It’s Here: The 2024 Gartner AI Hype Cycle™

Summary

En este episodio de *Top of Mind*, Chris Howard discute la reciente publicación del ciclo de expectativas de Gartner sobre la inteligencia artificial (IA), destacando los rápidos avances y los cambios actuales en la tecnología. Se enfoca en la IA generativa, que está pasando del 'Pico de Expectativas Infladas' al 'Valle de la Desilusión'. Howard explica que esta fase es crucial para refinar la tecnología y superar desafíos. Además, aborda tecnologías emergentes como los sistemas multiagentes y la computación neuromórfica, y reflexiona sobre el impacto ambiental de la IA. Finalmente, invita a los oyentes a compartir sus experiencias con la IA y sus resultados concretos.

Takeaways

• 😀 La inteligencia artificial (IA) continúa siendo el tema dominante en el ciclo de tendencias de Gartner, especialmente la IA generativa, que está avanzando rápidamente.
• 😀 El ciclo de entusiasmo de Gartner sigue un patrón claro: activación, pico de expectativas infladas, caída en el desencanto, y eventualmente, el plato de productividad.
• 😀 La IA generativa ha pasado del pico de expectativas infladas y está entrando en el 'Desencanto', donde se lleva a cabo el trabajo duro de perfeccionar la tecnología.
• 😀 La tecnología de agentes múltiples aún está en sus primeras etapas, pero su integración se está acelerando gracias a avances como la interoperabilidad entre modelos de diferentes proveedores.
• 😀 Áreas como la visión por computadora ya han alcanzado el plato de productividad, demostrando que son tecnologías maduras y con resultados tangibles.
• 😀 A veces, las tecnologías no emergen como se esperaba y pueden caer del ciclo de entusiasmo, siendo descontinuadas o fusionadas con otros avances.
• 😀 El uso del método RAG (recuperación, aumento y generación) demuestra que mejorar la precisión en IA no es sencillo, y el trabajo para ajustarlo puede ser más difícil de lo que se anticipaba.
• 😀 La escalabilidad y la infraestructura de datos siguen siendo grandes desafíos, tanto a nivel técnico como cultural, especialmente en la integración horizontal de los sistemas.
• 😀 La IA generativa a menudo se está utilizando incorrectamente en áreas donde la IA clásica es más adecuada, lo que genera desilusión por no obtener los resultados esperados.
• 😀 Las tecnologías emergentes como la computación neuromórfica, que requieren menos energía pero ofrecen alta potencia de procesamiento, están surgiendo para resolver los problemas medioambientales relacionados con la IA.
• 😀 Aunque la inversión en IA está avanzando rápidamente, no todas las iniciativas serán exitosas, lo que llevará a pérdidas y desperdicios, pero a largo plazo se logrará mayor eficiencia con menos inversión.

Q & A

¿Qué es el ciclo de expectativas tecnológicas (Hype Cycle) y cómo se aplica a la inteligencia artificial?

El Hype Cycle es un marco utilizado para estudiar cómo evolucionan las tecnologías. Comienza con un 'disparador' que genera interés, seguido por el 'pico de expectativas infladas', donde las expectativas son excesivas. Luego, pasa por el 'valle de la desilusión', donde se enfrentan dificultades, y finalmente, llega a la 'meseta de la productividad', donde la tecnología se convierte en una herramienta útil y productiva. Este ciclo se aplica a diversas tecnologías, incluida la inteligencia artificial.

¿Qué fase del ciclo de expectativas se encuentra actualmente la inteligencia artificial generativa (GenAI)?

La inteligencia artificial generativa (GenAI) se encuentra actualmente en el 'valle de la desilusión', después de haber alcanzado el 'pico de expectativas infladas'. Esto significa que la tecnología enfrenta desafíos y se encuentra en una fase de evaluación crítica, donde se trabajan las dependencias y se ajustan las expectativas.

¿Qué significa el 'valle de la desilusión' y cómo se aplica en la inteligencia artificial?

El 'valle de la desilusión' es una fase en la que la tecnología enfrenta dificultades para cumplir con las expectativas iniciales. En la inteligencia artificial, esto se refleja en la dificultad para lograr precisión utilizando métodos como la 'recuperación, aumento y generación' (RAG), la necesidad de infraestructura adecuada y la gestión cultural para compartir datos de manera efectiva.

¿Cómo afecta la rapidez de la innovación en la inteligencia artificial a otras tecnologías relacionadas?

La rapidez de la innovación en la inteligencia artificial impulsa el desarrollo de otras tecnologías, como los sistemas multiagentes, que permiten la integración entre modelos de diferentes proveedores. Este tipo de tecnologías emergentes se ven aceleradas debido a la alta demanda de soluciones que mejoren la interoperabilidad entre diversas plataformas y modelos.

¿Qué tecnologías ya han alcanzado la 'meseta de la productividad' en la inteligencia artificial?

Tecnologías como la visión por computadora y los grafos de conocimiento ya han alcanzado la 'meseta de la productividad'. La visión por computadora, en particular, es clave para la inteligencia artificial generativa multimodal, y su madurez ha permitido su aplicación efectiva en múltiples áreas.

¿Pueden las tecnologías que entran en el ciclo de expectativas desaparecer? ¿Qué sucede cuando esto ocurre?

Sí, algunas tecnologías que pasan por el ciclo de expectativas pueden desaparecer. Esto sucede cuando una tecnología no cumple con las expectativas o se vuelve obsoleta, siendo reemplazada o integrada en otras innovaciones. Este tipo de evaluaciones se realizan regularmente para determinar si una tecnología debe ser retirada del ciclo.

¿Qué desafíos enfrenta la inteligencia artificial generativa que puede haber llevado a su desilusión?

La inteligencia artificial generativa enfrenta desafíos al ser mal aplicada en áreas donde la inteligencia artificial clásica sería más adecuada. Además, la complejidad de integrar estos sistemas, escalar la infraestructura y gestionar los datos de manera efectiva, ha resultado en una brecha entre las expectativas y los resultados reales.

¿Qué es la computación neuromórfica y cómo podría cambiar el panorama de la inteligencia artificial?

La computación neuromórfica es una tecnología emergente que utiliza chips de bajo consumo energético pero con gran poder de procesamiento, lo que permite realizar tareas de inteligencia artificial en dispositivos pequeños, como teléfonos o marcapasos. Esta tecnología puede cambiar el panorama de la inteligencia artificial al ofrecer soluciones más sostenibles y distribuidas, especialmente en entornos de bajo consumo energético.

¿Qué impacto tiene el uso intensivo de energía en el desarrollo de la inteligencia artificial?

El uso intensivo de energía en el entrenamiento de modelos de inteligencia artificial, especialmente los modelos de parámetros trillizos, es un desafío significativo. Se proyecta que si no se encuentra una solución más eficiente, la demanda de energía podría superar la oferta para 2030. Esto está impulsando la innovación en tecnologías como la computación neuromórfica, que consume menos energía.

¿Qué tipo de innovación en inteligencia artificial se espera como resultado de la aceleración de la inversión?

Se espera una innovación continua, especialmente en áreas que resuelvan problemas clave como la eficiencia energética y la escalabilidad. A medida que la inversión en inteligencia artificial aumenta, tecnologías como la computación neuromórfica y la integración de modelos a través de agentes inteligentes ganarán terreno, acelerando el progreso y la adopción de soluciones más eficientes y accesibles.