Un Centro para la Evolución – Versatilidad de la Inteligencia Artificial en Exhibición con Logros Recientes

Las innovaciones en inteligencia artificial están moldeando el futuro de los negocios en casi todos los sectores. Desde la salud, la manufactura, las finanzas, la educación, el entretenimiento y el ámbito legal hasta los medios, el servicio al cliente, el transporte y más, prácticamente ninguna industria importante no ha sido influenciada por la IA.

Según una encuesta de IBM de 2023, El 42% de las empresas a escala empresarial ya han integrado IA en sus operaciones, mientras que otro 40% está considerando la tecnología para sus organizaciones.

Esto tiene sentido, dado que la IA tiene el potencial de transformar la productividad y, a su vez, el potencial del PIB de una economía.

Según estimaciones de PWC, la IA podría contribuir con 15,7 billones de dólares a la economía global para finales de esta década, con el 45 % de las ganancias económicas totales provenientes de mejoras de productos impulsadas por IA en forma de mayor asequibilidad, atractivo, variedad y mayor personalización, lo que estimula la demanda del consumidor. Mientras tanto, 6,6 billones de dólares del impulso al PIB en economías locales provendrán probablemente del aumento de la productividad, según PWC.

La IA se está convirtiendo rápidamente en una fuente clave de disrupción y ventaja competitiva, actuando como un centro neurálgico para el avance de casi todas las industrias. Este enorme potencial y versatilidad de la IA se pueden observar en los avances recientes logrados con la ayuda de esta tecnología.

Predicción de Propiedades Térmicas

Una aplicación interesante de la IA es predecir las propiedades térmicas de los materiales. Esto puede ayudar a los ingenieros a diseñar dispositivos microelectrónicos más rápidos y sistemas de conversión de energía más eficientes, al tiempo que reduce el calor residual.

Comprender la relación entre estructura y propiedad es importante al diseñar materiales con propiedades específicas. Ya se ha logrado un progreso significativo en los métodos de aprendizaje automático al respecto. Sin embargo, persisten desafíos en cuanto a la generalización de los modelos y la predicción de propiedades.

Así, la investigación más reciente presentó una red neuronal de grafos con nodo virtual (VGNN) para abordar estos problemas. En su modelo de nodo virtual, los investigadores lograron obtener espectros Γ-fonónicos y la predicción completa de la dispersión de fonones solo a partir de coordenadas atómicas. Al combinar su enfoque con los potenciales interatómicos de ML, el equipo alcanzó una eficiencia mucho mayor con mejor precisión.

La capacidad de calcular rápidamente y con precisión las estructuras de bandas de fonones es crítica porque se estima que el 70 % de la energía producida en todo el mundo termina como calor residual. Si los científicos pueden predecir cómo se desplaza el calor a través de aislantes y semiconductores, se pueden diseñar sistemas de generación de energía más eficientes.

El problema con todo esto es que las propiedades térmicas de los materiales pueden ser muy difíciles de modelar. Esto se debe a los fonones, una unidad cuántica de energía mecánica vibratoria.

Estas partículas subatómicas transportan calor, y algunas de las propiedades térmicas de un material dependen de la relación de dispersión de fonones, que es la relación entre la energía de los fonones y su momento en la estructura cristalina. No solo es difícil incorporarla al diseño de un sistema, sino que obtenerla también plantea desafíos significativos.

Según el autor principal Mingda Li, profesor asociado de ciencia e ingeniería nuclear:

“Los fonones son los culpables de la pérdida térmica, sin embargo, obtener sus propiedades es notoriamente desafiante, ya sea computacionalmente o experimentalmente.”

Es debido a su rango de frecuencias extremadamente amplio que los fonones que transportan calor son tan difíciles de predecir. Además, estas partículas viajan e interactúan a diferentes velocidades.

Los investigadores han intentado estimar las relaciones de dispersión de fonones mediante ML durante años, pero los modelos se quedan estancados porque implican muchos cálculos de alta precisión.

“Si tienes 100 CPU y unas pocas semanas, probablemente podrías calcular la relación de dispersión de fonones para un material. Toda la comunidad realmente quiere una forma más eficiente de hacerlo.”

