Por: Claudia Contreras - Revistaeyn.com
Así como dos neuronas se conectan para crear un pensamiento, así trabajan las redes neuronales para crear modelos de inteligencia artificial.
Sergio Rodríguez, Director de Innovación y Transferencia del Conocimiento Universidad Sergio Arboleda en Colombia, inició su charla a un auditorio salvadoreño con preguntas: "¿Cuál es la propiedad fundamental del ser? ¿Qué es eso que nos hace humanos y nos diferencia de los animales?" La respuesta: "La inconformidad".
“Somos inconformes desde que nos levantamos a las 4 de la mañana o cuando decidimos no conformarnos con una excusa. El cerebro humano pesa 1.5 kg y ese cerebro inconforme es la gran metáfora para crear las redes neuronales. El gran problema es que esas redes neuronales inconformes aún no las hemos podido recrear totalmente”, dijo el experto.
IA, modelos de predicción y la Inspiración Cuántica
En una era donde tener fluidez en IA será una habilidad clave en la empresa, Rodríguez explicó cómo funcionan los modelos de predicción de la IA.
Señaló: “No podemos decir que las máquinas piensan, sino que calculan. Generan modelos de predicción. Lo que hace ChatGPT o Gemini es predecir la respuesta más probable, pero no están pensando”.
Subrayó cómo las respuestas de modelos de agente IA favoritos pueden mentir, pues “las predicciones se basan en mundos posibles, no en mundos reales”. Insistió: “(ChatGPT) lo único que hace es crear en un mundo de relaciones la mejor respuesta posible”.
Sugirió como práctica: siempre desconfiar de modelos que “predicen casi de manera lineal”.
¿Un ejemplo? Un estudio de eBay, entre 2013 y 2014, concluyó que pagar anuncios en buscadores tuvo un impacto mínimo o nulo en las ventas de marcas grandes como eBay. Según el experimento, al suspender esos anuncios en parte de EE. UU. durante 60 días, las ventas apenas cambiaron y el tráfico se trasladó sobre todo a búsquedas orgánicas, que son gratis.
“Habían gastado US$127 millones en clicks que ya tenían de forma orgánica”, resaltó Rodríguez. Puntualizó: “Acá hay un problema que la inteligencia artificial está intentando resolver. Debería pasar de la predicción a la optimización, porque predecir un sistema no es igual que configurar un sistema”.
Más información sobre caso eBay: da click aquí
Los costos del aprendizaje
Uber descubrió que perdió más de US$100 millones en anuncios móviles para ganar instalaciones de la app.
“Al apagar las campañas en grandes mercados, la caída en instalaciones fue mínima. El algoritmo correlacionaba el click con la instalación, pero no era la causa”, dijo el experto, que ha sido decano de la Escuela de Educación.
Rodríguez alertó que las empresas se enfrentan a un problema cuando sólo se buscan predecir cosas con IA clásica.
Exhortó: en lugar de buscar correlación de factores, hay que buscar la causalidad.
“La predicción sin causalidad, sin buscar la causa, produce una falsa seguridad”. En otras palabras, sugirió aplicar una IA que aprende, que se actualiza a medida que obtiene nueva evidencia o información.
Ejemplificó a Procter & Gamble: “Perdieron US$200 millones asumiendo que las impresiones digitales se traducían en mayores ventas, basándose solo en modelos de predicción clásica”.
Rodríguez preguntó al auditorio del Instituto Superior de Economía y Administración de Empresas (ISEADE-FEPADE), ¿qué variable predice mejor un resultado?
Para el experto, la física cuántica da esta respuesta. “Más que predecir, hay que encontrar la variable a intervenir”. Puso un ejemplo curioso de un pueblo en Rusia. Las instalaciones hidráulicas estallaban siempre a las 8 de la noche. Cambiaron tuberías y presión, pero nada funcionaba, hasta que analizaron qué pasaba a esa hora: daban la telenovela "Betty la Fea". A esa hora, todos cerraban sus grifos para ver la novela, la presión aumentaba súbitamente y el sistema estallaba. "Betty la Fea" era la causa del problema hidráulico, algo que una variable lineal no habría detectado.
Insistió: “En vez de lograr solamente predicciones, ¿cómo hacemos relaciones?”. “El cerebro no es algorítmico (no funciona en pasos lineales como 0 y 1), es cuántico. Procesa múltiples variables al mismo tiempo, como cuando buscas las llaves o tienes un presentimiento”, dijo el académico colombiano.
La siguiente frontera de la IA no consiste solo en predecir mejor, sino en configurar mejores sistemas completos pasando de la IA predictiva a la inferencia causal e inspiración cuántica, acotó.
De la Neurociencia a la empresa
Desde la Neurociencia, a la hora impulsar análisis con IA, Rodríguez invitó a reflexionar: ¿Cuál es el mecanismo que produce el cambio?
Puso tres pasos para implementar esta forma de pensar en las empresas:
1. Describa: ¿Qué pasa?
2. Haga predicciones: ¿Qué podría pasar?
3. Inferencia causal: ¿Qué variable debo intervenir para cambiar el resultado?
4. Configurar: ¿Qué recrear en el sistema para que la predicción sea una configuración activa y no un ejercicio pasivo?
Debido a que la empresa es un sistema dinámico, Rodríguez invitó a explorar respuestas con modelos de IA no desde la predicción, sino luchar contra la inconformidad del ser humano.
“Dejen de pensar que el sistema para conjuntar información es ceros y unos. El cerebro no solamente procesa ceros y unos. Empiecen a pensar que el cerebro puede procesar al mismo tiempo cero 1, -1, 0, -1, +1, menos un y múltiples variables al mismo tiempo. Es lo que se conoce como entrelazamiento cuántico”.
Puso de ejemplo que mientras que un bit tradicional factoriza de forma lineal, lo cuántico puede ser 10 veces más rápido al procesar todas las posibilidades en el mismo instante.
En este punto, Rodríguez empezó a hablar de inspiración cuántica. En vez de hablar de cómo un proceso puede tener una entrada y una salida de información, “hablemos de las múltiples posibilidades que puede haber en un sistema en donde está entrando y saliendo la información”.
Resumió: "Podemos crear algoritmos de inspiración cuántica para predecir mejores escenarios en sistemas actuales".
Un aporte a la productividad
¿Cómo mejorar la productividad en una empresa?
Rodríguez subrayó: “Al analizar datos con Machine Learning explicable e inspiración cuántica, descubrimos que pagar suscripciones de herramientas como ChatGPT o Gemini a los trabajadores mejora la productividad en un 16% de forma inmediata”.
No es solo una predicción, “es una variable causal que interviene directamente en el resultado del negocio”.
Por último, invitó a ver el uso de la IA como un todo. No es sólo predicción, sino leer señales, entender causalidad, encontrar palancas, que se combinan en todo el sistema completo.
Invitó a cambiar de un aprendizaje de patrones (IA tradicional) a una configuración inteligente de sistemas:
1. Descripción del entorno: Entender qué está pasando en múltiples dimensiones.
2. Modelado de sistemas complejos: Como aplicara la "red de Hopfield", para la toma de decisiones.
3. Inferencia Causal: Identificar la palanca exacta (como el caso de la novela en el sistema hidráulico).
4. Optimización Cuántica: Encontrar la solución óptima en múltiples dimensiones simultáneamente, no solo por la ruta más evidente.
La siguiente frontera de la IA aplicada no consiste solo en predecir mejor; consiste en configurar mejores sistemas completos para que la empresa sea un organismo dinámico y no solo una calculadora de datos.
