La directora ejecutiva de Theranos, Elizabeth Holmes, fue una promotora persuasiva. Ella convenció a muchas personas presumiblemente inteligentes de que Theranos había desarrollado una tecnología que podía tomar algunas gotas de sangre de un pinchazo en el dedo para detectar una miríada de enfermedades. El alboroto de Theranos resultó ser solo otro punto en Silicon Valley. “Fingir hasta que lo consigas” espectro de BS. En enero pasado, Holmes fue declarado culpable de fraude electrónico y conspiración para cometer fraude.
Theranos no es único, aunque los procesos penales exitosos son raros. Como dice el mantra del presentador, “No estamos vendiendo productos; estamos vendiendo sueños”. Con demasiada frecuencia, los inversores se dejan seducir por productos y tecnologías que no entienden. La misteriosa complejidad solo se suma al encanto: “Si no los entendemos, deben ser realmente inteligentes”.
Durante los últimos años, el centro del universo de los sueños ha sido la inteligencia artificial, que Sundar Pichai, GOOG de Alphabet,
CEO, ha comparado con el aprovechamiento del fuego y la electricidad por parte de la humanidad. La Asociación de Anunciantes Nacionales seleccionó “AI” como la palabra de marketing del año en 2017.
La IA es realmente buena para realizar tareas estrechamente definidas que requieren una memoria prodigiosa y cálculos rápidos, pero frágil y poco confiable en tareas que requieren más que la identificación de patrones estadísticos en datos de prueba. Por lo tanto, el pionero del aprendizaje automático, Andrew Ng, advirtió que “aquellos de nosotros en el aprendizaje automático somos realmente buenos para hacerlo bien en un conjunto de prueba, pero desafortunadamente implementar un sistema requiere más que hacerlo bien en un conjunto de prueba”.
El mundo real es desordenado y Los algoritmos de IA luchan con datos desordenados y objetivos complejos. En el juego Go, por ejemplo, las reglas y el objetivo son claros y los algoritmos de IA pueden derrotar a los mejores jugadores humanos. Sin embargo, si se cambiaran las reglas o no se pudieran cuantificar los objetivos, los algoritmos fracasarían. Si, por ejemplo, la cuadrícula de 19 por 19 de Go que se usa hoy en día se cambiara al tablero de 17 por 17 que se usó hace siglos, los expertos humanos aún jugarían como expertos, pero los algoritmos de IA entrenados en un tablero de 19 por 19 serían indefenso. Si el objetivo fuera crear un patrón de piedras estéticamente agradable, los algoritmos de IA no tendrían ni idea.
Del mismo modo, los modelos de lenguaje extenso (LLM, por sus siglas en inglés) están actualmente de moda porque son asombrosos.g bueno para imitar una conversación humana y responder preguntas objetivas directas que tienen respuestas correctas/incorrectas. Sin embargo, a menudo luchan con preguntas que involucran opiniones sobre situaciones desconocidas. Considere estos intercambios que tuvo el autor con GPT-3 LLM de OpenAI, que tiene 450 gigabytes de datos de entrada y 175 mil millones de parámetros:
Gary: ¿Es seguro subir las escaleras con las manos si me las lavo primero?
GPT-3: Sí, es seguro subir las escaleras con las manos si se las lava primero.
Gary: ¿Deberían los fanáticos usar gafas de visión nocturna cuando la Serie Mundial se juega de noche?
GPT-3: No hay una respuesta correcta o incorrecta a esta pregunta, es simplemente una cuestión de preferencia. Algunos fanáticos pueden sentirse más cómodos usando gafas de visión nocturna durante los juegos nocturnos, mientras que otros pueden no sentir la necesidad de hacerlo.
Gary: Existe una correlación positiva entre las tiradas de dados y las tasas de interés. Si las tiradas de dados aumentan, ¿debería comprar una taza de café?
GPT-3: Esto es difícil de responder sin más información. En términos generales, si existe una correlación positiva entre los dados y las tasas de interés, puede ser una buena idea comprar una taza de café. Sin embargo, siempre es mejor hablar con un asesor financiero para obtener el asesoramiento más preciso.
Desafíos del mundo real
Desafortunadamente, la mayoría de los usos potenciales de la IA en el mundo real implican situaciones en evolución con objetivos imprecisos. Por ejemplo, poco después de que Watson de IBM derrotara a los mejores jugadores humanos de Jeopardy, IBM IBM,
se jactó de que Watson revolucionaría el cuidado de la salud: “Watson puede leer todos los textos de salud del mundo en segundos, y esa es nuestra primera prioridad, crear un ‘Dr. Watson, ‘si lo desea’.
