý

• Considera sí la colaboración hombre-máquina puede ayudarte a mejorar el valor del cliente. Considera si la colaboración hombre-máquina puede ayudarte a mejorar el valor para el cliente, en lugar de ver la automatización únicamente como una forma de sustituir personal y reducir costes. El personal actual tiene una gran cantidad de conocimientos sobre su negocio y sus clientes, y estos conocimientos deberían aplicarse para mejorar de forma efectiva la experiencia del cliente, ya que las personas pasan menos tiempo en funciones mundanas. Cualquier solución de IA o ML debe juzgarse no por las eficiencias que crea internamente, sino por el valor adicional para el cliente que permite ofrecer a los equipos.