El aprendizaje automático y la inteligencia artificial es un campo que está impulsando importantes innovaciones en diferentes industrias. Se prevé que el mercado de la IA alcanzará los 500 mil millones de dólares en 2023 y los 1.597,1 mil millones de dólares en 2030. Esto significa que las técnicas de aprendizaje automático tendrán una gran demanda continua en un futuro próximo.
Sin embargo, la industria del aprendizaje automático avanza muy rápidamente: las nuevas tecnologías y la investigación científica definen cómo se crean nuevos productos y servicios. A finales de 2022, todos, desde ingenieros de aprendizaje automático hasta fundadores de startups, estarán buscando las tendencias más prometedoras para el próximo año.
01 Tendencias en tecnología de aprendizaje automático
Con nuevas innovaciones que surgen todos los días, nunca podemos predecir con 100% de certeza cuál será la demanda de tecnología el próximo año. Pero según lo que veremos en 2022, estas son las tendencias de aprendizaje automático más prometedoras para 2023.
1.1 Modelos de cimentación
Los modelos de lenguaje grandes son una innovación importante, popular recientemente y que probablemente permanecerá con nosotros durante mucho tiempo. Un modelo fundamental es una herramienta de inteligencia artificial que se puede entrenar con grandes cantidades de datos, incluso en comparación con las redes neuronales normales.
Los ingenieros quieren que las computadoras comprendan no sólo buscando patrones, sino también acumulando conocimientos para alcanzar nuevos niveles de comprensión. Los modelos Keystone son útiles en la generación y resumen de contenidos, codificación y traducción, y atención al cliente. Los casos de modelos fundamentales conocidos incluyen GPT-3 y MidJourney.
Una de las cosas sorprendentes de los modelos angulares es que también pueden escalar rápidamente y trabajar con datos nunca antes vistos y, por lo tanto, tienen un excelente poder generativo. Los principales proveedores de estas soluciones son NVIDIA y Open AI.
1.2 Aprendizaje automático multimodal
En tareas como la visión por computadora o el procesamiento del lenguaje natural que implican que un modelo interactúe con el mundo real, el modelo a menudo solo puede depender de un tipo de datos, ya sea imágenes o texto. Pero en la vida real percibimos el mundo que nos rodea a través de muchos sentidos: el olfato, el oído, la vista y el gusto.
El aprendizaje automático multimodal crea mejores modelos al experimentar hechos sobre el mundo que nos rodea de múltiples maneras (modalidades). "Multimodalidad (MML)" significa construir modelos de ML que puedan percibir eventos en múltiples modalidades a la vez, como los humanos.
Se puede crear un MML combinando diferentes tipos de información y utilizándolos en la capacitación. Por ejemplo, hacer coincidir imágenes con etiquetas de audio y texto para que sean más fáciles de reconocer. Hasta ahora, el aprendizaje automático multimodal es un campo muy nuevo, que aún debe desarrollarse y desarrollarse para 2023, pero muchos creen que podría ser la clave para lograr la inteligencia artificial general.
1.3 Transformadores
Los transformadores son arquitecturas de inteligencia artificial que utilizan codificadores y decodificadores para transformar una secuencia de datos de entrada y transformarla en otra secuencia. Muchos modelos fundamentales también se basan en Transformers. Queremos separarlos porque se utilizan en muchas otras aplicaciones. De hecho, se informa que los Transformers están arrasando en el mundo de la IA.
Los transformadores, también conocidos como modelos Seq2Seq, se utilizan ampliamente en traducción y otras tareas de procesamiento del lenguaje natural. Debido a que los Transformers pueden analizar secuencias de palabras en lugar de palabras individuales, a menudo muestran mejores resultados que las redes neuronales artificiales comunes.
Los modelos de Transformers pueden asignar pesos para evaluar la importancia de cada palabra en una secuencia. Luego, el modelo lo traduce a oraciones en diferentes idiomas, teniendo en cuenta los pesos asignados. Algunas soluciones líderes que pueden ayudarlo a construir Transformers Pipelines son Hugging Face y Amazon Comprehend.
1.4 Aprendizaje automático integrado
El aprendizaje automático integrado (o TinyML) es un subcampo del aprendizaje automático que permite que las técnicas de aprendizaje automático se ejecuten en diferentes dispositivos.
TinyML se puede utilizar en electrodomésticos, teléfonos inteligentes, computadoras portátiles, sistemas domésticos inteligentes y más. Como lo explica Lian Jye Su, analista principal de AI&ML en ABI Research:
La aplicación generalizada y la vida cotidiana de la inteligencia artificial ha impulsado el desarrollo del análisis de Internet de las cosas (IoT). Los datos recopilados de los dispositivos de IoT se utilizan para entrenar modelos de aprendizaje automático (ML), generando nuevas ideas valiosas para IoT en su conjunto. Estas aplicaciones requieren soluciones potentes y costosas que se basan en conjuntos de chips complejos.
La creciente popularidad de los sistemas integrados de aprendizaje automático es uno de los principales impulsores de la fabricación de chips. Si hace diez años el número de transistores en un chipset se duplicaba cada dos años según la Ley de Moore, que también permitía predecir aumentos en la potencia informática, en los últimos años hemos visto un salto del 40-60% anual. Creemos que esta tendencia continuará en los próximos años.