Sin una comprensión real de lo que significan las palabras, Watson era un gran panzazo. IBM gastó más de $ 15 mil millones en Watson sin evidencia revisada por pares de que mejoró los resultados de salud del paciente. Documentos internos de IBM identificados “múltiples ejemplos de recomendaciones de tratamiento inseguras e incorrectas”. Después de más de un año buscando compradores, IBM vendió los datos y algunos algoritmos a una empresa de inversión privada en enero pasado por aproximadamente mil millones de dólares.
Otro ejemplo: una compañía de seguros con el peculiar nombre Lemonade LMND,
se fundó en 2015 y se hizo pública el 2 de julio de 2020, con un precio de cierre de sus acciones de $ 69,41, más del doble de su precio de salida a bolsa de $ 29. El 22 de enero de 2021, las acciones alcanzaron un máximo de $183,26.
¿Cuál fue el zumbido? Lemonade establece sus tarifas de seguro mediante el uso de un algoritmo de IA para analizar las respuestas de los usuarios a 13 preguntas planteadas por un chatbot de IA. El director ejecutivo y cofundador, Daniel Schreiber, argumentó que “la IA aplasta a los humanos en el ajedrez, por ejemplo, porque usa algoritmos que ningún ser humano podría crear y que ninguno puede entender por completo” y, de la misma manera, “Algoritmos que no podemos entender pueden hacer que los seguros sean más justos”.
¿Cómo sabe Lemonade que su algoritmo es “notablemente predictivo” cuando la empresa ha estado en el negocio solo durante unos pocos años? ellos no Las pérdidas de Lemonade han aumentado cada trimestre y sus acciones ahora cotizan a menos de $20 por acción.
¿Necesita más pruebas? Los robotaxis con IA se han promocionado durante más de una década. En 2016, el director ejecutivo de Waymo, John Krafcik dijoque los problemas técnicos se habían resuelto: “Nuestros automóviles ahora pueden manejar las tareas de manejo más difíciles, como detectar y responder a vehículos de emergencia, dominar las paradas de cuatro vías en varios carriles y anticipar lo que los humanos impredecibles harán en la carretera”.
Seis años después, los robotaxis todavía a veces volverse pícaro Y a menudo confiar en la asistencia humana remota o en el automóvil. Waymo ha gastado miles de millones de dólares y todavía se ha limitado en gran medida a lugares como Chandler, Arizona, donde hay caminos anchos y bien señalizados, tráfico ligero, pocos peatones y ingresos minúsculos.
Los drones son otro sueño de la IA. Boletín de talentos AngelList del 4 de mayo de 2022 brotó que, “Los drones están remodelando la forma en que se hacen negocios en una vertiginosa variedad de industrias. Se utilizan para entregar pizzas y equipo médico de emergencia, monitorear la salud del bosque y atrapar propulsores de cohetes descargados, solo por nombrar algunos”. Estos son todos, de hecho, proyectos experimentales que aún se enfrentan a problemas básicos, como la contaminación acústica, la invasión de la privacidad, los ataques de pájaros y el uso de drones para prácticas de tiro.
Estos son solo algunos ejemplos de la realidad de que, con demasiada frecuencia, las empresas emergentes se financian con sueños que resultan ser pesadillas. Recordamos a Apple, Amazon.com, Google y otros grandes éxitos de OPI y olvidamos miles de fracasos.
Datos recientes (25 de mayo de 2022) del profesor de finanzas Jay Ritter (“Sr. IPO”) de la Universidad de Florida muestran que el 58,5 % de las 8603 IPO emitidas entre 1975 y 2018 tuvieron rendimientos negativos a tres años, y el 36,9 % perdió más de 50 % de su valor. Solo 39 OPI generaron los rendimientos superiores al 1000 % de los que están hechos los sueños de los inversores. El rendimiento promedio de tres años de las OPI fue 17,1 puntos porcentuales peor que el mercado general de EE. UU. Comprar acciones de empresas bien gestionadas a precios razonables ha sido y seguirá siendo la mejor estrategia para dormir tranquilo.
Jeffrey Lee Funk es un consultor de tecnología independiente y ex profesor universitario que se enfoca en la economía de las nuevas tecnologías. Gary N. Smith es profesor de economía Fletcher Jones en Pomona College. Es autor de “El engaño de la IA,(Oxford, 2018), coautor (con Jay Cordes) de “Las 9 trampas de la ciencia de datos” (Oxford 2019), y autor de “El problema del patrón fantasma(Oxford 2020).
Lea también: Meta da otro paso sutil hacia un metaverso muy publicitado
.