– Coautor principal Ryotaro Okabe, estudiante de posgrado en química

Los modelos de ML utilizados para realizar cálculos de alta precisión para estimar las relaciones de dispersión de fonones se llaman redes neuronales de grafos (GNN). Estas redes convierten la estructura atómica de un material en un grafo cristalino.

El grafo cristalino comprende múltiples nodos conectados por aristas. Los nodos representan átomos, mientras que las aristas actúan como enlaces interatómicos entre los átomos.

Las GNN han funcionado bien para calcular la polarización eléctrica y la magnetización, entre otras magnitudes. Sin embargo, simplemente no son lo suficientemente flexibles para predecir con precisión la relación de dispersión de fonones, que es una cantidad increíblemente de alta dimensión.

Modelar el espacio de momento de los fonones con una estructura de grafo fija no funciona porque viajan alrededor de los átomos en diferentes ejes. Esto requiere flexibilidad, que los investigadores aportaron mediante nodos virtuales.

Mientras que los nodos del grafo se usan para representar átomos, el equipo revisó la idea y llegó a que “los nodos del grafo pueden ser cualquier cosa. Y los nodos virtuales son un enfoque muy genérico que se puede usar para predecir muchas cantidades de alta dimensión.”

Al añadir nodos virtuales flexibles a la estructura cristalina fija, el equipo creó un nuevo marco llamado red neuronal de grafos con nodo virtual (VGNN). Al permitir que la salida de VGNN varíe en tamaño, no queda restringida por la estructura cristalina fija.

Sin embargo, estos nodos virtuales solo pueden recibir mensajes de los nodos reales. Por lo tanto, aunque se actualizan junto con los nodos reales durante el cálculo, los nodos virtuales no afectan la precisión del modelo.

Como explicó el coautor principal Abhijatmedhi Chotrattanapituk, estudiante de posgrado en ingeniería eléctrica y ciencias de la computación, los nodos reales no tienen idea de que los virtuales existen.

“La forma en que hacemos esto es muy eficiente en la codificación. Simplemente generas algunos nodos más en tu GNN.”

Al hacer que los nodos virtuales representen fonones, el modelo VGNN no tiene que realizar muchos cálculos complejos al predecir la relación de dispersión de fonones, lo que lo hace más eficiente que la GNN.

El nuevo marco AML creado por investigadores del MIT y otros lugares ha demostrado predecir las relaciones de dispersión de fonones hasta 1 millón de veces más rápido que los enfoques tradicionales sin IA. Incluso comparado con otras técnicas basadas en IA, este nuevo marco es 1.000 veces más rápido con una precisión comparable o incluso mejor.

Al predecir la capacidad calorífica de un material, el investigador encontró que el modelo era ligeramente más preciso, con errores de predicción dos órdenes de magnitud menores en algunos casos.

Según los investigadores, el modelo puede estimar las relaciones de dispersión de fonones para varios miles de materiales en solo unos segundos usando una computadora personal. Esto permite explorar más materiales con propiedades térmicas específicas. Incluso puede usarse para calcular relaciones de dispersión de fonones en sistemas de aleaciones, lo cual es particularmente desafiante para los modelos tradicionales.

En la microelectrónica, donde gestionar el calor es un gran desafío para hacerlos más rápidos, el nuevo método puede ser extremadamente beneficioso y ayudar a desarrollar microelectrónicos más eficientes. Además, el método puede ayudar en el diseño de sistemas de generación de energía que produzcan más potencia y mayor eficiencia.

Los investigadores proponen tres versiones del nuevo modelo, cada una capaz de estimar fonones directamente a partir de las coordenadas atómicas del material, pero con complejidad creciente.

Aquí hay dos empresas que pueden beneficiarse de este desarrollo relacionado con IA en la predicción de propiedades térmicas de los materiales:

#1. Intel

Como fabricante líder de microprocesadores, la gestión del calor es crucial para Intel. Los modelos de IA mejorados pueden ayudar a diseñar procesadores más rápidos y eficientes con mejor disipación de calor, impulsando el rendimiento y la vida útil del producto y haciendo a Intel más competitivo.

#2. NVIDIA

Una gestión térmica eficiente es esencial para las GPU de alto rendimiento de NVIDIA utilizadas en centros de datos, juegos y aplicaciones de IA. Los modelos de IA mejorados pueden conducir a mejores soluciones de refrigeración, mejorando el rendimiento y la fiabilidad del producto. Esto allana el camino para diseñar sistemas de IA energéticamente eficientes, reforzando la posición de mercado de NVIDIA.

