Oportunidades de la Inteligencia Artificial (AI) para Abogados y otros Profesionales

Este elemento es una profundización de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema.

En inglés: Artificial Intelligence Opportunities.

Son interesants las posibilidades que ofrece Deep Learning (DL) en términos de lo que podemos hacer con la Inteligencia Artificial. Algunas de estas posibilidades ya se han realizado (más sobre esto más adelante en el artículo). Y, no podría estar más emocionado de verlos en el mundo.

A través de todo esto, quizás hay un puñado de realidades asombrosas que la mayoría de las personas no están entendiendo cuando se trata de un mundo con poder de la IA. Por qué las implicaciones son mucho más profundas para la humanidad de lo que imaginamos. Por qué en mis áreas de experiencia, marketing, ventas, servicio al cliente y análisis, el impacto será profundo y amplio. ¿Por qué este no es otro momento programático? ¿Por qué la escala a la que podemos (/ tenemos que) resolver los problemas ya está más allá del alcance de la estrategia fundamental que la mayoría de las empresas siguen: tenemos una oportunidad de ingresos más grande, pero no sabemos cómo aprovecharnos?

Hoy quiero arrojar algo de luz sobre estos porqués, y un poco más. Mi objetivo es tratar de provocar un cambio en su forma de pensar, para lograr que asuma un papel de liderazgo (véase también carisma) y aproveche esta oportunidad tanto a nivel personal como profesional.

¿Qué es el BFD?

Estoy realmente entusiasmado con lo que tenemos delante. Cuando comparto esa emoción en mis discursos o una conversación íntima con el consejo de administración (o junta directiva) de una empresa, me aseguro de subrayar dos conceptos especialmente poderosos que he llegado a apreciar sobre las soluciones de IA emergentes: aprendizaje continuo colectivo + conocimiento completo del primer día.

Son cruciales para poder interiorizar la profundidad y el alcance de la revolución, y el motivo por el que las fortalezas que aporta AI es un cambio radical más allá de lo que los humanos son capaces de hacer.

El primer aprendizaje revelador para mí provino de la publicación del equipo de investigación de Google sobre Aprendizaje de la interacción a gran escala.

La mayoría de los robots son muy robóticos porque siguen un paradigma (modelo, patrón o marco conceptual, o teoría que sirve de modelo a seguir para resolver alguna situación determinada) de acto-plan-sentido. Esto limita los tipos de cosas que pueden hacer, y como usted podría haber visto, sus movimientos son deliberados. El equipo de Google adoptó la estrategia de que un robot aprendiera por sí mismo (en lugar de programarlo con modelos preconfigurados).

Los robots de una mano en este caso tuvieron que aprender a recoger objetos.

Inicialmente, el mecanismo de agarre era completamente aleatorio: intente imaginar a un bebé que apenas sabe que tiene una mano al final del hombro.

Una Conclusión

Por lo tanto, verá en el video a continuación, rara vez tienen éxito en la tarea en cuestión. (Tal vez sea de interés más investigación sobre el concepto).

Al final de cada día, los datos se recopilaron y se usaron para entrenar una red neuronal convolucional (CNN) profunda, para aprender a predecir el resultado de cada movimiento de captación. (Tal vez sea de interés más investigación sobre el concepto). Estos aprendizajes se remontan al robot y mejoran sus posibilidades de éxito.

Se necesitaron solo 3,000 horas de práctica de robots para ver los inicios del comportamiento inteligente. ¿Cuál es el comportamiento inteligente de un robot CNN con una sola mano?. Por ejemplo, aprender a recoger diferentes tipos de objetos (un plato que lava una esponja suave, un borrador de pizarra o un vaso de agua, etc.).

Sentí una sensación de hormigueo genuina simplemente al imaginar una cosa sin saber algo y poder simplemente aprender. Me refiero a la pausa. Solo piensa en ello. Comenzó desde cero, como un bebé, y luego lo descubrió. Bastante rápido (examine más sobre estas cuestiones en la presente plataforma online de ciencias sociales y humanidades). Realmente es alucinante.

Había dos lecciones aquí. El primero relacionado con el aprendizaje profundo puro y su asombro, estaba familiarizado con este. El segundo fue algo nuevo (para mí). Este experimento involucró 14 brazos de robot con una sola mano. Si bien no es un número masivo, los 14 aportaron datos de forma colectiva desde el principio, con sus muchos fallos.

