¿CUÁN INTELIGENTE ES LA INTELIGENCIA ARTIFICIAL?

La búsqueda de hacer máquinas, pensar y actuar como humanos ha evolucionado desde la ficción cinematográfica hasta las aplicaciones del mundo real. Sin embargo, estamos lejos de replicar el pensamiento cognitivo de los humanos con exactitud y precisión. Aunque los robots, cobots, robots, humanoides y humanos digitales pueden superarnos o coordinarse con nosotros de muchas maneras, a diferencia de la inteligencia humana, necesitan ser alimentados con datos regularmente. Si bien nuestras mentes no pueden vencer a las máquinas en términos de poder computacional y velocidad de ejecución, el nivel de habilidades cognitivas complejas aún nos hace superiores a las máquinas. Los modelos programados y entrenados fallan cuando se trata de tomar una decisión racional. Aquí es donde se debe hacer mucho trabajo, ya que necesitamos un enfoque humano holístico para las situaciones del mundo real en el futuro.

El proceso de aprendizaje nunca ocurre de improviso. Requiere la práctica constante de absorber información y procesarla, y finalmente se suma a nuestra experiencia, que nuevamente difiere entre las personas. Una de las psicólogas cognitivas de Harvard,  Elizabeth S. Spelke , utiliza métodos de comportamiento y tareas basadas en el laboratorio para investigar los conceptos y el razonamiento de bebés, niños y adultos. Según ella, mientras que los  bebés no son rivales para la IA, hay cosas que pueden hacer más allá del alcance de la IA. A pesar de ser terribles para etiquetar imágenes, desesperados para extraer texto y horribles en un videojuego, solo después de unos meses, comienzan a comprender cómo funciona el mundo físico y a comprender los fundamentos del lenguaje, como la gramática. Y un par de años después, pueden extraer conocimiento, reconocer objetos, emplear el pensamiento cognitivo, extrapolar el movimiento, desarrollar habilidades matemáticas, comprender la causa y el efecto de las cosas a su alrededor, adquirir conceptos abstractos de su entorno. Esto es lo que sorprende a Spelke y otros expertos reflexionando sobre cómo aprenden los bebés. Encontrar esto puede ayudarnos a diseñar una mejor IA.

François Chollet, un conocido ingeniero de IA y creador de Keras, dice: "Lo que hace que la inteligencia humana sea especial es su adaptabilidad, es decir, su poder para generalizar a situaciones nunca antes vistas", aconseja en su trabajo de investigación de noviembre. no medir la inteligencia de la máquina únicamente de acuerdo con sus habilidades en tareas específicas. “Los humanos no comienzan con habilidades; comienzan con una amplia capacidad de adquirir nuevas habilidades ", dice. “Lo que demuestra un jugador de ajedrez humano fuerte no es la capacidad de jugar ajedrez per se, sino el potencial de adquirir cualquier tarea de dificultad similar. Esa es una capacidad muy diferente ". Diseñó una serie de acertijos para evaluar la capacidad de inteligencia artificial para aprender en un entorno generalizado. Cada problema de rompecabezas requiere organizar cuadrados de colores en una cuadrícula basada en solo algunos ejemplos anteriores. Si bien es apenas un 'desafío' para los humanos,

Scott Robinson, un experto en SharePoint e inteligencia de negocios con sede en Louisville, Kentucky, señala con precisión, diciendo: “Los procesos de negocios involucran pensamiento inteligente y comportamiento inteligente. La IA es excelente para replicar el comportamiento inteligente, pero el pensamiento inteligente es otra cuestión. No entendemos completamente cómo se desarrollan los pensamientos humanos inteligentes, por lo que no vamos a construir máquinas que puedan tenerlos en el corto plazo ”.

Si bien se establece que la IA no es un aprendiz de 'ver una vez y recordar siempre' como los humanos, también hay algunos defectos más que lo diferencian de nosotros. En un artículo reciente   titulado The Rhetoric and Reality of Anthropomorphism in Artificial Intelligence, el autor destaca que la red neuronal de IA puede ser fácilmente engañada. Además, estas redes pueden dar interpretaciones defectuosas incluso cuando hay algunos ajustes menores en el estímulo de datos. Estas son las áreas que demandan un gran volumen de innovación, ingeniería e investigación antes de idear una versión de IA que sea más similar a un cerebro humano o inteligencia humana. Entonces, tal vez podamos debatir sobre la inteligencia del hombre contra la máquina.

Fuente: Analytics Insight

Leer más

LA COMBINACIÓN DE INTELIGENCIA ARTIFICIAL (IA) y BIOLOGÍA, PODRÍA RESOLVER LOS MAYORES PROBLEMAS DEL DESCUBRIMIENTO DE FARMACOS

El aprendizaje automático puede acelerar la creación de nuevos medicamentos y descubrir los misterios de las principales enfermedades, dice Daphne Koller, CEO de Insitro.

            [Foto: Ivan-balvan / iStock]

Escrito por Ruth Reader, vía Fast Company

Daphne Koller es mejor conocida como la cofundadora de Coursera , la base de datos abierta para el aprendizaje en línea que se lanzó en 2012. Pero antes de su trabajo en Coursera, estaba haciendo algo muy diferente. En 2000, Koller comenzó a trabajar en la aplicación del aprendizaje automático a conjuntos de datos biomédicos para comprender la actividad genética en todos los tipos de cáncer. Puso ese trabajo en espera para cultivar Coursera, lo que tomó muchos más años de lo que inicialmente pensó que sería. No volvió a la biología hasta 2016 cuando se unió al brazo de investigación y desarrollo de ciencias de la vida de Alphabet, Calico.

Dos años más tarde, Koller comenzó Insitro, una compañía de descubrimiento y desarrollo de medicamentos que combina la biología con el aprendizaje automático.  "En realidad estoy volviendo a este espacio", dice ella. 

Hay muchas esperanzas de que la inteligencia artificial pueda ayudar a acelerar el tiempo que lleva fabricar un medicamento y también aumentar la tasa de éxito . Han surgido varias startups para aprovechar esta oportunidad. Pero Insitro es un poco diferente de algunas de estas otras compañías, que dependen más del aprendizaje automático que de la biología.