Garantizando la Paridad

Un artículo separado, mientras tanto, mejoró la equidad al introducir aleatoriedad estructurada en la asignación de recursos escasos con IA. Esto permite que las predicciones de modelos basados en ML aborden incertidumbres innatas sin comprometer la eficiencia.

Durante el último año, la popularidad de la IA generativa como ChatGPT ha convertido la tecnología en una parte integral de los negocios. Las organizaciones han recurrido cada vez más a modelos de ML para asignar sus recursos escasos, como los beneficios sociales. Este uso puede variar desde la selección de currículos hasta la elección de candidatos para entrevistas de trabajo, pasando por la clasificación de pacientes por parte de proveedores de salud para la limitada disponibilidad de recursos médicos que salvan vidas, como ventiladores u órganos, basándose en su tasa de supervivencia.

Al usar modelos de IA, se busca lograr predicciones justas reduciendo el sesgo. Esto a menudo se logra con técnicas como calibrar los puntajes generados o ajustar las características del modelo para tomar decisiones.

Aunque tradicionalmente se cree que los algoritmos son justos, un nuevo artículo de investigadores de Northeastern University y MIT sostiene que lograr la equidad mediante ML a menudo requiere aleatoriedad. Su análisis encontró que la randomización es particularmente beneficiosa cuando las decisiones de un modelo implican incertidumbre. Además, cuando el mismo grupo recibe consistentemente decisiones negativas, se debe aplicar la aleatorización para mejorar la equidad.

Los investigadores presentaron un marco para introducir aleatorización específica en las decisiones del modelo. El método puede adaptarse a situaciones individuales para mejorar la equidad sin dañar la precisión ni perjudicar la efectividad del modelo.

“Incluso si pudieras hacer predicciones justas, ¿deberías decidir estas asignaciones sociales de recursos escasos u oportunidades estrictamente basándote en puntajes o clasificaciones? A medida que las cosas escalan y vemos más y más oportunidades decididas por estos algoritmos, las incertidumbres inherentes en estos puntajes pueden amplificarse. Demostramos que la equidad puede requerir algún tipo de aleatorización.”

– El autor principal, Shomik Jain, estudiante de posgrado en IDSS

Esta nueva investigación se basa en un artículo previo, que exploró los daños de usar sistemas deterministas a gran escala y encontró que el uso de modelos de ML para asignar recursos de manera determinista amplifica las desigualdades existentes y refuerza el sesgo. Según la autora principal Ashia Wilson, investigadora principal en LIDS:

“La aleatorización es un concepto muy útil en estadística y, para nuestro deleite, satisface las demandas de equidad tanto desde un punto de vista sistémico como individual.”

Explorando cuándo la aleatorización puede mejorar la equidad, el último artículo adoptó el concepto del valor de las loterías en la consecución de la equidad del filósofo John Broome para argumentar la necesidad de aleatorización en entornos de recursos escasos para honrar todas las reivindicaciones dando a cada persona una oportunidad. Jain dijo:

“Cuando reconoces que las personas tienen diferentes reivindicaciones sobre estos recursos escasos, la equidad requerirá que respetemos todas las reivindicaciones de los individuos. Si siempre le damos a alguien con una reivindicación más fuerte el recurso, ¿es eso justo?”

Una asignación determinista en la que siempre se otorga el recurso a la reivindicación más fuerte puede causar exclusión sistémica o generar injusticias acumulativas. Los modelos de aprendizaje automático también pueden cometer errores, que se repiten al usar un enfoque determinista.

El artículo señaló que la aleatorización puede ayudar a superar estos problemas. Sin embargo, no todas las decisiones deben aleatorizarse por igual. Una decisión menos segura debe tener más aleatorización.

Por ejemplo, la asignación de riñones implica proyectar la esperanza de vida, lo cual es altamente incierto, y cuando hay dos pacientes que solo difieren en cinco años, se vuelve aún más difícil de medir. Wilson dijo:

“Queremos aprovechar ese nivel de incertidumbre para adaptar la aleatorización.”

Para determinar el grado de aleatorización requerido en diferentes condiciones, los investigadores utilizaron métodos estadísticos de cuantificación de incertidumbre para demostrar que una aleatorización calibrada puede producir resultados más justos sin afectar significativamente la efectividad o utilidad del modelo.

