El Hype Cycle de Tecnologías Emergentes de Gartner es una representación gráfica de la madurez, adopción y aplicación comercial de tecnologías específicas. Gartner ha identificado cuatro tendencias principales en el Hype Cycle para la IA 2021. Estas tendencias incluyen el uso de la IA para impulsar la transformación de los negocios, el aumento de la seguridad de la IA, el uso de la IA para el bien común y el uso de la IA para mejorar la productividad. Estas tendencias son una fuente de oportunidades para aquellas empresas que deseen aprovechar el potencial de la IA en su negocio.
El Hype Cycle de Inteligencia Artificial 2020-2022
En el informe de 2020 Gartner destacaba que a pesar del impacto mundial de la COVID-19, el 47 % de las inversiones en inteligencia artificial (IA) se mantuvieron sin cambios desde el inicio de la pandemia y el 30 % de las organizaciones quería aumentar dichas inversiones, mientras que solo un 16 % había suspendido temporalmente las inversiones en inteligencia artificial y solo un 7 % las había reducido.
Tendencias 2021 para la IA
El Hype Cycle de AI de 2021 mostraba que la Inteligencia Artificial (IA) está cobrando una importancia cada vez mayor en el mundo tecnológico. Gartner ha identificado cuatro tendencias principales en el Hype Cycle para la IA 2021. Estas cuatro tendencias abarcan desde la aplicación de la IA en el negocio hasta el aumento de la seguridad de la IA y el uso de la IA para el bien común.
- IA para impulsar la transformación de los negocios. Esto incluye el uso de la IA para mejorar la productividad, aumentar la eficiencia, mejorar la experiencia del cliente y ofrecer productos y servicios más innovadores. La IA también se usa para crear nuevos productos y servicios que puedan satisfacer las necesidades de los consumidores.
- Seguridad de la IA. Esto incluye el uso de técnicas avanzadas de seguridad para garantizar que la IA se use de manera segura y no cause daños. Las empresas deben implementar protocolos de seguridad para garantizar que sus sistemas sean seguros y protegidos contra cualquier uso inapropiado.
- Uso de la IA para el bien común. Esto incluye el uso de la IA para mejorar la salud, el medio ambiente y la economía. Esto también se extiende a la educación, la justicia y el desarrollo de habilidades. Estas áreas se benefician de la IA para mejorar los resultados y aumentar la eficiencia.
- IA para mejorar la productividad. Esto incluye el uso de la IA para automatizar tareas, reducir el coste y mejorar la calidad de los productos y servicios. Esto es especialmente importante para las empresas que desean aumentar su competitividad y mejorar su productividad.
Tendencias 2022 para la IA
El Hype Cycle de AI de 2022 expone que las tecnologías de inteligencia Artificial dentro de 2-5 años será accesible para todos, lo que supondrá que tanto los desarrolladores, como las empresas y organizaciones podrán aprovechar la tecnología para mejorar los procesos y aumentar la productividad. Estas tecnologías se dividen en cuatro areas:
- Data-centric AI: Esta tecnología se centra en la recopilación y análisis de datos. Esto incluye el uso de herramientas como la minería de datos, la visualización de datos, el análisis predictivo y la inteligencia artificial. Esta tecnología se utiliza para identificar patrones, hacer predicciones y descubrir nuevas tendencias. Estas técnicas se pueden aplicar a una variedad de áreas, desde el marketing hasta la salud.
- Model-centric AI: Esta tecnología se centra en el uso de modelos para extraer información de los datos. Estos modelos pueden ser estadísticos, algorítmicos o basados en redes neuronales. Esto permite a los desarrolladores crear aplicaciones más inteligentes y avanzadas. Esto también incluye el uso de modelos para extraer información a partir de imágenes, audio y video.
- Applications-centric AI: Esta tecnología se centra en la creación de aplicaciones inteligentes. Estas aplicaciones pueden ser de ámbito comercial, de negocios o de consumidor. Estas aplicaciones pueden proporcionar servicios inteligentes como asistentes virtuales, sistemas de recomendación, sistemas de administración de contenido y sistemas de interacción con el usuario.
- Human-centric AI: Esta tecnología se centra en el uso de la inteligencia artificial para mejorar la interacción humano-computadora. Esto incluye el uso de chatbots, asistentes virtuales y sistemas de reconocimiento de voz. Estas tecnologías también se utilizan para mejorar la navegación de sitios web, la búsqueda de contenido y la interacción con el usuario.
