Al igual que ocurre en el resto de las áreas de la economía, la transformación digital ha llegado a la gestión de proyectos. Para gestionar proyectos profesionalmente, ya no es necesario generar documentación en papel, o trabajar desde ubicaciones concretas. En la Economía de Proyectos, los datos de los proyectos han pasado a tener una importancia decisiva en la gestión empresarial. Hoy día, en cada proyecto colaboran cada vez más personas, que comparten una gran cantidad de datos técnicos y de gestión, y las empresas ejecutan cada vez más proyectos. Si cada vez hay más datos que permiten modelar la gestión de proyectos, programas y portafolios, ¿se podrán aplicar algoritmos para gestionarlos automáticamente? ¿Qué papel jugaremos entonces los profesionales?
En este primer artículo sobre inteligencia artificial revisaremos el significado, la historia y las potencialidades de la inteligencia artificial. Próximamente, hablaremos de cómo podría aplicarse la inteligencia artificial a la gestión profesional de proyectos, programas y portafolios.
La Inteligencia Artificial (IA en español, AI en inglés, Artificial Inteligence) es la inteligencia expresada por máquinas, en contraposición a la inteligencia natural de humanos o animales.
John McCarthy acuñó el término “inteligencia artificial” en 1956 durante la conferencia de Darthmounth, que se celebró con el nombre de «Dartmouth Summer Research Project on Artificial Intelligence» en la universidad Dartmouth College, Hanover, New Hampshire, EE.UU.
La expectación por el nuevo fenómeno que suponía la IA tomó impulso con la financiación de numerosos proyectos y programas de investigación. La IA tuvo su “edad de oro” durante las dos décadas siguientes, en que se consiguieron grandes avances en algoritmos de búsqueda y juegos, sistemas expertos y el inicio del proceso del lenguaje natural (NLP, Natural Language Processing).
A mediados de los años 70, al no cumplirse las expectativas creadas, se cancelaron muchos programas de investigación, y la IA entró en lo que se denominó “el invierno de la IA”. Hay que decir que las expectativas eran demasiado optimistas cuando anunciaban que, en la década de 1970, la IA alcanzaría capacidades comparables a la inteligencia humana. Esto era técnicamente imposible debido a la capacidad de proceso y almacenamiento de los ordenadores de entonces.
En los años 80 hubo grandes avances sobre un nuevo tipo de algoritmos, denominados redes neuronales artificiales. Una red neuronal artificial es un algoritmo que sigue un modelo de aprendizaje automático, también conocido como Machine Learning, inspirado en la biología del cerebro. La red puede aprender la relación entre unos datos de entrada determinados y unos valores de salida. Tras ser entrenada la red, los parámetros de sus capas intermedias permiten generalizar su conocimiento más allá de los ejemplos proporcionados.
El siguiente vídeo explica, desde un punto de vista práctico, los fundamentos de las redes neuronales artificiales:
En los 90, la IA volvió a resurgir, pero esta vez ajustando las expectativas, centrándose concretamente sobre la efectividad en tareas específicas que podían realizar los sistemas expertos y las redes neuronales artificiales. En 1997, el ordenador de IBM DeepBlue logró vencer al campeón del mundo de ajedrez Garri Kasparov. En esta época hubo grandes inversiones en sistemas expertos para procesos de producción industrial.
A partir de la década de 2010, podemos afirmar que la IA entró en su etapa de madurez. En el año 2016, el software AlphaGo, creado por Google DeepMind, venció al campeón del mundo de Go, que se considera el juego más complejo del mundo.
Investigadores, programadores, empresas e instituciones académicas, comenzaron por fin a confiar decididamente en el prometedor futuro de la IA, sin temor a otro “invierno de la IA”, fundamentalmente por 3 factores clave:
- La capacidad de computación de los ordenadores, que ha crecido siguiendo la Ley de Moore. Específicamente, la IA comenzó a adoptar el uso de las tarjetas gráficas, cuya capacidad de proceso está optimizada para el cálculo matricial, el tipo de cálculo intensivo que utilizan los algoritmos de redes neuronales artificiales.
- La efectividad y la mejora continua de los algoritmos de redes neuronales artificiales, especialmente en lo que se refiere a las redes neuronales generativas adversarias.
- La disponibilidad de ingentes cantidades de datos en internet con los que entrenar los algoritmos de redes neuronales artificiales. Si se usan conjuntos de datos apropiadamente curados, la IA ya funciona mucho mejor que las personas cuando se trata, por ejemplo, de reconocer patrones sobre grandes volúmenes de datos no estructurados, lo que también se conoce con el nombre de Big Data.
Actualmente, en la década de 2020, las aplicaciones de IA para el reconocimiento de imágenes y el procesamiento del lenguaje natural se están convertido cada vez más en una commodity. Se comercializan aplicaciones de IA basadas en modelos generativos para crear imágenes y textos. El procesamiento del lenguaje natural avanza a pasos agigantados con áreas de aplicación como los asistentes virtuales y chatbots, que ya son capaces de superar el test conversacional de Turing.
La internet de las cosas (IoT, Internet of Things) conecta cada día más objetos por internet, y conectará cada día más robots. Las fábricas incorporan cada vez más robots autónomos en sus procesos productivos. Los coches autónomos pronto alcanzarán el nivel máximo de autonomía.
Todo lo mencionado anteriormente son aplicaciones de lo que se denomina IA estrecha. Quedan por delante muchos años antes de que podamos hablar de Inteligencia Artificial General (AGI, Artificial General Intelligence). Se distinguen 3 tipos de Inteligencia Artificial:
- IA Estrecha (ANI, Artificial Narrow Intelligence): La IA estrecha, limitada, o específica, es aquella que se ocupa de una tarea. Todos los métodos de IA que utilizamos hoy en día se enmarcan en la IA estrecha.
- IA General (AGI, Artificial General Intelligence): La IA general se aplicaría a una máquina que puede ocuparse de cualquier tarea intelectual. Es una inteligencia de nivel humano, con capacidad para realizar las mismas actividades cognitivas que una persona. Los investigadores han abandonado el ideal de la AGI debido a que, pese a todos los esfuerzos, apenas ha habido progresos a este respecto en los últimos cincuenta años.
- Superinteligencia (ASI, Artificial Super Intelligence): El autor Nick Bostrom define a la superinteligencia como «un intelectual que es mucho más listo que los mejores cerebros humanos prácticamente en cualquier campo, incluyendo la creatividad científica, sabiduría general y habilidades sociales».
Una dicotomía relacionada es la de IA “fuerte” e IA “débil”. Se reduce a la distinción entre ser inteligente y actuar de manera inteligente. La IA fuerte equivaldría a una mente que es verdaderamente inteligente y consciente de sí misma. La IA débil es lo que efectivamente tenemos, a saber, sistemas que muestran comportamientos inteligentes a pesar de ser simples ordenadores.
La IA es ya una realidad ubicua, que crece de forma exponencial. A nivel personal, todos los días usamos asistentes inteligentes, navegadores, buscadores, redes sociales, etc. A todas horas, recibimos grandes dosis de publicidad personalizada y contenidos recomendados. A nivel empresarial, la IA es la base fundamental de la 4ª revolución industrial.
En el siguiente artículo hablaremos de cómo podrá aplicarse la inteligencia artificial a la gestión profesional de proyectos, programas y portafolios. Con toda probabilidad, los project managers seguramente no serán reemplazados por la inteligencia artificial. Es más probable que deban incorporar la AI en su práctica profesional del día a día.
