¿Por qué es clave la IA híbrida para obtener valor del procesamiento del lenguaje natural?
- Estrategias digitales
La tecnología de machine learning no puede producir aplicaciones de inteligencia artificial por sí sólo sin la guía del conocimiento humano. Las aplicaciones de IA más avanzadas en la actualidad combinan el aprendizaje automático con reglas definidas por humanos: es lo que se denomina IA híbrida. Así lo sostiene Forrester en uno de sus últimos informes.
|
Recomendados.... |
La inteligencia artificial híbrida, que combina el aprendizaje automático con el procesamiento del conocimiento humano, es la solución idónea para el procesamiento del lenguaje natural (NLP). Así lo sostiene Forrester en un estudio relizado en colaboración con expert.ai especialista en inteligencia artifificial para la comprensión y las operaciones lingüísticas.
Forrester define la inteligencia artificial como “la teoría y las capacidades que trabajan para emular la inteligencia humana a través de la experiencia y el autoaprendizaje”. Contrariamente a la idea común, señala Forrester, el Machine Learning no puede producir aplicaciones de IA por sí sólo sin la guía del conocimiento humano. Las aplicaciones de IA más avanzadas en la actualidad combinan el aprendizaje automático con reglas definidas por humanos: es lo que se denomina IA híbrida.
En el informe, Forrester asegura que la inteligencia basada en el conocimiento sigue siendo una capacidad esencial para el NLP. “La IA puramente basada en el autoaprendizaje no es sostenible a largo plazo”, asegura la consultora, “porque no podemos codificar todas las reglas lingüísticas para todos los idiomas hablados, mientras que la IA basada en el conocimiento, si bien no aprende nada para lo que no ha sido programada, sigue siendo una capacidad clave en los procesos de NLP”, explica.
Según el informe de Forrester, los nuevos modelos de lenguaje basados en redes neuronales y transferencia del aprendizaje (por ejemplo, BERT o GPT-3) son una gran promesa para el procesamiento del lenguaje humano porque requieren una menor intervención humana. Sin embargo, implican una inversión significativa de tiempo, recursos y atención, por ejemplo, para la obtención y gestión de datos de entrenamiento, el etiquetado automático, el envío de datos para su etiquetado manual o el entrenamiento inicial del modelo. También es necesario realizar auditorías de precisión para impulsar el reentrenamiento y consolidar los procesos de ajuste, labor que debe realizar un humano.
El informe concluye que “los responsables de tecnología e infraestructuras de datos deben ser conscientes de que las aplicaciones de inteligencia artificial basadas en el conocimiento son más precisas desde el inicio, pueden implementarse más rápido y requieren menos soporte, son más explicables y proporcionan un soporte más completo para reglas de negocio complejas”.
En definitiva, la firma sostiene que las técnicas de Machine Learning deben ser combinadas con IA basada en el conocimiento humano para ser efectivas.