Por el contrario, Insitro se ha tomado el tiempo para construir un laboratorio de vanguardia, un proyecto costoso y que requiere mucho tiempo. Aún así, tener la misma competencia en ciencias de laboratorio y ciencias de la computación puede ser el boleto ganador. Aunque solo tiene dos años, Insitro ya ha llamado la atención de las compañías farmacéuticas de la vieja guardia. El año pasado, la compañía llegó a un acuerdo con el gigante farmacéutico Gilead para desarrollar herramientas y, con suerte, nuevos objetivos de medicamentos para ayudar a detener la progresión de la enfermedad del hígado graso no alcohólico (NASH). La asociación le dio a Insitro $ 15 millones con el potencial de ganar hasta $ 200 millones por cada objetivo de medicamentos.

Hablé con Koller para analizar lo que su compañía está haciendo de manera diferente y dónde el aprendizaje automático puede marcar la diferencia en el desarrollo y descubrimiento de medicamentos. Esta entrevista ha sido editada para su publicación:

   Daphne Koller [Foto: cortesía de Insitro]

Fast Company: lo que está haciendo es diferente a la mayoría de las compañías farmacéuticas de inteligencia artificial, que están utilizando la base de conocimiento existente de artículos y estudios publicados para llegar a objetivos de drogas. En cambio, ha desarrollado una compañía farmacéutica que usa inteligencia artificial pero que también tiene un laboratorio completo para biólogos. ¿Por qué tomaste este enfoque?

Daphne Koller: El otro modelo es un esfuerzo de inicio mucho más fácil en el sentido de que hay todos estos datos disponibles y puedes ir y recopilarlos. Puede hacerlo con un equipo de personas puramente de ciencia de datos. No necesita construir un laboratorio húmedo, simplemente va y recolecta todos esos datos y los pone en una gran pila, y luego deja que su gente de aprendizaje automático lo haga.

Lo que estamos haciendo es mucho más complicado y ambicioso en varias dimensiones diferentes. Una es que realmente necesitábamos construir un laboratorio de biología de alto rendimiento, que está más allá de la frontera en múltiples niveles. Eso requiere una construcción mucho más costosa. También requiere construir un equipo que realmente no se haya construido antes, que es tomar a algunas personas que están en la vanguardia de su campo, en el lado de la biología, y reunirlas en un solo equipo integrado con algunas personas que están en el vanguardia del aprendizaje automático y la ciencia de datos, y realmente les dice: "hablas idiomas diferentes, pero vas a trabajar juntos como un solo equipo". Y creo que ese es realmente un esfuerzo cultural muy desafiante que la mayoría de las empresas no han estado dispuestos o no han podido realizar.

FC: ¿Por qué haces eso? ¿Cuál es el beneficio de tener una compañía farmacéutica que brinde a biólogos y científicos de datos y expertos en aprendizaje automático la misma posición?

DK: Cuando observa el proceso de descubrimiento de drogas, que, si tiene suerte, es de 15 años de extremo a extremo con un 5% de posibilidades de éxito, hay múltiples bifurcaciones en el camino donde actualmente las personas están tomando decisiones. "¿Voy por el camino A o B o C o D?" Y si tienes suerte, un camino en 99 te llevará al éxito. Si baja por el equivocado, son años y decenas de millones de dólares en gastos desperdiciados. Entonces, ¿qué pasaría si pudiéramos hacer mejores predicciones sobre qué bifurcación tomar?

"PARTE DEL PROBLEMA QUE HA TENIDO EL BIOFARMA ES QUE ES REALMENTE DIFÍCIL FALLAR RÁPIDAMENTE”.

Es más como un modelo a prueba de fallas que Silicon Valley realmente ha sido pionero, pero dentro del contexto de la biología. Creo que parte del problema que ha tenido el biofarma es que es realmente difícil fallar rápidamente. A menudo realiza una inversión de 5-10 años en algo antes de darse cuenta de que no se ve tan bien. Y en ese punto, los costos hundidos son tan grandes que la gente dice: “Oh, está bien. ¿Sabes que? Solo voy a llevar esto a la clínica y esperar lo mejor ”. Creo que esa es una de las razones por las que vemos las tasas de fracaso que vemos es que las personas empujan cosas que probablemente no deberían empujarse porque sienten, en muchos casos correctamente, que no tienen otra opción.

Lo que esperamos poder hacer, porque estamos construyendo estos modelos predictivos, es poder tomar las decisiones más rápido.

La otra parte es que el aprendizaje automático se ha vuelto bastante bueno para hacer predicciones precisas en un amplio espectro de dominios. Hasta ahora no se ha aplicado de manera tan efectiva en las ciencias de la vida en general, y una de las principales razones es la falta de datos de alta calidad que tenemos [en comparación con] la visión por computadora o el procesamiento o la logística del lenguaje natural. Al mismo tiempo, la comunidad de bioingeniería de la biología celular ha inventado en los últimos años un conjunto notable de herramientas que realmente se pueden combinar de maneras únicas e interesantes para generar grandes cantidades de datos que pueden ayudar a alimentar esos algoritmos de aprendizaje automático.

FC: ¿Cuáles son las principales razones por las que las drogas fallan?

DK: Sabemos por las estadísticas que la mayoría de los medicamentos [que entran en los ensayos] fallan debido a la falta de eficacia en la fase dos o la fase tres. Y no es porque la droga no fuera buena. Estaba apuntando al objetivo equivocado. Donde entra el aprendizaje automático es observar de manera integral muchos, muchos atributos diferentes de esas células y decir cuáles de ellas son las más predictivas del resultado clínico humano. Y eso es algo en lo que la gente realmente no es tan buena, porque las células son complejas y hay muchas dimensiones para unir todas esas piezas para detectar lo que a menudo es una señal sutil. No es algo en lo que la gente se destaque.

FC: Entonces, una vez que configura estas aplicaciones, ¿cómo puede usarlas?

