La investigación en el campo del aprendizaje automático y la IA, ahora una tecnología clave en prácticamente todas las industrias y empresas, es demasiado voluminosa para que alguien la lea en su totalidad. Esta columna tiene como objetivo recopilar algunos de los descubrimientos y documentos recientes más relevantes, particularmente en inteligencia artificial, entre otros, y explicar por qué son importantes.
Esta semana, en AI, los científicos realizaron un experimento fascinante para predecir cómo las plataformas “impulsadas por el mercado”, como los negocios de entrega de alimentos y transporte privado, afectan la economía general cuando están optimizadas para diferentes objetivos, como maximizar los ingresos. En otra parte, demostrando la versatilidad de la IA, un equipo proveniente de ETH Zurich desarrolló un sistema que puede leer la altura de los árboles a partir de imágenes satelitales, mientras que un grupo separado de investigadores probó un sistema para predecir el éxito de una startup a partir de datos web públicos.
El trabajo de la plataforma impulsada por el mercado se basa en AI Economist de Salesforce, un entorno de investigación de código abierto para comprender cómo la IA podría mejorar la política económica. De hecho, algunos de los investigadores detrás de AI Economist participaron en el nuevo trabajo, que se detalló en un estudio publicado originalmente en marzo.
Como explicaron los coautores a TechCrunch por correo electrónico, el objetivo era investigar mercados de dos caras como Amazon, DoorDash, Uber y TaskRabbit que disfrutan de un mayor poder de mercado debido al aumento de la demanda y la oferta. Utilizando el aprendizaje por refuerzo, un tipo de sistema de IA que aprende a resolver un problema de varios niveles por ensayo y error, los investigadores entrenaron un sistema para comprender el impacto de las interacciones entre las plataformas (p. ej., Lyft) y los consumidores (p. ej., los pasajeros).
“Usamos el aprendizaje por refuerzo para razonar sobre cómo funcionaría una plataforma bajo diferentes objetivos de diseño… [Our] El simulador permite evaluar las políticas de aprendizaje por refuerzo en diversos entornos bajo diferentes objetivos y suposiciones del modelo”, dijeron los coautores a TechCrunch por correo electrónico. “Exploramos un total de 15 entornos de mercado diferentes, es decir, una combinación de estructura de mercado, conocimiento del comprador sobre los vendedores, [economic] intensidad de choque y objetivo de diseño”.
Usando su sistema de inteligencia artificial, los investigadores llegaron a la conclusión de que una plataforma diseñada para maximizar los ingresos tiende a aumentar las tarifas y extraer más ganancias de los compradores y vendedores durante las crisis económicas a expensas del bienestar social. Cuando las tarifas de la plataforma son fijas (por ejemplo, debido a la regulación), encontraron que el incentivo de maximización de ingresos de una plataforma generalmente se alinea con las consideraciones de bienestar de la economía en general.
Es posible que los hallazgos no sean trascendentales, pero los coautores creen que el sistema, que planean abrir, podría proporcionar una base para que una empresa o un formulador de políticas analicen una economía de plataforma bajo diferentes condiciones, diseños y consideraciones regulatorias. “Adoptamos el aprendizaje por refuerzo como metodología para describir las operaciones estratégicas de los negocios de plataformas que optimizan su precio y ajuste en respuesta a los cambios en el entorno, ya sea el impacto económico o alguna regulación”, agregaron. “Esto puede brindar nuevos conocimientos sobre las economías de plataforma que van más allá de este trabajo o aquellas que se pueden generar analíticamente”.
Volviendo nuestra atención de las empresas de plataforma al capital de riesgo que las alimenta, los investigadores de Skopai, una startup que utiliza IA para caracterizar a las empresas según criterios como tecnología, mercado y finanzas, afirman poder predecir la capacidad de una startup para atraer inversiones utilizando datos disponibles públicamente. Basándose en datos de sitios web de inicio, redes sociales y registros de empresas, los coautores dicen que pueden obtener resultados de predicción “comparables a los que también utilizan datos estructurados disponibles en bases de datos privadas”.
Aplicar IA a la debida diligencia no es nada nuevo. Correlation Ventures, EQT Ventures y Signalfire se encuentran entre las empresas que actualmente utilizan algoritmos para informar sus inversiones. Gartner predice que el 75 % de los capitalistas de riesgo utilizará IA para tomar decisiones de inversión para 2025, frente a menos del 5 % actual. Pero mientras algunos ven el valor de la tecnología, los peligros acechan bajo la superficie. En 2020, Harvard Business Review (HBR) descubrió que un algoritmo de inversión superó a los inversores novatos pero exhibió sesgos, por ejemplo, seleccionando con frecuencia empresarios blancos y hombres. HBR señaló que esto refleja el mundo real, destacando la tendencia de AI a amplificar los prejuicios existentes.
En noticias más alentadoras, los científicos del MIT, junto con los investigadores de Cornell y Microsoft, afirman haber desarrollado un algoritmo de visión por computadora, STEGO, que puede identificar imágenes hasta el píxel individual. Si bien esto puede no parecer significativo, es una gran mejora con respecto al método convencional de “enseñar” un algoritmo para detectar y clasificar objetos en imágenes y videos.
Tradicionalmente, los algoritmos de visión por computadora aprenden a reconocer objetos (p. ej., árboles, automóviles, tumores, etc.) mostrándoles muchos ejemplos de los objetos que han sido etiquetados por humanos. STEGO elimina este flujo de trabajo que requiere mucho tiempo y mano de obra al aplicar una etiqueta de clase a cada píxel de la imagen. El sistema no es perfecto, a veces confunde la sémola con la pasta, por ejemplo, pero STEGO puede segmentar con éxito cosas como carreteras, personas y letreros de calles, dicen los investigadores.
Sobre el tema del reconocimiento de objetos, parece que nos acercamos al día en que el trabajo académico como DALL-E 2, el sistema de generación de imágenes de OpenAI, se convierta en producto. Una nueva investigación de la Universidad de Columbia muestra un sistema llamado Opal que está diseñado para crear imágenes destacadas para noticias a partir de descripciones de texto, guiando a los usuarios a través del proceso con indicaciones visuales.
Cuando lo probaron con un grupo de usuarios, los investigadores dijeron que aquellos que probaron Opal fueron “más eficientes” en la creación de imágenes destacadas para artículos, creando más de dos veces más resultados “utilizables” que los usuarios que no lo probaron. No es difícil imaginar que una herramienta como Opal finalmente llegue a los sistemas de administración de contenido como WordPress, tal vez como un complemento o una extensión.
“Dado el texto de un artículo, Opal guía a los usuarios a través de una búsqueda estructurada de conceptos visuales y proporciona canales que permiten a los usuarios ilustrar según el tono del artículo, los temas y el estilo de ilustración deseado”, escribieron los coautores. “[Opal] genera diversos conjuntos de ilustraciones editoriales, recursos gráficos e ideas conceptuales”.