Detalles

Los aprendizajes del final del día por la red neuronal convolucional utilizaban los 14. Y, al día siguiente, los 14 comenzaron nuevamente con este nuevo nivel de sabiduría colectiva.

Para obtener una manera clara de captar esta lección, llamo a esto Aprendizaje colectivo.

Cada ser humano lo hará individualmente y en la medida de lo posible: habrá una curva de campana normal de competencia. Es totalmente posible, si hay incentivos para hacerlo, que los humanos que son mejores en el grupo traten de enseñar a otros. Habrá una gran mejora si la tarea es repetitiva y no requiere imaginación / creatividad / inteligencia intrínseca. Podría haber una mejora menor si la tarea no es repetitiva y requiere imaginación / creatividad / inteligencia intrínseca.

En ninguno de los dos casos, habrá algo cercano al aprendizaje colectivo cuando se trata de seres humanos.

Los seres humanos tampoco poseen este bucle cerrado continuo: hacer algo. Compruebe el resultado (éxito o fracaso). Aprender activamente de cualquiera, mejorar uno mismo. Haz algo mejor la próxima vez.

Aprendizaje continuo colectivo. Una ventaja increíble que simplemente no había pensado con suficiente profundidad.

El segundo BFD

El aprendizaje automático ya está cambiando muchos campos, el que más me emociona es lo que está sucediendo en la atención médica. Desde la capacidad de acelerar el descubrimiento de nuevos medicamentos hasta la increíble velocidad con la que las técnicas de Aprendizaje Automático se están volviendo particularmente expertas en el diagnóstico (piense en informes de sangre, rayos X, cánceres, etc.).

Un ejemplo que amo. 415 millones de pacientes diabéticos en todo el mundo corren el riesgo de Retinopatía Diabética (DR), la causa más rápida de ceguera. Si se detecta temprano, la enfermedad es completamente tratable. ¿El problema? Los especialistas médicos capaces de detectar DR son raros en muchas partes del mundo donde prevalece la diabetes.

Utilizando un conjunto de datos de 128,000 imágenes, el Equipo de Ciencia Acelerada de Google entrenó una red neuronal profunda para detectar DR a partir de fotografías de la retina. Los resultados entregados por el algoritmo (curva negra) fueron ligeramente mejores que los de los oftalmólogos expertos.

Espere. Entonces, ¿estamos “condenados”?

Depende de lo que quieras decir con condenado pero: sí. No. Sí, totalmente.

La inteligencia artificial tendrá una ventaja masiva sobre los humanos en los próximos años.

Campo tras campo debido al Aprendizaje Continuo Colectivo y al Conocimiento Completo del Día Uno (sin mencionar los avances en técnicas y hardware de aprendizaje profundo:)), la IA será mejor en las tareas frecuentes de gran volumen.

Por lo tanto, el primer sí.

Neuralink en este momento es un concepto (interfaz cerebro-computadora implantable).Si, Pero: Pero muchos expertos (como Ray Kurzweil) creen que algún tipo de conexión entre nuestro cerebro humano y “inteligencia, datos, poder de cómputo en la nube” será accesible para los humanos.

Creo humildemente que cuando eso suceda, durante las próximas décadas (piense en 2050), los humanos podrían llegar a la paridad (véase más en esta plataforma) con la IA disponible en ese momento. Incluso podríamos tener una ventaja por algún tiempo (aunque solo sea porque no puedo dejar de pensar que nuestros cerebros son especiales).

Por lo tanto, el no.

A medida que nos dirigimos hacia la segunda mitad del siglo actual, AI recuperará el liderazgo (véase también carisma) nuevamente y lo mantendrá para siempre. No tengo la competencia para juzgar si será AGI o Superintellignece o alguna otra variación. (Tal vez sea de interés más investigación sobre el concepto). Pero, con todos los demás factores de computación cambiando a un ritmo exponencial, es imposible que la inteligencia no supere las limitaciones de los humanos y los cerebros humanos (incluido el que tiene una versión de Neuralink).