“Existe un equilibrio entre la utilidad global y el respeto a los derechos de los individuos que reciben un recurso escaso, pero a menudo la compensación es relativamente pequeña.”

– Wilson

Aunque la aleatorización puede ser realmente beneficiosa para mejorar la equidad en áreas como la admisión universitaria, la investigación también señaló situaciones como la justicia penal donde aleatorizar decisiones podría dañar a los individuos en lugar de mejorar la equidad.

En el futuro, los investigadores planean estudiar otros casos de uso e investigar el efecto de la aleatorización en otros factores, como precios y competencia, y cómo eso puede usarse para mejorar la robustez de los modelos de ML. Ahora, veremos dos empresas que pueden beneficiarse significativamente de este desarrollo:

#1. UnitedHealth Group 

UnitedHealth Group Inc. puede mejorar la equidad en la gestión de la atención al paciente y la distribución de recursos incorporando aleatoriedad estructurada en los modelos de IA. Este enfoque reduce los sesgos y garantiza un acceso equitativo a los tratamientos, alineándose con el compromiso de UnitedHealth de proporcionar atención de alta calidad y asequible.

Reportó ingresos de 98,9 mil millones de dólares en el segundo trimestre de 2024, reflejando un aumento de 6 mil millones de dólares interanual.

#2. Pfizer 

Pfizer Inc. puede usar aleatoriedad estructurada en IA para garantizar una selección justa de pacientes en ensayos clínicos y una asignación equitativa de tratamientos experimentales. Este enfoque apoyará la misión de Pfizer de avanzar la equidad en salud y beneficiar a una población más amplia.

En términos de ingresos, Pfizer reportó ingresos anuales de 58,5 mil millones de dólares en 2023.

Sistemas de Aprendizaje de Lenguas Personalizados

Otra aplicación interesante de la IA se está materializando en la generación de libros de cuentos personalizados para ayudar a los niños en el aprendizaje de idiomas. Mediante el uso de IA generativa y tecnología IoT doméstica, el estudio más reciente busca ofrecer una forma eficaz y personalizada de ayudar a los niños a mejorar en el procesamiento del habla y la comunicación.

El desarrollo del lenguaje en los niños es de gran importancia, dado que impacta su crecimiento cognitivo y académico. Dado el papel que desempeña en el desarrollo social general de los niños, el progreso del lenguaje debe evaluarse regularmente para que se puedan proporcionar intervenciones lingüísticas oportunas.

Tradicionalmente, se utiliza un enfoque único mediante listas de vocabulario estandarizadas y material preelaborado para evaluaciones e intervenciones de habilidades lingüísticas. Esto a pesar de que los niños aprenden el idioma interactuando con sus entornos, y como crecen en entornos diversos, conduce a variaciones en la exposición al vocabulario.

Para superar las limitaciones de este enfoque convencional, un equipo de investigadores desarrolló un sistema educativo innovador que se adapta al entorno único de cada niño.

Este sistema de aprendizaje de lenguas personalizado se llama “Open Sesame? Open Salami! (OSOS)”. Combina la teoría de la patología del habla con la experiencia práctica y se adapta a las variaciones en el desarrollo del lenguaje de los niños mediante una ponderación individualizada de factores y criterios flexibles de selección de vocabulario.

Impulsado por IA generativa y detección ubicua, OSOS perfila el entorno lingüístico del niño, extrae palabras prioritarias personalizadas y crea libros de cuentos personalizados que incluyen naturalmente esas palabras. Comprende tres módulos principales:

1. Perfilador de Lenguaje Personalizado
2. Extractor de Vocabulario Objetivo
3. Generador de Ayuda de Intervención Personalizada

El Perfilador se desplegará en el hogar y se integrará en electrodomésticos o altavoces inteligentes para recopilar muestras de habla. Los padres controlarán cuándo iniciar y detener la grabación.

Para este propósito, se utilizaron dispositivos IoT domésticos para capturar y monitorear el entorno diario y la exposición lingüística de los niños. Luego, el vocabulario de los niños se examinó mediante separación de hablantes, que identifica y aísla diferentes voces, y técnicas de análisis morfológico para evaluar las unidades semánticas más pequeñas del lenguaje.