DK: puede usar esas aplicaciones de varias maneras. En primer lugar, puede usarlos para identificar objetivos básicamente diciendo: “Oye, ahora sabemos cómo se ve una célula enferma. Ahora sabemos cómo se ve una célula sana ”. ¿Qué sucede si [uso] CRISPR para perturbar la celda para pasar de un estado activo a uno inactivo o viceversa? Bueno, si haces eso, y el fenotipo pasa de un estado poco saludable a un estado saludable, tal vez ese gen sea un buen objetivo para un medicamento.

"LA GENTE PIENSA QUE EL ALZHEIMER ES UNA ENFERMEDAD, CASI CON CERTEZA, ESO NO ES CIERTO".

La otra cosa que permite la plataforma es la segmentación de lo que a menudo es una población de pacientes heterogénea en subconjuntos que son mucho más coherentes. La analogía aquí es pensar en lo que sucedió en la oncología de precisión. Hace unos 15 o 20 años, solíamos pensar en el cáncer de seno como una cosa. Pero luego, cuando comenzamos a obtener más datos moleculares sobre las personas cuyos cánceres eran diferentes, nos dimos cuenta de que había subtipos muy diferentes de cánceres. Hubo lo que se llama los cánceres positivos para HER2 que fueron muy bien dirigidos por Herceptin. Existen los cánceres BRCA-1 que ahora son blanco de los inhibidores de PARP. Y entonces, existen estos subconjuntos que son muy distintos entre sí y ahora son tratados mucho mejor por la terapéutica de precisión.

La gente piensa que el Alzheimer es una enfermedad, casi con certeza, eso no es cierto. La gente piensa que la diabetes tipo dos es una enfermedad, que probablemente tampoco sea cierta. Para estas enfermedades, aún no hemos identificado subtipos. Creemos que al recopilar suficientes datos sobre suficientes genéticas diferentes a nivel molecular, tal vez surjan esos subtipos.

FC:  ¿Tiene alguna idea sobre el papel que puede desempeñar el aprendizaje automático para ayudar a encontrar un tratamiento o una vacuna para COVID-19?

DK: Creo que hay oportunidades. En este momento, [la comunidad más grande del cuidado de la salud] está mirando los enfoques de vacunas que han desarrollado diferentes compañías, y los estamos colocando con un montón de proteínas virales y esperando lo mejor. Para predecir la eficacia de la vacuna, las técnicas simplemente no existen y no habrá tiempo suficiente para desarrollarlas. Pero sí creo que hay un trabajo interesante que está sucediendo en el lado terapéutico, donde se ha trabajado más en la aplicación del aprendizaje automático para todo, desde la interpretación de la [expresión génica] celular. Existe la posibilidad de diseñar nuevos medicamentos, nuevas combinaciones de medicamentos e incluso solo la interpretación del estado celular.

NUEVAS FRONTERAS

FC: Estás trabajando con Gilead para comprender mejor la enfermedad del hígado graso no alcohólico (NASH). Lo difícil de la NASH es que solo se puede diagnosticar y monitorear a través de una biopsia hepática, que es brutal para el paciente. Usted ha dicho que ha tenido cierto éxito con las aplicaciones de aprendizaje automático que pueden detectar aspectos de la enfermedad que un ser humano no puede detectar de otra manera, lo que es muy prometedor para cambiar incluso la forma en que los médicos rastrean la enfermedad en las personas. Tengo curiosidad por saber qué otras áreas de la salud humana le interesan.

DK: Sentimos que la neurociencia es un área que está a punto de estallar para comprender finalmente la genética muy compleja de las enfermedades del Sistema Nervioso Central. La necesidad insatisfecha es enorme, y los modelos animales son particularmente intraducibles. Entonces, para algunas enfermedades, podría decir: "Bueno, el modelo animal no es excelente, pero es aceptable". El modelo animal para la depresión, y esto va a sonar surrealista, pero te digo que no lo es, es tomar un mouse y ponerlo en un balde con agua y hacer que nade hasta que se canse y se ahogue. Y si nada más, está menos deprimido. Se llama prueba de natación forzada.

Ahora, si observamos la depresión, es una enfermedad con una heredabilidad genética significativa en la que sabemos que hay cientos de genes que están implicados con vías muy específicas, y cosas que ahora están comenzando a emerger de la genética y de la enfermedad. Análisis celular del tejido cerebral. Nada de eso tiene nada que ver con hacer que un ratón nade más tiempo. Creemos que en cosas como la neurodegeneración y la neuropsiquiatría hay una gran oportunidad para aplicar un conjunto diferente de herramientas. Te garantizo que no serán modelos perfectos de la enfermedad. Pero no pueden ser mucho peores que hacer que un ratón nade más tiempo. ¿Derecha?. 

SOBRE EL AUTOR

Ruth Reader es escritora de Fast Company . Ella cubre la intersección de la salud y la tecnología.

Leer más

LA PROMESA Y LOS RIESGOS DE LA INTELIGENCIA ARTIFICIAL: UNA BREVE HISTORIA

La inteligencia artificial (IA) se ha convertido recientemente en un foco de esfuerzos para mantener y mejorar la competitividad militar, política y económica de los EE. UU.

Por: Rebecca Slayton, vía The War On the Rocks

La estrategia 2018 del Departamento de Defensa para la IA, lanzada poco después de la creación de un nuevo Centro Conjunto de Inteligencia Artificial, propone acelerar la adopción de la IA fomentando "una cultura de experimentación y toma de riesgos calculada", un enfoque extraído de la Defensa Nacional más amplia Estrategia . Pero, ¿qué tipo de riesgos calculados podría implicar la IA? La estrategia de IA no tiene casi nada que decir sobre los riesgos incurridos por el mayor desarrollo y uso de la IA. Por el contrario, la estrategia propone utilizar la IA para reducir los riesgos, incluidos los de "fuerzas desplegadas y civiles".