Este es solo un punto de datos de Jurgen Schmidhuber: las redes neuronales que estamos utilizando para el Aprendizaje Profundo en este momento tienen alrededor de mil millones de conexiones neuronales en comparación con los 100,000 millones de la corteza humana. Las computadoras se están volviendo 10 veces más rápidas cada 5 años y, a menos que esa tendencia se rompa, solo nos llevará 25 años hasta que tengamos una red neuronal recurrente comparable con el cerebro humano. Solo 25 años.

Profesional

Si bien miro el futuro con optimismo (incluso 150 años para los humanos), lo que más me entusiasma es lo que Machine Learning y Deep Learning pueden hacer por nosotros hoy. Hay tantas cosas que son difíciles de hacer, oportunidades que ni siquiera sabemos que existen, la capacidad de hacer que el trabajo que te quita la vida sea más fácil, mejor, más inteligente o desaparecido.

En una edición reciente de mi boletín, TMAI, compartí una historia y un llamado a las armas con recomendaciones específicas sobre qué hacer ahora. Lo compartiré con todos ustedes aquí con la esperanza de que pueda iniciar su uso de Machine Learning hoy…

Viví en Arabia Saudita durante casi tres años. Trabajar en DHL fue una experiencia profesional profundamente formativa. Mi profundo amor por el excepcional servicio al cliente, y la indignación por las terribles experiencias de los clientes, pueden derivarse directamente de lo que aprendí allí.

Arabia Saudita es un país que vio una modernización masiva y rápida.Entre las Líneas En pocos años, el país pasó de los camellos a los automóviles. (Solo en broma digo que los saudíes todavía viajan en sus coches como si fueran camellos, ¡y fue aterrador!).

De los camellos a los coches. No Bicicletas. No hay máquinas de vapor. Ninguna de las otras partes entre otras partes del mundo pasó sistemáticamente para llegar a los autos. Estaban montando camellos, luego montaban autos. Considere todas las implicaciones.

Nos encontramos en un momento así en el mundo de los negocios. Sabes lo inmerso y obsesionado que estoy con la Inteligencia Artificial y las implicaciones en marketing y análisis. Verdaderamente es un momento de tipo camellos a coches en mi humilde opinión (incluso podría ser un momento camellos a cohetes, pero permítanme ser conservador).

Sin embargo, los ejecutivos a menudo me dan ejemplos de las cosas que están haciendo, y se sienten satisfechos de que están con eso, están haciendo IA. Cuando pruebo un poco, queda claro muy rápido que todo lo que están haciendo es hacer que los camellos en que viajan vayan un poco más rápido.

Que todo por sí solo no es algo malo, ciertamente se están moviendo más rápido. El problema es que están perdiendo por completo la oportunidad de subir al auto (y sus competidores ya están en el auto).

Es importante conocer la diferencia entre los dos, en aras de la conservación del empleo y la supervivencia de la empresa.

Aquí hay algunos ejemplos que lo ayudarán a internalizar verdaderamente la diferencia entre estas dos estrategias críticas…

Si está pasando de la atribución del último clic a la experimentación con el primer clic o el deterioro del tiempo, se trata de hacer que su camello vaya más rápido. Al utilizar la Atribución basada en datos impulsada por ML y conectarla con su cuenta de AdWords para que se pueda tomar acción de forma automática según las recomendaciones de la DDA, está montando un automóvil.

Si está pasando a experimentar con cada botón y marcando, puede tocar AdWords para que pueda comprender cómo funciona todo y puede demostrar un aumento en las conversiones mientras se enfoca por poco en algunas palabras clave, está haciendo que su camello vaya más rápido. Cambie a Smart Targeting, Smart Creative y Smart Bidding con el beneficio de la empresa como criterio de éxito, por cada palabra clave relevante identificada automáticamente por el algoritmo, usted está manejando un automóvil.

El personal de su centro de llamadas para esperar las llamadas de clientes potenciales está haciendo que su camello vaya más rápido. Crear una red neuronal que analice todos los datos públicos disponibles de las compañías para identificar cuáles van a necesitar para aumentar la deuda, y llamarlos proactivamente para lanzar los maravillosos servicios de financiación (o financiamiento) de deuda de su compañía es montar un automóvil.

Los sitios de selección manual para mostrar sus anuncios de display a través de una hoja de cálculo x por x que se masajea con amor y ahora tiene una nueva fuente y una columna más en Visibilidad, hacen que su camello vaya más rápido. Aprovechar la máquina Aprender a descubrir de forma algorítmica dónde debería mostrarse su anuncio al analizar más de 5,000 señales en tiempo real para cada humano individual basado en la comprensión a nivel humano (¡las cookies mueren!), Es conducir un automóvil rápido.

