Mi columna en Invertia de esta semana se titula «La importancia (relativa) de ChatGPT» (pdf), y trata de explicar que, frente al revuelo organizado por la primera herramienta sencilla de machine learning «para todos los públicos» con la que cualquiera puede entrar en una página y chatear con un bot más o menos espabilado, hay todo un mundo de compañías que han sido capaces, mediante herramientas también muy sencillas, de generar automatizaciones avanzadas de procesos que les han permitido obtener ventajas competitivas potencialmente muy interesantes.
¿Qué supone el uso del machine learning? Contrariamente a lo que muchos piensan, utilizar machine learning no conlleva llenar tu compañía de carísimos data scientists que se dedican a programar soluciones desde cero que posteriormente no hay forma de poner a trabajar con ningún sistema de gestión corporativa que se precie sin poner toda la empresa patas arriba, sino partir de estructuras de datos relativamente sencillas, con las que los directivos mantienen gran familiaridad – y son capaces de identificar perfectamente cuándo tienen sentido, qué niveles hay que controlar o qué fiabilidad general pueden tener – y utilizar herramientas sencillas low code o no code para plantear algoritmos a golpe de menú que permiten plantear modelos, educarlos, probar su capacidad de predicción, refinarlos e implementarlos de manera razonablemente sencilla.
La atalaya que me permite seguir la evolución del machine learning y de los proyectos que se llevan a cabo con él es suficientemente conocida: más de diez años formando parte de BigML como asesor estratégico, que me permiten una amplia visibilidad sobre los miles de proyectos que sus clientes llevan a cabo en todo el mundo. Hoy, BigML es una compañía saneada, rentable, utilizada rutinariamente en enseñanza por cientos de universidades y con una cartera de clientes recurrentes muy importante, pero es simplemente una – desde mi punto de vista, la mejor, pero soy escasamente objetivo en ese ámbito – de las compañías que forman parte del proceso de adopción corporativo de las herramientas de machine learning.
Basta echar un ojo a algunos de los proyectos desarrollados por la compañía, para encontrarse absolutamente de todo: desde en banca, con herramientas para la estimación del riesgo crediticio o para la detección de patrones de fraude, a las compañías de gestión de autopistas o las infraestructuras para ferrocarriles, pasando por la predicción de demanda o la gestión de promociones en retail, la negociación de contratos en despachos de abogados, la investigación en ecocardiografía, la mejora de las operaciones en call centers, o la optimización de la generación de demanda en compañías B2C.
Son simplemente ejemplos, de esos que los clientes autorizan a contar, pero hay mucho, mucho más. Son proyectos de esos que no escuchamos tantas cosas, que proporcionan importantes ventajas, pero que son, como mucho, comentados en foros de la industria o en conferencias sobre machine learning. Pero su importancia relativa es muchísimo más grande, en términos de relevancia conceptual y de valor añadido, que la que puede tener una herramienta de chat, por muy supuestamente inteligente que simule ser.
El ChatGPT de OpenAI puede ser, en ese sentido, una forma de abrir los ojos a muchos sobre las posibilidades del machine learning, pero ni siquiera sería bueno, a efectos de adopción y avance, que restringiésemos la reflexión al ámbito de los large language models, que no son necesariamente, por mucho que puedan afectar al futuro de la búsqueda o de muchos otros ámbitos, lo más prometedor que nos ofrece el machine learning.
Esperemos que la disponibilidad de ChatGPT consiga, como primera herramienta de machine learning que cualquiera puede probar y evaluar fácilmente, avanzar en la adopción de una tecnología tan potencialmente disruptiva y con tantas implicaciones de su uso. Pero no nos quedemos en la anécdota: hay mucho, muchísimo más. Aunque no hable.
Publicado en enriquedans.com (21.12.2022)