Si bien reconoce la posibilidad de que la IA pueda usarse de manera que reduzca algunos riesgos, este breve ensayo describe algunos de los riesgos que conlleva el mayor desarrollo y despliegue de la IA, y qué se puede hacer para reducir esos riesgos. Al principio, debe reconocerse que los riesgos asociados con la IA no pueden calcularse de manera confiable. En cambio, son propiedades emergentes que surgen de la "complejidad arbitraria" de los sistemas de información. No obstante, la historia proporciona alguna orientación sobre los tipos de riesgos que pueden surgir y cómo podrían mitigarse. Sostengo que, tal vez de forma contraintuitiva, el uso de IA para gestionar y reducir riesgos requerirá el desarrollo de capacidades humanas y sociales únicas.

Una breve historia de la IA, de la automatización a la simbiosis

La estrategia del Departamento de Defensa para la IA contiene al menos dos concepciones relacionadas pero distintas de la IA. El primero se centra en la mimesis , es decir, diseñar máquinas que puedan imitar el trabajo humano . El documento de estrategia define la mimesis como "la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana, por ejemplo, reconocer patrones, aprender de la experiencia, sacar conclusiones, hacer predicciones o tomar medidas". Un enfoque algo distinto de la IA se centra en lo que algunos han llamado simbiosis hombre-máquina, donde los humanos y las máquinas trabajan en estrecha colaboración, aprovechando sus tipos distintivos de inteligencia para transformar los procesos de trabajo y la organización. Esta visión también se puede encontrar en la estrategia de inteligencia artificial, que tiene como objetivo "utilizar información, herramientas y sistemas habilitados para inteligencia artificial para empoderar, no reemplazar, a los que sirven".

Por supuesto, la mimesis y la simbiosis no son mutuamente excluyentes. La mimesis puede entenderse como un medio para la simbiosis, como lo sugiere la propuesta del Departamento de Defensa de "aumentar las capacidades de nuestro personal mediante la descarga de tediosas tareas cognitivas o físicas". Pero la simbiosis es posiblemente el más revolucionario de los dos conceptos y también, en mi opinión, la clave para comprender los riesgos asociados con la IA.

Ambos enfoques de la IA son bastante antiguos. Las máquinas han estado asumiendo tareas que de otro modo requerirían inteligencia humana durante décadas, si no siglos. En 1950, el matemático Alan Turing propuso que se puede decir que una máquina "piensa" si puede imitar persuasivamente el comportamiento humano, y más tarde en la década, los ingenieros informáticos diseñaron máquinas que podían "aprender". Para 1959, un investigador concluyó que "se puede programar una computadora para que aprenda a jugar un mejor juego de damas que la persona que escribió el programa".

Mientras tanto, otros estaban comenzando a avanzar en un enfoque más interactivo para la inteligencia artificial. Esta visión fue quizás la más prominente articulada por JCR Licklider, un psicólogo que estudia las interacciones humano-computadora. En un artículo de 1960 sobre " Simbiosis hombre-computadora ", Licklider eligió "evitar discusiones con (otros) entusiastas de la inteligencia artificial al conceder el dominio en el futuro lejano de la cerebración a las máquinas solo". Sin embargo, continuó: "Sin embargo, habrá un período intermedio bastante largo durante el cual los principales avances intelectuales serán realizados por hombres y computadoras trabajando juntos en asociación íntima".

Las nociones de simbiosis fueron influenciadas por la experiencia con las computadoras para el entorno terrestre semiautomático (SAGE), que reunió información de radares de alerta temprana y coordinó un sistema de defensa aérea a nivel nacional. Así como el Departamento de Defensa tiene como objetivo utilizar la IA para mantenerse al día con las amenazas que cambian rápidamente, SAGE fue diseñado para contrarrestar la posibilidad de ataques cada vez más rápidos en los Estados Unidos, específicamente bombarderos de bajo vuelo que podrían evadir la detección de radar hasta que estuvieran muy cerca de sus objetivos.

A diferencia de otras computadoras de la década de 1950, las computadoras SAGE podrían responder instantáneamente a las entradas de los operadores humanos. Por ejemplo, los operadores podrían usar una pistola ligera para seleccionar un avión en la pantalla, y así recopilar información sobre la identificación, la velocidad y la dirección del avión. SAGE se convirtió en el modelo para los sistemas de comando y control en todo el ejército de los EE. UU., Incluido el Sistema de alerta temprana de misiles balísticos, que fue diseñado para contrarrestar una amenaza aún más rápida: misiles balísticos intercontinentales, que podrían entregar su carga útil en todo el mundo en solo media hora. Todavía podemos ver el modelo SAGE hoy en sistemas como el sistema de defensa antimisiles Patriot, que está diseñado para destruir misiles de corto alcance, aquellos que llegan con solo unos minutos de aviso.

SAGE también inspiró un enfoque nuevo y más interactivo para la informática, no solo dentro del Departamento de Defensa, sino en toda la industria informática. Licklider avanzó esta visión después de convertirse en director de la Oficina de Tecnologías de Procesamiento de Información del Departamento de Defensa, dentro de la Agencia de Proyectos de Investigación Avanzada, en 1962. Bajo la dirección de Licklider , la oficina financió una amplia gama de proyectos de investigación que transformaron la forma en que las personas interactuarían con las computadoras, como como interfaces gráficas de usuario y redes de computadoras que eventualmente condujeron a Internet.

Las tecnologías de simbiosis han contribuido a la competitividad no principalmente al reemplazar a las personas, sino al permitir nuevos tipos de análisis y operaciones. Las tecnologías interactivas de información y comunicación han rediseñado las operaciones militares, permitiendo una coordinación más rápida y cambios en los planes. También han habilitado nuevos modos de comercio. Y crearon nuevas oportunidades para el poder blando a medida que tecnologías como computadoras personales, teléfonos inteligentes e Internet se hicieron más ampliamente disponibles en todo el mundo, donde a menudo se los veía como evidencia del progreso estadounidense.

