La inteligencia artificial híbrida, que combina el aprendizaje automático –Machine Learning– con el procesamiento del conocimiento humano, es la solución idónea para el procesamiento del lenguaje natural (NLP). Así lo afirma Forrester en su último informe. El estudio ha sido realizado en colaboración con expert.ai, multinacional líder en inteligencia artificial (IA) para la comprensión y las operaciones lingüísticas.
“El aprendizaje automático (ML) ha revolucionado el mercado del software durante más de una década, aportando soluciones de negocio que hasta hace muy poco eran inimaginables”, explica Elisa Martínez Frade, VP Sales de expert.ai para España, Portugal y Latinoamérica. “Compartimos la visión de Forrester, según la cual el conocimiento humano sigue siendo esencial en la resolución de los retos a los que nos enfrentamos en el procesamiento del lenguaje natural”.
Forrester define la IA 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.
El NLP basado sólo en Machine Learning no es suficiente
En el informe, Forrester asegura que la IA 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”.
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”.