Los sistemas integrados se están volviendo aún más importantes a medida que las tecnologías de IoT y la robótica están cada vez más disponibles. El campo Tiny ML tiene sus propios desafíos únicos que aún deben resolverse para 2023, ya que requiere la máxima optimización y eficiencia al tiempo que se conservan los recursos.
1.5 Soluciones con código bajo y sin código
El aprendizaje automático y la inteligencia artificial han permeado casi todos los campos, desde la agricultura hasta el marketing y la banca. Los gerentes suelen citar que hacer que las soluciones de aprendizaje automático sean accesibles para los empleados no técnicos es clave para mantener la eficiencia en toda la organización.
Sin embargo, en lugar de pasar por un proceso de aprendizaje de programación largo y costoso, es mejor simplemente elegir una aplicación que requiera cero o casi cero habilidades de codificación. Pero ese no es el único problema que podría abordar una solución sin código.
Gartner descubrió que la demanda de soluciones de alta calidad en el mercado es más probable que la entrega: "entregue estas soluciones al menos 5 veces más rápido que las capacidades de TI". (Gartner ha descubierto que la demanda de soluciones de alta calidad en el mercado es mayor que las posibilidades de ofrecerlas: “crece al menos cinco veces más rápido que la capacidad de TI para ofrecerlas”).
Las soluciones sin código y con código bajo pueden ayudar a cerrar esta brecha y satisfacer las necesidades. Del mismo modo, las soluciones low-code permiten a los equipos técnicos proponer y probar sus hipótesis más rápidamente, reduciendo los plazos de entrega y los costos de desarrollo. Si hace 10 años se necesitaba todo un equipo para crear una aplicación o lanzar un sitio web, hoy solo una persona puede hacer lo mismo y rápidamente.
Además, el 82% de las organizaciones que tienen problemas para atraer y mantener la calidad y cantidad de ingenieros de software prefieren crear y mantener sus aplicaciones con la ayuda de tecnologías sin código y con código bajo.
Aunque en los últimos años han surgido muchas soluciones Low-code y No-code, la tendencia general es que todavía son de mala calidad en comparación con el desarrollo convencional. Las empresas emergentes que pueden mejorar el status quo tienen más probabilidades de llegar a la cima en el mercado de la IA.
Por último, vale la pena mencionar que la computación en la nube sigue siendo un importante facilitador de la innovación a medida que la potencia computacional necesaria para entrenar modelos de aprendizaje automático crece rápidamente, especialmente para el aprendizaje automático en tiempo real que se ejecuta en grandes organizaciones. Según las estadísticas, alrededor del 60% de los datos corporativos del mundo se almacenan en la nube y es probable que esta cifra siga creciendo. En 2023, veremos aumentos continuos en la inversión en seguridad y resiliencia de la nube para satisfacer las crecientes demandas de la industria del aprendizaje automático.
02 2023 Campo de tecnología ML ARRIBA
Gartner ha identificado las áreas tecnológicas que se espera que desarrollen la mayor cantidad de aprendizaje automático en los próximos 7-8 años. Las áreas clave incluyen:
- Inteligencia artificial creativa. La IA para generar texto, código e incluso imágenes y vídeos está ganando terreno en 2022, especialmente con el lanzamiento de MidJourney de SOTA Image Generation Networks, DALLE-2, Stable Diffusion y Open AI lanzando el nuevo texto davinci-003. Los servicios que utilizan inteligencia artificial de próxima generación para la moda, la creatividad y el marketing tendrán una gran demanda.
- Gestión empresarial distribuida. A medida que el trabajo remoto se convierte en la norma, las empresas deben encontrar nuevas formas de gestionar a sus empleados y mantenerse productivas. Según Gartner, el ML ayudará a las empresas distribuidas a crecer y aumentar los ingresos.
- automatización. Desde la seguridad hasta la banca, los sistemas de software autónomos capaces de asumir tareas cada vez más complejas y adaptarse a condiciones que cambian rápidamente tienen una gran demanda en muchas industrias. En 2023 surgirán nuevas innovaciones que ofrecerán una automatización más inteligente.
- la seguridad cibernética. Con la creciente digitalización de todos los ámbitos de la vida y la necesidad de proteger la información sensible, la importancia de la ciberseguridad aumenta día a día. Se considera que el aprendizaje automático y la inteligencia artificial desempeñan un papel vital en la protección de datos privados y la seguridad de las organizaciones.
03 Conclusión
En 2023, el aprendizaje automático seguirá siendo un campo prometedor y de rápido crecimiento que traerá muchas innovaciones interesantes. Los grandes modelos de lenguaje, el aprendizaje automático multimodal, Transformers, TinyML y las soluciones No-code y Low-code son tecnologías emergentes que serán muy importantes en el futuro próximo.
En 2023, algunas áreas tecnológicas que utilizarán cada vez más el aprendizaje automático son la inteligencia artificial creativa, los sistemas automatizados, la gestión empresarial distribuida y la ciberseguridad. Gartner predice que para 2023, el aprendizaje automático se extenderá a más áreas de negocio, lo que ayudará a mejorar la eficiencia y la seguridad laboral.
—— Maravillosa recomendación——
1. Recomendación de libro: "Aprendizaje automático explicable"
2. Recomendación de libro: "Aprendizaje por refuerzo profundo"
3. Bytedance Li Hang: El futuro de la inteligencia artificial requiere nuevos paradigmas y teorías