La mimesis y la simbiosis tienen oportunidades y riesgos algo distintos. El enfoque en las máquinas que imitan el comportamiento humano ha provocado inquietudes sobre, por ejemplo, si los resultados producidos por el razonamiento de la máquina deben ser más confiables que los resultados derivados del razonamiento humano. Tales preocupaciones han estimulado el trabajo sobre la "IA explicable", en la que los resultados de la máquina van acompañados de explicaciones humanamente comprensibles para esos resultados.

Por el contrario, la simbiosis llama la atención sobre las promesas y los riesgos de enredos más íntimos y complejos de humanos y máquinas. Lograr una simbiosis óptima requiere más que una tecnología bien diseñada. También requiere una reflexión continua y una revisión de los modelos que rigen las interacciones hombre-máquina. Los humanos usan modelos para diseñar algoritmos de IA y para seleccionar y construir los datos utilizados para entrenar dichos sistemas. Los diseñadores humanos también inscriben modelos de uso (supuestos sobre las competencias y preferencias de los usuarios y los contextos físicos y organizativos de uso) en las tecnologías que crean. Así, "como un guión de cine, los objetos técnicos definen un marco de acciónjunto con los actores y el espacio en el que se supone que deben actuar ". Los scripts no determinan completamente la acción, pero configuran las relaciones entre humanos, organizaciones y máquinas de manera que restringen y dan forma al comportamiento del usuario. Desafortunadamente, estos sistemas sociotécnicos interactivamente complejos a menudo exhiben un comportamiento emergente que es contrario a las intenciones de los diseñadores y usuarios.

Ventajas competitivas y riesgos

Debido a que los modelos no pueden predecir adecuadamente todos los resultados posibles de sistemas sociotécnicos complejos, una mayor dependencia de las máquinas inteligentes conlleva al menos cuatro tipos de riesgos: los modelos de cómo las máquinas recopilan y procesan la información, y los modelos de interacción hombre-máquina, pueden ser inadvertidamente defectuoso o manipulado deliberadamente de formas no previstas por los diseñadores. Se pueden encontrar ejemplos de cada uno de estos tipos de riesgos en experiencias pasadas con máquinas "inteligentes".

Primero, las circunstancias cambiantes pueden hacer que los modelos utilizados para desarrollar inteligencia artificial sean irrelevantes. Por lo tanto, esos modelos y los algoritmos asociados necesitan mantenimiento y actualización constantes. Por ejemplo, lo que ahora es el sistema de defensa antimisiles Patriot se diseñó inicialmente para defensa aérea, pero se rediseñó y desplegó rápidamente en Arabia Saudita e Israel para defenderse contra misiles de corto alcance durante la Guerra del Golfo de 1991. Como sistema de defensa aérea, funcionó durante unas pocas horas seguidas, pero como sistema de defensa antimisiles funcionó durante días sin reiniciar. En estas nuevas condiciones de funcionamiento, se hizo evidente un error de sincronización en el software. El 25 de febrero de 1991, este error provocó que el sistema perdiera un misil que golpeó un cuartel del ejército estadounidense en Dhahran, Arabia Saudita, matando a 28 soldados estadounidenses. Un parche de software para corregir el error. Llegué a Dhahran un día demasiado tarde.

En segundo lugar, los modelos sobre los cuales las máquinas están diseñadas para operar pueden explotarse con fines engañosos. Considere, por ejemplo, la Operación Igloo White, un esfuerzo por reunir información sobre y detener el movimiento de suministros y tropas norvietnamitas a fines de los años sesenta y principios de los setenta. La operación arrojó sensores en toda la jungla, como micrófonos, para detectar voces y vibraciones de camiones, así como dispositivos que podían detectar los olores de amoníaco de la orina. Estos sensores enviaron señales a los aviones que sobrevuelan, lo que a su vez los envió a un centro de vigilancia similar a SAGE que podría enviar bombarderos. Sin embargo, el programa fue un fracaso muy costoso. Una razón es que los sensores eran susceptibles de falsificación. Por ejemplo, los norvietnamitas podrían enviar camiones vacíos a un área para enviar información falsa sobre movimientos de tropas, o use animales para activar sensores de orina .

Tercero, se pueden usar máquinas inteligentes para crear guiones que promulguen formas de racionalidad estrechamente instrumentales, socavando así objetivos estratégicos más amplios. Por ejemplo, los operadores de vehículos aéreos no piloto tienen la tarea de usar secuencias de video granuladas, señales electrónicas y suposiciones sobre lo que constituye un comportamiento sospechoso para identificar y luego matar a los actores amenazadores, mientras minimizan el daño colateral. Los operadores que siguen este script tienen, a veces, asumieron que un grupo de hombres con armas planeaba un ataque, cuando de hecho iban camino a una boda en una región donde se acostumbraba disparar con armas de fuego, y que las familias que rezaban al amanecer eran yihadistas en lugar de simplemente musulmanes observadores. Si bien puede ser tentador doblar estos errores como "errores del operador", esto sería demasiado simple. Dichos operadores están inscritos en un guión profundamente defectuoso, uno que presume que la tecnología se puede utilizar para identificar correctamente las amenazas a través de grandes distancias geográficas, culturales e interpersonales, y que el mayor riesgo de matar a civiles inocentes vale la pena la mayor protección ofrecida a los combatientes estadounidenses. . No se puede esperar que los operadores hagan juicios perfectamente confiables a través de tales distancias, y es poco probable que el simple despliegue de la tecnología más precisa que prometen los entusiastas de la IA pueda salvar las distancias que los sistemas remotos se hicieron para mantener. En una era en la que el poder blando es inextricable del poder militar, tales usos potencialmente deshumanizantes de la tecnología de la información no solo son éticamente problemáticos, sino que también pueden generar mala voluntad y retroceso.

Finalmente, las secuencias de comandos que configuran las relaciones entre los humanos y las máquinas inteligentes pueden, en última instancia, alentar a los humanos a comportarse de manera similar a una máquina que otros puedan manipular. Esto es quizás más evidente en el uso creciente de los bots sociales y las nuevas redes sociales para influir en el comportamiento de los ciudadanos y los votantes. Los bots pueden imitar fácilmente a los humanos en las redes sociales, en parte porque esas tecnologías ya han programado el comportamiento de los usuarios, que deben interactuar mediante me gusta, seguimiento, etiquetado, etc. Si bien las operaciones de influencia explotan los prejuicios cognitivos compartidos por todos los humanos, como la tendencia a interpretar la evidencia de manera que confirme las creencias preexistentes, los usuarios que han desarrollado hábitos similares a las máquinas (gusto reactivo, seguimiento e interacción sin reflexión) El más fácil de manipular.

