Durante los últimos años hemos sido testigos de un aumento dramático en las plataformas, herramientas y aplicaciones basadas en el aprendizaje automático y la inteligencia artificial. Estas tecnologías no solo afectaron al software y la industria de Internet, sino también a otros mercados verticales como salud, legal, manufactura, automóviles y agricultura.
En el 2019, hemos visto el rápido avance de las tecnologías relacionadas con la inteligencia artificial, también llamada IA. Compañías como Amazon, Apple, Facebook, Google, IBM y Microsoft están invirtiendo en investigación y desarrollo de inteligencia artificial, lo que beneficiará al ecosistema para acercar la inteligencia artificial a los consumidores.
Aquí hay 5 tendencias de la IA a tener en cuenta:
Mejora de Chips y mayor eficiencia.
A diferencia de otros programas, la inteligencia artificial se basa en gran medida en procesadores especializados que complementan la CPU. Incluso la CPU más rápida y avanzada puede no mejorar la velocidad de entrenamiento de un modelo de IA. Mientras se procesa una conclusión, el modelo necesita hardware adicional para realizar cálculos matemáticos complejos para acelerar tareas como la detección de objetos y el reconocimiento facial.
En 2019, los fabricantes de chips como Intel, NVIDIA, AMD, ARM y Qualcomm enviarán chips especializados que aceleran la ejecución de aplicaciones habilitadas para inteligencia artificia. Estos chips se optimizarán para casos de uso específicos y escenarios relacionados con la visión por máquinas, procesamiento del lenguaje natural y el reconocimiento de voz. Las aplicaciones de próxima generación de las industrias de la salud y el automóvil dependerán de estos chips para entregar inteligencia a los usuarios finales.
2019 también será el año en el que las empresas de infraestructura de hiperescala como Amazon, Microsoft, Google y Facebook aumentarán las inversiones en chips personalizados basados en arreglos de puertas programables de campo (FPGA) y circuitos integrados específicos de aplicación (ASIC). Estos chips estarán altamente optimizados para ejecutar cargas de trabajo modernas basadas en AI y computación de alto rendimiento (HPC). Algunos de estos chips también ayudarán a las bases de datos de próxima generación a acelerar el procesamiento de consultas y el análisis predictivo.
La Inteligencia Artificial está causando sensación en las plataformas de Internet of Things (IoT).
Las previsiones afirman que en los próximos años un 80% de los proyectos IoT incluirán un componente de Inteligencia artificial. Hoy en día solo un 10% de los proyectos de IoT lo incluyen.
El IoT industrial es el caso de uso más importante para inteligencia artificial que puede realizar detección atípica, análisis de causa raíz y mantenimiento predictivo del equipo.
El análisis o modelos basado en el aprendizaje automático o machine learning permiten identificar patrones automáticamente y detectar anomalías en los datos que generan los sensores y los dispositivos inteligentes. Serán capaces de manejar cuadros de video, síntesis de voz, datos de series de tiempo y datos no estructurados generados por dispositivos como cámaras, micrófonos y otros sensores.
La interoperabilidad entre redes neuronales vuelve a ser un factor clave para la IA
¿Cómo puede imitar un ordenador el proceso de aprendizaje y acabar desarrollando una “cosa” que funciona? Se basan en una idea sencilla: dados unos parámetros hay una forma de combinarlos para predecir un cierto resultado. Uno de los desafíos críticos en el desarrollo de modelos de redes neuronales se encuentra en elegir el ámbito adecuado. Los científicos y desarrolladores de datos tienen que elegir la herramienta correcta entre una gran cantidad de opciones que incluyen Caffe2, PyTorch, Apache MXNet, Microsoft Cognitive Toolkit y TensorFlow. Una vez que un modelo se entrena y se evalúa en un marco específico, es difícil llevar el modelo entrenado a otro marco.
La falta de interoperabilidad entre los kits de herramientas de redes neuronales está obstaculizando la adopción de la inteligencia artificial. Para enfrentar este desafío, AWS, Facebook y Microsoft han colaborado para construir Open Neural Network Exchange (ONNX), lo que hace posible reutilizar los modelos de redes neuronales entrenadas en varios marcos y que los desarrolladores sean más ágiles.
En 2019, ONNX se convertirá en una tecnología principal para la industria. Desde investigadores hasta fabricantes de dispositivos y todos los actores clave del ecosistema confiarán en ONNX como el tiempo de ejecución estándar.
El aprendizaje automático automatizado ganará prestigio.
Una tendencia que va a cambiar el aspecto de las soluciones basadas en Machine Learning fundamentalmente es AutoML (Automated machine learning). Permitirá a los analistas y desarrolladores de negocios optimizar modelos de aprendizaje automático que puedan abordar escenarios complejos sin pasar por el proceso típico de entrenamiento de modelos de Machine Learning.
Al tratar con una plataforma AutoML, los analistas se centran en el problema del negocio en lugar de perderse en el proceso y el flujo de trabajo.
AutoML encaja perfectamente con las plataformas API y las plataformas de machine learning. El Automated machine learning permite un adecuado nivel de personalización sin obligar a los desarrolladores a pasar por el elaborado flujo de trabajo. A diferencia de las API que a menudo se consideran como cajas negras, AutoML expone el mismo grado de flexibilidad, pero con datos personalizados combinados con portabilidad y poder ejecutar los datos en diferentes plataformas y sistemas operativos.
AIOps: El siguiente nivel de servicios de DevOps
Antes de nada, ¿Qué es AIOps? Gartner acuñó el término para describir cómo se puede aplicar el espectro de las capacidades de IA para abordar los desafíos de las operaciones de TI identificando y reaccionando automáticamente a los problemas, es decir, una solución para automatizar el análisis de datos y las operaciones rutinarias de DevOps.
Las aplicaciones y la infraestructura modernas están generando datos de registro que se capturan para indexación, búsqueda y análisis. Los conjuntos de datos masivos obtenidos del hardware, los sistemas operativos, el software del servidor y el software de la aplicación se pueden agregar y correlacionar para encontrar ideas y patrones. Cuando se aplican modelos de aprendizaje automático a estos conjuntos de datos, las operaciones de TI pasan de ser reactivas a predictivas.
Cuando el poder de la IA se aplica a las operaciones, redefinirá la forma en que se gestiona la infraestructura. La aplicación de machine learning y la inteligencia artificial en las operaciones de TI y DevOps entregará inteligencia a las organizaciones. Ayudará a los equipos de operaciones a realizar un análisis preciso y preciso de la causa raíz.
AIOps se convertirá en la corriente principal en 2019. Los proveedores de la nube pública y las empresas se beneficiarán de la convergencia de AI y DevOps.
El aprendizaje automático y la inteligencia artificial se convertirán en las tendencias tecnológicas clave de 2019. Desde las aplicaciones empresariales hasta el soporte de TI, la IA impactará significativamente en la industria.
