¿Cuándo se convierten las predicciones en políticas?

https://www.approximatelycorrect.com/2019/02/13/when-are-predictions-policies/

Ya sea que hable con gerentes de empresas, con los niños de los guiones de Silicon Valley o con académicos experimentados que presentan las aplicaciones comerciales de sus investigaciones, es probable que escuche muchas afirmaciones sobre lo que va a hacer la IA.

Las discusiones histéricas sobre la aplicabilidad del aprendizaje automático de la IA comienzan con un recuento sin aliento de los avances en el modelado predictivo (¡un 9X,XX% de precisión en ImageNet!, ¡un 5,XX% de tasa de error de palabras en el reconocimiento del habla!) y luego saltan bruscamente a las profecías de las tecnologías milagrosas que la IA impulsará en un futuro próximo: cirujanos automatizados, asistentes virtuales de nivel humano, desarrollo de robo-software, servicios legales basados en la IA.

Este juego de manos elude una cuestión clave: ¿cuándo son suficientes las predicciones precisas para guiar las acciones?

A riesgo de pintar con una brocha demasiado ancha, tenemos tres tipos canónicos de problemas de aprendizaje automático:

Aprendizaje supervisado (SL): producción de modelos predictivos mediante la extracción de patrones de colecciones de ejemplos etiquetados.

Aprendizaje no supervisado (UL): cualquier tarea que no requiera anotaciones.)

Aprendizaje por refuerzo (RL): aprendizaje a partir de una señal de recompensa posiblemente escasa a lo largo de las interacciones con un entorno.

El primero (supervisado) representa casi todas las aplicaciones actuales del aprendizaje automático comercialmente viables, pero sólo el último (RL) se ocupa de alguna manera de los modelos que realmente hacen algo. Por desgracia, la RL moderna es lenta para aprender, inestable y frágil ante los cambios sutiles del entorno, obstáculos que actualmente impiden su uso en la mayoría de los entornos del mundo real.

¿SON LAS PREDICCIONES ACCIONES?

Para ver cuándo las predicciones pueden o no ser suficientes para guiar las acciones, consideremos dos posibles aplicaciones del aprendizaje automático: (i) Construir una herramienta que ayude a los patólogos a reconocer la tuberculosis a partir de imágenes de microscopio; (ii) Automatizar las decisiones de préstamo.

EL ROBOT PATÓLOGO

En el primer caso, las muestras de sangre llegan a los departamentos de patología procedentes de pacientes de la región geográfica cercana. Aunque puede haber cierta variabilidad natural entre los pacientes en el aspecto de la sangre (más brillante cuando está más oxigenada, más oscura cuando está menos), la distribución es estable a lo largo de la escala de días, meses y años. Además, el aspecto de la tuberculosis no cambia de forma apreciable a lo largo del tiempo y es poco probable que el diagnóstico etiquetado por el patólogo tenga un impacto significativo en la distribución de las imágenes que veremos en el futuro. Así que no tenemos que preocuparnos mucho por los bucles de retroalimentación que acoplan la acción y la observación.

*** Translated with www.DeepL.com/Translator (free version) ***