Conclusión

Alcanzar la competitividad militar, económica y política en una era de IA implicará diseñar máquinas de manera que alienten a los humanos a mantener y cultivar tipos de inteligencia exclusivamente humanos, como la empatía, la autorreflexión y el pensamiento innovador. También requerirá un mantenimiento continuo de los sistemas inteligentes para garantizar que los modelos utilizados para crear inteligencia artificial no estén desactualizados. Los modelos estructuran la percepción, el pensamiento y el aprendizaje, ya sea por humanos o máquinas. Pero la capacidad de cuestionar y reevaluar estos supuestos es prerrogativa y responsabilidad del ser humano, no de la máquina.

 

Rebecca Slayton es profesora asociada en el Departamento de Estudios de Ciencia y Tecnología y en el Instituto Judith Reppy de Estudios de Paz y Conflicto, ambos en la Universidad de Cornell. Actualmente está trabajando en un libro sobre la historia de la experiencia en seguridad cibernética.

Leer más

INTELIGENCIA ARTIFICIAL Y APRENDIZAJE AUTOMÁTICO PARA LA ASISTENCIA SANITARIA: EL FUTURO DE LA SALUD PÚBLICA.

Los sectores tradicionales de negocios y tecnología no son los únicos campos afectados por la IA. La asistencia sanitaria es un campo que se considera muy adecuado para las aplicaciones de herramientas y técnicas de IA.

Introducción

El siglo XXI tiene solo dos décadas y es seguro que una de las mayores tecnologías transformadoras y facilitadores para la sociedad humana de este siglo será la inteligencia artificial (IA). Es una idea bien establecida que la IA y los servicios y plataformas asociados están configurados para transformar la productividad global, los patrones de trabajo y los estilos de vida y crear una enorme riqueza.

Por ejemplo, McKinsey cree que generará una actividad económica global de alrededor de  $ 13 billones para 2030 . A corto plazo, la firma de investigación Gartner espera que la actividad económica global  basada en IA  aumente de aproximadamente $ 1.2 trillones en 2018 a aproximadamente  $ 3.9 Trillones para 2022 .

Estudio de Inteligencia Artificial Global de PwC: dimensionando el premio
 

No es ningún secreto que esta transformación está siendo, en gran medida, impulsada por las poderosas herramientas y técnicas de Machine Learning (ML) como Redes Convolucionales Profundas, Redes Adversarias Generativas (GAN), Modelos de árbol impulsado por gradiente (GBM), Aprendizaje de refuerzo profundo (DRL), etc.

Sin embargo, los sectores empresariales y tecnológicos tradicionales no son los únicos campos afectados por la IA. La asistencia sanitaria es un campo que se considera muy adecuado para las aplicaciones de herramientas y técnicas de IA .

Prácticas obligatorias como los  registros médicos electrónicos (EMR)  ya han preparado los sistemas de atención médica para la aplicación de herramientas de Big Data para el análisis de datos de próxima generación. Las herramientas AI / ML están destinadas a agregar más valor a este flujo. Se espera que mejoren la calidad de la automatización y la toma inteligente de decisiones en la atención primaria / terciaria de los pacientes y los sistemas de salud pública. Este podría ser el mayor impacto de las herramientas de inteligencia artificial, ya que potencialmente puede transformar la calidad de vida de miles de millones de personas en todo el mundo.

Ejemplos clave de la aplicación de ML en la asistencia sanitaria

Radiología y patología asistida por IA 

Fuente de la imagen:  Pixabay (Gratis para uso comercial)

En estos días, los datos de imágenes médicas almacenados electrónicamente son abundantes y los algoritmos DL se pueden alimentar con este tipo de conjunto de datos, para detectar y descubrir patrones y anomalías. Las máquinas y los algoritmos pueden interpretar los datos de imágenes de manera muy similar a como lo haría un radiólogo altamente capacitado: identificar puntos sospechosos en la piel, lesiones, tumores y hemorragias cerebrales. El uso de herramientas / plataformas AI / ML para ayudar a los radiólogos está, por lo tanto, preparado para expandirse exponencialmente.

Este enfoque resuelve un problema crítico en el ámbito de la atención médica porque, en todo el mundo, es difícil encontrar radiólogos bien capacitados. En la mayoría de las circunstancias, estos trabajadores calificados están bajo una enorme presión debido al diluvio de datos médicos digitales. Un radiólogo promedio, según  este artículo , necesita producir resultados de interpretación para una imagen cada 3-4 segundos para satisfacer la demanda. 

Inteligencia artificial en radiología.
 

La identificación de enfermedades raras o difíciles de diagnosticar a  menudo depende de la detección de los llamados 'casos límite'. Como este tipo de sistema de ML se basa en grandes conjuntos de datos que contienen imágenes en bruto (y diversas transformaciones) de estas enfermedades, a menudo son más confiables que los humanos para este tipo de detección.

Se espera que mejoren la calidad de la automatización y la toma inteligente de decisiones en la atención primaria / terciaria de los pacientes y los sistemas de salud pública. Este podría ser el mayor impacto de las herramientas de inteligencia artificial, ya que potencialmente puede transformar la calidad de vida de miles de millones de personas en todo el mundo.

Un excelente caso de prueba es  el Proyecto InnerEye de Microsoft,  que emplea métodos de ML para segmentar e identificar tumores utilizando imágenes radiológicas en 3D. Puede ayudar en la planificación precisa de la cirugía, la navegación y el contorno eficiente del tumor para la planificación de la radioterapia.

