Andrew Ng: Un Pionero de la IA Redefine el Futuro con el Enfoque ‘Data-Centric’
Andrew Ng, una figura de autoridad indiscutible en el campo de la inteligencia artificial, conocido por su papel pionero en el uso de GPUs para el aprendizaje profundo, cofundador de Google Brain y ex científico jefe de Baidu, ha señalado una nueva dirección estratégica que podría transformar la industria tecnológica. Ng argumenta que el futuro inmediato de la IA no reside únicamente en el desarrollo de modelos cada vez más gigantescos, sino en una disciplina meticulosa y sistemática: la ingeniería de datos. Este enfoque, denominado ‘data-centric AI’, busca optimizar la calidad y la relevancia de los datos utilizados para entrenar sistemas de inteligencia artificial, democratizando así el acceso a soluciones de IA potentes y eficientes, especialmente para aquellas industrias que no cuentan con volúmenes masivos de información.
Actualmente, Ng centra sus esfuerzos en Landing AI, su empresa, que ha desarrollado una plataforma para mejorar la inspección visual en la manufactura mediante visión por computadora. Sin embargo, su influencia trasciende esta aplicación específica, posicionándose como un evangelizador de la filosofía ‘data-centric AI’. Esta corriente de pensamiento propone que, ante la madurez de las arquitecturas de redes neuronales actuales, el cuello de botella para el desarrollo de sistemas de IA robustos y efectivos se encuentra en la calidad y la correcta ingeniería de los datos. Ng sostiene que este cambio de enfoque permitirá crear soluciones de IA más eficientes, precisas y menos sesgadas, abordando problemas que hasta ahora parecían inalcanzables para empresas con recursos de datos limitados.
El Paradigma ‘Data-Centric AI’: Más Allá del Big Data
Durante la última década, el avance de la inteligencia artificial, especialmente en áreas como el procesamiento del lenguaje natural (PLN) y la visión por computadora, ha estado intrínsecamente ligado al concepto de ‘big data’. Modelos de lenguaje como GPT-3 y los avances en visión artificial se han beneficiado enormemente de conjuntos de datos masivos, entrenados con enormes capacidades de cómputo. Ng reconoce la importancia de estos avances y se muestra entusiasmado ante el potencial de los ‘foundation models’ para el video, aunque advierte sobre las limitaciones de esta aproximación. «La potencia de cálculo necesaria para procesar el gran volumen de imágenes para vídeo es significativa, y creo que es por eso que los modelos fundacionales han surgido primero en el PLN», explica Ng. La escalabilidad del cómputo y el coste asociado son barreras que aún deben superarse para replicar el éxito de los modelos fundacionales en el ámbito visual.
Sin embargo, Ng recalca que esta receta de escala no es universalmente aplicable. «En muchas industrias donde simplemente no existen conjuntos de datos gigantes, creo que el enfoque tiene que cambiar de ‘big data’ a ‘good data’», afirma. Su empresa, Landing AI, ejemplifica este principio al trabajar con fabricantes que a menudo disponen de conjuntos de datos limitados. En lugar de depender de millones de imágenes, el enfoque ‘data-centric’ demuestra que un número reducido de ejemplos cuidadosamente seleccionados y etiquetados (tan solo 50, según Ng) pueden ser suficientes para entrenar una red neuronal y resolver problemas específicos, como la detección de defectos en líneas de producción. Este enfoque no solo reduce la dependencia de vastos recursos computacionales y de datos, sino que también hace que la IA sea más accesible para sectores como la manufactura, donde la creación de grandes bases de datos puede ser prohibitiva. La democratización de la IA a través de la calidad de los datos abre un nuevo horizonte para la revolución tecnológica, permitiendo que más empresas aprovechen su potencial.
Aplicaciones Prácticas y Superación de Sesgos
El movimiento ‘data-centric AI’ no solo se enfoca en la eficiencia, sino también en la resolución de problemas complejos como el sesgo en los sistemas de IA. Los datos sesgados son una causa conocida de sistemas de inteligencia artificial que perpetúan o incluso amplifican prejuicios existentes. El enfoque de Ng propone herramientas y metodologías para abordar esto de manera proactiva. Al centrarse en la calidad y la consistencia de los datos, se pueden identificar y corregir inconsistencias en el etiquetado o subrepresentaciones de ciertos grupos o escenarios. «Si puedes desarrollar herramientas que señalen dónde los datos son inconsistentes y te den una forma específica de mejorar la consistencia de los datos, eso resulta ser una forma más eficiente de obtener un sistema de alto rendimiento», señala Ng.
Por ejemplo, si un modelo de inspección visual para productos manufacturados muestra un rendimiento inferior en un subconjunto específico de datos (como un tipo particular de defecto), en lugar de intentar modificar toda la arquitectura de la red neuronal, el enfoque ‘data-centric’ permite una intervención más precisa. Se pueden generar datos sintéticos específicamente para ese tipo de defecto o mejorar el etiquetado de los ejemplos existentes. Herramientas como ‘Datasheets for Datasets’ (hojas de datos para conjuntos de datos) también contribuyen a una mayor transparencia y trazabilidad, permitiendo a los desarrolladores comprender mejor las características y limitaciones de los datos que utilizan. Este control granular sobre los datos es fundamental para construir sistemas de IA más justos y fiables, y para mitigar los riesgos asociados a la automatización y la IA.
El Futuro: IA para Todos con Calidad de Datos
Andrew Ng compara el cambio hacia el ‘data-centric AI’ con la revolución del aprendizaje profundo de la década pasada. «Creo que es muy posible que en esta década el mayor cambio sea hacia ‘data-centric AI’», asegura. La plataforma LandingLens está diseñada precisamente para empoderar a las empresas, especialmente en el sector manufacturero, para que puedan gestionar y mejorar sus propios sistemas de IA. Esto implica no solo ofrecer software fácil de usar para el etiquetado y el entrenamiento de modelos, sino también guiar a los clientes a través de metodologías de ingeniería de datos. El objetivo es que las empresas puedan adaptar sus modelos a medida que cambian las necesidades o las condiciones, abordando la «deriva de datos» (data drift) de manera autónoma.
La visión de Ng es ambiciosa: permitir que 10,000 fabricantes desarrollen sus propios modelos de IA personalizados sin necesidad de contratar a 10,000 especialistas en aprendizaje automático. Esto se logra, según él, construyendo herramientas que permitan a los clientes expresar su conocimiento del dominio y aplicar ingenio a sus datos. Esta filosofía de democratización del desarrollo de IA se extiende más allá de la manufactura, apuntando a sectores como la salud, donde la heterogeneidad de los registros médicos presenta desafíos similares. El ‘data-centric AI’ no es solo una metodología técnica; es una llamada a la acción para hacer que la inteligencia artificial sea una herramienta más accesible, robusta y equitativa para la innovación global, un paso crucial para asegurar un futuro de prosperidad y calidad de vida superior.
En un panorama donde los modelos de IA son cada vez más potentes, la capacidad de entrenarlos y adaptarlos eficientemente con datos de alta calidad se perfila como el verdadero diferenciador competitivo. La perspectiva de Ng resuena con la necesidad de abordar desafíos tecnológicos complejos, desde la mejora de la inspección industrial hasta la mitigación de sesgos, sentando las bases para una nueva era de la inteligencia artificial impulsada por la inteligencia en la gestión de datos.
By