Evolución del Hype Cycle de IA 2018-2022
Los informes Hype Cycle de Gartner ofrecen una mejor comprensión de las tendencias tecnológicas emergentes y cómo estas tendencias pueden afectar a los negocio. El Hype Cycle de Gartner de IA es una herramienta de análisis que ayuda a comprender mejor el ciclo de vida de esta tecnología y cómo evoluciona a lo largo del tiempo.
[smartslider3 slider=»3″]Esta herramienta ayuda a los usuarios a identificar las áreas de oportunidad para su negocio y a tomar decisiones informadas sobre la inversión en tecnologías emergentes.
Tecnologías de Inteligencia Artificial de Gartner
Tecnologías IA en fase de Lanzamiento (Technology Trigger)
Las Tecnologías IA en fase de Lanzamiento (Technology Trigger) son aquellas que se ha demostrado su potencial para ofrecer una solución a un problema específico. Estas tecnologías están comenzando a ser adoptadas por algunos usuarios, pero aún no se ha demostrado su valor general para la industria.
AGI (Inteligencia General Artificial)
La habilidad de un software/agente inteligente para comprender cualquier tarea intelectual similar al nivel de un humano. Alguna vez, esto ha sido el ideal supremo de muchos desarrolladores de IA. Comercialmente, si el agente tuviera un nivel de inteligencia similar al de los humanos, habrían mayores posibilidades de automatización en el futuro.
Physics-informed AI (ML)
Physics-informed AI (ML) explora la integración de datos y modelos matemáticos de física. La idea es que las Redes Neuronales se conviertan en PINN, y las leyes pueden gobernar los conjuntos de datos en el proceso de aprendizaje. Se combinan diferentes formas de inteligencia para obtener predicciones o decisiones más precisas.
Causal AI
AI Causal – Esta es una nueva forma de IA que intenta identificar las causas subyacentes del comportamiento o crear insights que los modelos predictivos no proporcionan. Por ejemplo, la mayoría de la IA es buena para predecir cuando X = Y. Sin embargo, la causal intenta entender por qué. Comercialmente, si sabemos por qué se toman las decisiones, entonces si podemos volver a crear esta inteligencia, podemos llegar a decisiones más precisas. Tener este nivel de comprensión conduciría a predicciones o elecciones más precisas.
Data-Centric AI
AI centrada en datos es una nueva área de IA abanderada por Andrew Ng de Landing AI donde los sistemas de IA se centran en los datos en lugar de en los algoritmos. Los datos muestran que una buena data puede llevar a un modelado 10 veces más rápido, un 65% de reducción en el tiempo de implementación y un 40% de mejora en la rendimiento y precisión. Comercialmente, una mejor data ofrece mejor sentido. Con buena data, las empresas pueden usar menos datos para el entrenamiento del modelo, reduciendo el tiempo y los costos.
AI Engineering – Ingeniería de IA
El campo de investigación que combina principios de ingeniería de sistemas, ingeniería de software, ciencias de la computación y diseño centrado en el ser humano. A medida que la IA se desarrolle y se esfuerce por ser más inteligente, tendrá que adoptar diferentes formas de tecnología y sistemas de conocimiento.
Decision Intelligence
Esta es una nueva área de ciencia de datos que incluye teorías de la teoría de la decisión, ciencias sociales y ciencias administrativas. Fue desarrollado para mejorar la toma de decisiones comerciales en ML.
Composite AI
En la AI Compuesta se usan diferentes técnicas o tecnologías de AI para lograr un mejor resultado. También se puede llamar IA multidisciplinaria y está diseñada para resolver problemas comerciales complejos. Esto podría significar usar más datos menores, ML, aprendizaje profundo, NLP, CV (Visión Computacional), estadísticas descriptivas y gráficos de conocimiento. También podría incorporar DataOps, MLOps, APIOps, Data Mesh, etc. La idea es que la IA compuesta permite una toma de decisiones más humana, reduciendo así la necesidad de grandes equipos. Más sobre
AI TRiSM
Esto es una abreviatura de AI (T)rust, (Ri)SK, & (S)security (M)management. Esta es una forma de gobernanza del modelo. Es para que la gente confíe en los modelos, asegurando que tengan un control adecuado, confiabilidad, equidad, fiabilidad, seguridad y protección de datos. En el futuro, veo que la mayoría de las organizaciones adopten este modelo como parte de su gobernanza de IA. Más sobre AI Trism por Fairly
Operational AI System
Sistema de IA Operacional – Este es un tipo de sistema inteligente diseñado para aplicaciones comerciales específicas del mundo real, como análisis de texto, reconocimiento de imágenes, etc. A menudo es un sistema de IA específico de dominio mínimo.