(Para ver un comentario agradable sobre los resultados corrosivos de una obsesión por la visibilidad y lo que podría estar barriendo debajo de la alfombra, vea TMAI # 64 con la historia de P&G).

Pedirle a los analistas que dejen de vomitar datos, lo siento, me refiero a automatizar los informes y enviar información al fusionar varios conjuntos de datos hace que el camello vaya más rápido. Pedirle a sus analistas que solo le envíen solo las Acciones y el Impacto comercial de esas Acciones es manejar (gestionar) un automóvil. Pedirles que cambien al uso de productos con tecnología ML como Analytics Intelligence en GA para identificar las incógnitas desconocidas y conectarlas a acciones automatizadas es montar un cohete.

Si está programando explícitamente su chatbot con 100 casos de uso diferentes y rutas fijas a seguir para cada caso de uso para mejorar el servicio al cliente, eso hace que el camello vaya más rápido. Si toma los conjuntos de datos de su empresa en torno a sus productos, problemas, soluciones, servicios exitosos anteriores, productos de la competencia, detalles sobre sus usuarios, etc., y aliméntelos a un algoritmo de aprendizaje profundo que puede aprender sin programación explícita cómo resolver problemas de servicio de su cliente, usted está montando un coche.

Por un momento no creo que esto sea fácil, o que recibirá una recepción de bienvenida cuando presente la respuesta. Pero, uno de los dos resultados extremadamente positivos ocurrirá:

1. Obtendrá el permiso de su equipo de administración para dejar de perder el tiempo y lograr que el camello vaya más rápido, y le permitirán hacer algo que realmente vale la pena hacer por su compañía. O…

2. Se dará cuenta de que esta empresa le va a quitarle la vida a su carrera y buscará silenciosamente un nuevo lugar de trabajo donde su vida esté llena de significado e impacto material.

Ganar-ganar

Por lo tanto, ser brutalmente honesto. Audite su grupo actual de prioridades contra el borde de sangrado de lo posible. Luego responda esta pregunta: ¿Está tratando de hacer que su camello vaya más rápido o se sube a un automóvil?

Si bien Machine Learning no ha resuelto el hambre en el mundo todavía, y AGI está a años de distancia, hoy en día existen soluciones que alteran los negocios en el mercado, a la espera de que las utilice para crear una ventaja competitiva sostenible.

Ok, ok, ok, pero ¿qué pasa con el ahora? (Personal)

Si esta publicación no te ha provocado que te asustes un poco de tu trayectoria profesional, entonces habría fracasado por completo. Después de todo, ¿cómo puede estar ocurriendo la enorme cantidad de cambio mencionado anteriormente, y su trabajo / carrera no se verá profundamente afectado?

Usted y yo tenemos unos pocos años en los que podemos crear un pivote personal a través de una inversión activa de nuestro tiempo, energía y replanteamiento. Si perdemos esta pequeña oportunidad, creo que la elección se hará por nosotros.

Autor: Williams

Informe de la Cámara de los Lores

El informe (titulado AI in the UK: ready, willing and able?) considera el desarrollo, la implementación y el impacto de AI en el Reino Unido en el futuro, y recomienda que el gobierno tome ciertas medidas lo antes posible. Este artículo tratará de centrarse en algunas de las cuestiones más interesantes, potencialmente específicas de la PI, y en consideraciones generales de derecho.

Un punto importante del Informe es la mitigación de los riesgos asociados con la IA.Entre las Líneas En gran medida, esto se refiere a cualquier responsabilidad asumida por las acciones, negligencia o mal funcionamiento de una IA, que, en el estado actual de la ley, no está cubierta. El Informe recomienda que “….la Comisión Jurídica considere la idoneidad de la legislación vigente para abordar las cuestiones relativas a la responsabilidad jurídica de Amnistía Internacional y, cuando proceda, recomiende al Gobierno los recursos apropiados para garantizar que la ley sea clara en este ámbito”. Como mínimo, este trabajo debería establecer principios claros para la rendición de cuentas y la inteligibilidad”. Sin la rendición de cuentas, uno podría imaginarse a la IA eludiendo la responsabilidad, y causando problemas potenciales para aquellos que desean perseguir cualquier daño que resulte de las decisiones de la IA.