La resonancia magnética y otros sistemas de imágenes avanzados, cada vez más utilizados para la detección temprana del cáncer, están siendo equipados con algoritmos ML. El siguiente artículo proporciona una visión general completa a este respecto: 

El aprendizaje profundo y la IA mejoran la precisión de la detección del cáncer de mama
 

El siguiente artículo de Nature describe cómo se aplican las técnicas de ML para realizar análisis de imágenes avanzados, como la segmentación de próstata y la fusión de múltiples fuentes de datos de imágenes (p. Ej., Ultrasonografía, tomografía computarizada y resonancia magnética):

Una nueva era: inteligencia artificial y aprendizaje automático en cáncer de próstata
 

Las herramientas de ML también están agregando un valor significativo al  aumentar la visualización del cirujano  con información como la localización del cáncer durante los procedimientos robóticos y otras intervenciones guiadas por imágenes.

El uso de herramientas / plataformas AI / ML para ayudar a los radiólogos está, por lo tanto, preparado para expandirse exponencialmente.

 

ML y ciencia de datos para obtener información procesable

 

Fuente de la imagen:  Pixabay (Gratis para uso comercial)

 En el mundo actual,  los datos médicos del tamaño de exabytes se están digitalizando  en varias instituciones de salud (hospitales públicos, hogares de ancianos, clínicas médicas, laboratorios de patología, etc.). Desafortunadamente, estos datos son a menudo  desordenados y desestructurados . A diferencia de los datos comerciales de tipo transaccional estándar, los datos del  paciente no son particularmente susceptibles de modelación estadística simple y análisis.

La  necesidad de la hora son plataformas robustas y ágiles habilitadas para IA, capaces de  conectarse a una multitud de bases de datos de pacientes y analizar una mezcla compleja de tipos de datos (por ejemplo, patología de la sangre, genómica, imágenes de radiología, historial médico). Además, estos sistemas deberían poder analizar los análisis de manera profunda y descubrir los patrones ocultos.

Además, deberían poder traducir y visualizar sus hallazgos a formas inteligibles para los  humanos  para que los médicos y otros profesionales de la salud puedan trabajar en su producción con alta confianza y total transparencia.

 Sistemas de inteligencia artificial y ML distribuidos: se ajustan muy bien a estas facturas y están preparados para cumplir con los requisitos de dichos sistemas en el futuro cercano.

Robots físicos para asistencia quirúrgica

 

Fuente de la imagen:  Pixabay (Gratis para uso comercial)

 Los robots quirúrgicos pueden proporcionar asistencia única a los cirujanos humanos,

• mejorando la capacidad de ver y navegar en un procedimiento,
• creando incisiones precisas y mínimamente invasivas.
• causando menos dolor con una geometría de puntada y herida óptimas

Hay posibilidades realmente emocionantes para la aplicación de AI / ML para tales robots de cirugía digital.

• Una  colaboración  de robots centrada en software con la ayuda de un procesamiento distribuido masivo 
• Información basada en  datos y orientación  basada en los historiales quirúrgicos (realizados por máquinas y humanos) y sus resultados (favorables o no)
• Espacio de realidad virtual generado por IA   para orientación y orientación en tiempo real
• Posibilidad de  telemedicina y cirugía remota  para procedimientos relativamente simples.

El siguiente artículo resume las posibles aplicaciones de manera sucinta: 

Cómo los robots y la IA están creando al cirujano del siglo XXI
 

IA para la gestión de operaciones de atención médica y la experiencia del paciente

 En los Estados Unidos, el costo y la dificultad de recibir atención médica adecuada, por parte del público en general, han sido objeto de un largo y amargo debate.

La IA y las técnicas asociadas basadas en datos están especialmente preparadas para abordar algunos de los problemas, identificados como las causas principales: larga cola, miedo a facturas irrazonables, el proceso de citas excesivamente complejo y prolongado, sin acceso al profesional de la salud adecuado.

Esos mismos problemas han afectado a las empresas tradicionales durante muchas décadas y las técnicas de IA / ML ya son parte de la solución. Esto se debe a que las grandes bases de datos y los algoritmos de búsqueda inteligentes, que son un fuerte de los sistemas de inteligencia artificial, se destacan en tales problemas de optimización o coincidencia de patrones. Por lo tanto, las herramientas y técnicas avanzadas de IA / ML deben ser aprovechadas por los hospitales y las organizaciones de salud pública en sus aspectos operativos cotidianos. Vea el siguiente artículo sobre ese tema:

 11 Aplicaciones operativas para la IA de la salud: oliva
 

Lo bueno es que  la preocupación por la privacidad de los datos, que es un tema complejo y difícil para los sistemas de salud,  no representa un gran desafío para este tipo de aplicación de IA. Muy a menudo, un problema operativo no involucra datos confidenciales del paciente relacionados con enfermedades, diagnósticos o medicamentos, pero, al igual que cualquier otra empresa comercial moderna, consiste en datos relacionados con asuntos financieros, de capital, de marketing o de recursos humanos.

Fuente de la imagen:  Pixabay (gratis para uso comercial)

 El objetivo central de tales sistemas debería ser hacer que las plataformas asistidas por IA apunten a  mejorar la experiencia de los servicios de atención médica para la sección más grande de personas comunes . El objetivo general de los sistemas ya implementados en las empresas tradicionales es maximizar las ganancias. Las potentes herramientas de IA para la gestión de operaciones de atención médica deben  distinguirse de los sistemas convencionales al combinar la empatía con el objetivo de la generación de ganancias. 

Descubrimiento de fármacos con la ayuda de técnicas de IA / ML 

Fuente de la imagen:  Pixabay (Gratis para uso comercial)

 Las técnicas de IA y ML son cada vez más elegidas por grandes nombres en la industria farmacéutica para resolver el problema infernalmente difícil del descubrimiento exitoso de medicamentos. Algunos ejemplos destacados, que involucran a Sanofi, Genentech, Pfizer, se extraen de  este artículo . Todos los tipos de dominios terapéuticos (enfermedades metabólicas, tratamientos contra el cáncer, medicamentos inmuno-oncológicos) están cubiertos en estos estudios de caso:

 Cómo la inteligencia artificial está cambiando el descubrimiento de drogas
 

Más allá del proceso convencional de larga distancia, las técnicas de IA se aplican cada vez más para acelerar los procesos fundamentales de la  selección de candidatos en etapa temprana  y el  descubrimiento de mecanismos .