Neuromorphic Computing ModelOps
ModelOps de computación neuromórfica – Esta es una AI específica modelada a partir del cerebro humano y su sistema nervioso.
Tecnologías IA en fase de Pico de expectativas sobredimensionadas (Peak of Inflated Expectations)
Generative AI
AI Generativa – Una descripción general amplia de AI que usa algoritmos de aprendizaje no supervisado para crear imágenes, video, audio, texto o código.
Responsable IA
Responsable IA – Esta es la estructura que documenta cómo una organización está abordando los desafíos relacionados con la IA desde un punto de vista ético y legal.
Foundation models
Modelos de fundación: son grandes modelos de IA entrenados en muchos datos sin etiquetar.
Smart robots
Robots inteligentes: estos sistemas de IA construyen su conocimiento aprendiendo sobre su entorno y experiencia.
Synthetic data
Datos sintéticos: estos son datos / información producidos artificialmente en lugar de la fuente.
Edge AI
Edge AI: es donde los algoritmos de ML a menudo se procesan localmente por el dispositivo de hardware en lugar de centralmente en la nube.
Knowledge graphs (KG’s)
Grafos de conocimiento (KG): los grafos de conocimiento acceden o integran fuentes de datos y agregan contexto o profundidad basada en datos utilizando ML. Actúan como un puente entre humanos y sistemas.
Tecnologías IA en fase de Abismo de desilusión (Trough of Disillusionment)
Las Tecnologías IA en fase de Abismo de desilusión (Trough of Disillusionment) son las siguientes:
Natural Language Processing (NLP)
Procesamiento de lenguaje natural (NLP): esta es una parte de la lingüística, la informática y la IA sobre las interacciones entre computadoras y lenguajes humanos. La mayoría de los sistemas NLP permiten que las computadoras entiendan el texto y las palabras habladas de la misma manera que los humanos. Más sobre NLP
Digital Ethics
Ética digital: la rama de la ética que trata con los medios digitales. La IA es un sistema de principios y técnicas morales destinadas a informar el desarrollo y uso de la IA.
AI Maker and Teaching Kits
Kits de fabricación e instrucción de IA: estos son sistemas de IA diseñados para enseñar.
AI cloud services
Servicios en la nube de IA: combina lo mejor de las arquitecturas de IA y nube con proyectos y cargas de trabajo compartidos.
Deep learning
Aprendizaje profundo: este es el aprendizaje utilizando redes neuronales. Aquí los elementos se descomponen y analizan para encontrar patrones y probabilidades. Luego se pueden tomar más decisiones basadas en esto.
Autonomous Vehicles
Vehículos autónomos: estos vehículos se conducen a sí mismos sin la entrada de un conductor humano. Hay muchos tipos de conducción autónoma, dependiendo del nivel de automatización.
Tecnologías IA en fase Rampa de consolidación (Slope of Enlightenment)
Las Tecnologías IA en fase Rampa de consolidación (Slope of Enlightenment) son aquellas que han alcanzado un punto de madurez en el que se ha demostrado su valor para la industria. Estas tecnologías están siendo adoptadas por un número creciente de usuarios y se están utilizando para resolver problemas específicos.
Intelligent Applications (apps)
Aplicaciones inteligentes (aplicaciones): estas aplicaciones habilitadas por IA proporcionan una experiencia de usuario rica, adaptable y personalizada.
Data Labelling and Annotation
Etiquetado y anotación de datos: el proceso de identificar datos en bruto y agregar etiquetas significativas. Más sobre etiquetado de datos
Computer vision
Visión por computadora: donde los agentes inteligentes adquieren un alto nivel de comprensión de imágenes digitales o videos. Hay muchas formas de detección digital, desde la detección de objetos hasta la detección de defectos. Más sobre visión por computadora.
Fuentes
Gartner Identifies Four Trends Driving Near-Term Artificial Intelligence Innovation
2 megatendencias dominan el Hype Cycle de Gartner de 2020 en el campo de la inteligencia artificial
Evaluating technology options for innovation in marketing – do you know your Hype Cycles?
15 Applications of Artificial Intelligence in Marketing for 2022
Where is AI Today According to the Hype Cycle?
Gartner Hype Cycle Research Methodology | Gartner