La consideración de la responsabilidad se relaciona con la cuestión de si la AI debe ser tratada de la misma manera que los seres humanos, o si debe tener un estatus de entidad legal o no legal por separado. Por ejemplo, ¿deberían concederse derechos de propiedad intelectual a la IA o a sus creadores (más información al respecto aquí)? Ambas vías tienen sus problemas, pero el Informe no aborda este aspecto en detalle.

Otro punto de contención en el Informe es la acumulación de datos por parte de las grandes empresas, que de alguna manera controlarían el desarrollo de la IA y el mercado para la misma. El Informe anima a que “…los datos de dominio público se pongan a disposición de los investigadores y desarrolladores de la IA” para facilitar el desarrollo de la IA a los actores más pequeños. Aún así, destaca la necesidad de “…mecanismos legales y técnicos para fortalecer el control personal sobre los datos y preservar la privacidad” a la luz de AI; sin embargo, esto se ha logrado, al menos discutiblemente, en gran medida a través de la introducción del GDPR.

En un intento de evitar cualquier uso indebido de los datos, o su monopolización, el informe recomienda que “…el Gobierno y la Autoridad de Competencia y Mercados revisen de forma proactiva el uso y la posible monopolización de los datos por parte de las grandes empresas de tecnología que operan en el Reino Unido”. Es evidente que esto podría crear un marco de competencia de datos, en el que las empresas con grandes cantidades de datos podrían verse impedidas de fusionarse debido a problemas de competencia, o simplemente para impedir la centralización de los datos necesarios para la creación y/o el funcionamiento de la IA.

En el Informe se examinan las cuestiones de P.I. relacionadas con el desarrollo de la IA en el ámbito universitario y la comercialización (vender lo que se produce; véase la comercialización, por ejemplo, de productos) o/y, en muchos casos, marketing, o mercadotecnia (como actividades empresariales que tratan de anticiparse a los requerimientos de su cliente; producir lo que se vende) de la investigación. (Tal vez sea de interés más investigación sobre el concepto). Como se discutió en el informe Hall-Pesenti el año pasado, la concesión de licencias de tecnologías podría ser problemática, y tanto el informe como Hall-Pesenti han intentado mitigarlo.Entre las Líneas En este sentido, el Informe recomienda que “… las universidades utilicen políticas y prácticas claras, accesibles y, en la medida de lo posible, comunes para la concesión de licencias de propiedad intelectual y la creación de empresas derivadas”, y que se elabore una política para que las universidades apliquen las mismas. Aun así, las universidades deberían ser capaces de proteger los conocimientos técnicos relacionados con la IA, pero dentro de un marco razonable.

Aunque no se discute en el informe de la Cámara de los Lores, el informe Hall-Pesenti también destaca la necesidad de reformar los derechos de autor en relación con los datos publicados en la investigación, lo que infringiría los derechos de autor. Esto es problemático ya que “[e]sta restringe el uso de la IA en áreas de alto valor público potencial y disminuye el valor que se puede obtener de la investigación publicada, gran parte de la cual es financiada por el público”.Entre las Líneas En cuanto a la reforma, el informe sugiere que “….el Reino Unido debería establecer por defecto que para la investigación publicada el derecho a leer es también el derecho a extraer datos, siempre que ello no dé lugar a productos que sustituyan a las obras originales”.Entre las Líneas En cuanto al desarrollo de la IA, esto tiene mucho sentido, pero cuando los datos se refieren a individuos humanos, particularmente a la luz del GDPR que acaba de entrar en vigor, debemos ser cautelosos a la hora de dar rienda suelta a la IA sobre todos los datos. Es necesario encontrar un equilibrio con los intereses de los individuos, pero el desarrollo robusto de la IA, siempre y cuando los desarrollos sean para el bien público.

Como se puede imaginar, la IA es un tema muy difícil y potencialmente espinoso, y sin duda habrá muchas trampas en las que terminaremos y tendremos que ponernos al día.

Aviso

No obstante, el potencial de la tecnología podría superar estas cuestiones, pero quizás este escritor es demasiado optimista en cuanto al futuro de la IA.

Revisor: Lawrence