Por ejemplo, la compañía de biotecnología Berg  utiliza su plataforma de IA  para analizar inmensas cantidades de datos biológicos y de resultados (perfiles de lípidos, metabolitos, enzimas y proteínas) de los pacientes para resaltar las diferencias clave entre las células enfermas y las sanas e identificar nuevos mecanismos de cáncer.

 Inteligencia artificial en Berg: ¿solo otra biotecnología o empresa que cambia la industria?
 

Otro ejemplo destacado a este respecto provino de la publicación de DeepMind de las posibles estructuras de proteínas asociadas con el virus COVID-19 ( SARS-CoV-2 ) utilizando su   sistema AlphaFold .

 Predicciones computacionales de estructuras proteicas asociadas con COVID-19
 

Muchas empresas de nueva creación también están trabajando en el uso de sistemas de inteligencia artificial para analizar datos multicanal (documentos de investigación, patentes, ensayos clínicos y registros de pacientes) utilizando las últimas técnicas en  inferencia bayesiana, modelos de cadena de Markov, aprendizaje de refuerzo y natural. procesamiento de lenguaje (PNL). Encontrar patrones y construir representaciones de alta dimensión, para ser almacenados en la nube y utilizados en el proceso de descubrimiento de fármacos, son los objetivos clave.
Aquí hay un artículo de revisión que muestra el uso de DL para el descubrimiento de fármacos:

 Revisión: Aprendizaje profundo en el descubrimiento de drogas
 

Las potentes herramientas de IA para la gestión de operaciones de atención médica deben  distinguirse de los sistemas convencionales al combinar la empatía con el objetivo de la generación de ganancias.

 

Hacia el futuro: medicina de precisión y atención médica preventiva

 Según la Biblioteca Nacional de Medicina de EE. UU., La  medicina de precisión  es “ un enfoque emergente para el tratamiento y la prevención de enfermedades que tiene en cuenta la variabilidad individual en los genes, el medio ambiente y el estilo de vida de cada persona. "

Mirando hacia el futuro, este podría ser uno de los beneficios más impactantes de la aplicación de AI / ML en la atención médica.

El objetivo aquí es extremadamente complejo y exigente: encontrar opciones de tratamiento precisas para un individuo en función de su historial médico personal, opciones de estilo de vida, datos genéticos y pruebas patológicas que cambian continuamente. Naturalmente, necesitamos traer las técnicas de IA más poderosas: redes neuronales profundas, algoritmos de búsqueda impulsados ​​por IA / aprendizaje de refuerzo avanzado, modelos gráficos probabilísticos, aprendizaje semi-supervisado, para enfrentar el desafío.

Más allá de la predicción y el modelado de la enfermedad y el tratamiento, un sistema de IA de este tipo también puede predecir potencialmente la probabilidad de futuros pacientes de tener enfermedades específicas si se les realiza un examen temprano o datos de exámenes físicos anuales de rutina. Además, las herramientas de IA podrían modelar por qué y en qué circunstancias es más probable que ocurran enfermedades y, por lo tanto, pueden ayudar a guiar y preparar a los médicos para intervenir (de manera personalizada) incluso antes de que un individuo comience a mostrar síntomas.

El objetivo aquí es extremadamente complejo y exigente: encontrar opciones de tratamiento precisas para un individuo en función de su historial médico personal, opciones de estilo de vida, datos genéticos y pruebas patológicas que cambian continuamente.

 
Cómo la inteligencia artificial está avanzando en la medicina de precisión
 

IA para sistemas de salud pública

Valga decir que tales técnicas poderosas se pueden aplicar a los sistemas de salud pública a gran escala junto con la atención individual del paciente. De hecho,  la vigilancia digital de pandemias  y el análisis de datos de salud asistidos por IA están listos para la expansión:

 La vigilancia digital puede ayudar a controlar la pandemia de coronavirus, pero también amenaza ...
 

La Organización Mundial de la Salud (OMS) también dice lo mismo ...

 Big data e inteligencia artificial
 

Fuente de la imagen:  Pixabay (Gratis para uso comercial)

 

La  crisis actual de COVID-19  ha demostrado lo importante que es ejecutar cientos de ensayos paralelos de desarrollo de  vacunas  y  proyectos de investigación terapéutica . Ingerir datos y reconocer patrones de todas estas fuentes dispares, a menudo produciendo resultados con un alto grado de incertidumbre, es casi imposible de lograr con técnicas estándar de modelado estadístico, que están optimizadas para ensayos a pequeña escala. Las técnicas de IA deben aplicarse para una resolución de problemas a escala planetaria:

 Posibles opciones terapéuticas en ensayos clínicos de COVID-19
 

Resumen

Se discutió una amplia variedad de aplicaciones emocionantes y de futuro de las técnicas y plataformas de AI / ML, en el espacio de la atención médica. Se revisaron temas que iban desde el asistente de radiología hasta la gestión inteligente de las operaciones de salud, desde la medicina personalizada hasta la vigilancia digital para la salud pública.

Los desafíos conocidos de la privacidad de los datos y los marcos legales seguirán siendo obstáculos para la implementación completa de estos sistemas. Puede ser extremadamente complejo determinar qué tipo de datos pueden ser vistos y utilizados legalmente por proveedores externos (por ejemplo, el propietario de las herramientas de IA y ML, dispositivos físicos o plataformas). En consecuencia, se necesita un esfuerzo de racionalización masiva de la formulación de políticas y leyes, en paralelo para abordar esos desafíos.

Como tecnólogos y profesionales de IA / ML, debemos luchar por un futuro brillante donde el poder de los algoritmos de IA beneficien a miles de millones de personas comunes para mejorar su salud y bienestar básicos.

Fuente: KDNUGGETS, Por Tirthajyoti Sarkar , ON Semiconductor.

Leer más