El Extractor analiza los enunciados y extrae una lista priorizada seleccionable de palabras recomendables para el niño. Cada palabra se analiza calculando puntuaciones basadas en factores cruciales relacionados con la patología del habla.

El Generador, mientras tanto, brinda intervención en forma de libros de cuentos, una práctica clínica común y parte de la rutina natural de la mayoría de los niños. Para crear materiales personalizados, el equipo utilizó tecnologías avanzadas de IA generativa, incluyendo GPT-4 y Stable Diffusion. Estas soluciones les permitieron producir libros a medida que integran sin problemas el vocabulario objetivo de cada niño.

El equipo probó el sistema de aprendizaje de lenguas personalizado con nueve familias durante un período de cuatro semanas. Los resultados demostraron la aplicabilidad del sistema en entornos cotidianos y mostraron eficazmente el aprendizaje del vocabulario objetivo por parte de los niños.

“Nuestro objetivo es aprovechar la IA para crear guías personalizadas adaptadas a los niveles y necesidades de diferentes individuos.”

– Autor principal Jungeun Lee de POSTECH

Las dos empresas a continuación pueden beneficiarse de los sistemas de aprendizaje de lenguas personalizados impulsados por IA:

#1. Amazon

Amazon, con sus amplias capacidades de IA e IoT, puede integrar sistemas de aprendizaje de lenguas personalizados en sus dispositivos domésticos inteligentes como Alexa. Esto permitiría a los padres usar Alexa para capturar y analizar el desarrollo del lenguaje de sus hijos en tiempo real, ofreciendo experiencias de aprendizaje a medida.

En 2023, los ingresos totales de Amazon crecieron un 12 % hasta 575 mil millones de dólares, con los segmentos de América del Norte, Internacional y AWS contribuyendo significativamente.

Los ingresos de América del Norte aumentaron un 12 % a 353 mil millones de dólares, los ingresos internacionales crecieron un 11 % a 131 mil millones de dólares, y los ingresos de AWS subieron un 13 % a 91 mil millones de dólares. Su ingreso operativo se disparó de 12,2 mil millones de dólares en 2022 a 36,9 mil millones de dólares en 2023, mientras que el flujo de caja libre pasó de -11,6 mil millones de dólares en 2022 a +36,8 mil millones de dólares.

#2. Alphabet Inc. (Google)

Google puede implementar sistemas de aprendizaje de lenguas personalizados usando sus dispositivos Google Home y Nest. Aprovechando la experiencia en IA de Google, estos dispositivos pueden ofrecer contenido de aprendizaje personalizado y rastrear el desarrollo del lenguaje, ayudando a intervenciones lingüísticas más efectivas para los niños.

En 2023, los ingresos totales de Alphabet Inc. crecieron a 307,4 mil millones de dólares, frente a 282,8 mil millones de dólares en 2022. Los Servicios de Google, incluidos la Búsqueda de Google y los anuncios de YouTube, generaron 272,5 mil millones de dólares, mientras que Google Cloud obtuvo 33,1 mil millones de dólares. El ingreso operativo aumentó a 84,3 mil millones de dólares, con Google Cloud convirtiendo una pérdida de 1,9 mil millones de dólares en 2022 en una ganancia de 1,7 mil millones de dólares. Los activos totales alcanzaron 402,4 mil millones de dólares, incluidos 110,9 mil millones de dólares en efectivo.

Conclusión

Como hemos visto con estos logros recientes, la IA tiene casos de uso diversos que van desde ayudar a los niños en el desarrollo del lenguaje hasta diseñar sistemas de conversión de energía más eficientes y dispositivos microelectrónicos de alto rendimiento. Esto demuestra cuán poderosa es la versatilidad de la IA.

La capacidad de la IA para manejar grandes volúmenes de datos, realizar tareas repetitivas de manera eficiente, aprender de los datos y mejorar con el tiempo la convierte en una fuerza verdaderamente disruptiva para una amplia gama de industrias que innovan, mejoran su eficiencia y productividad, reducen costos y mejoran la toma de decisiones. En este contexto, la IA muestra un enorme potencial, que muy probablemente se extienda más allá de nuestras estimaciones actuales, para transformar industrias y, a su vez, nuestras vidas.

Haga clic aquí para aprender todo sobre la inversión en inteligencia artificial.