¿Quién será el próximo ChatGPT?

En 2012, el Dr. Franz Messerli, un cardiólogo italiano, presentó un hallazgo intrigante: identificó una correlación entre el consumo de chocolate en diversos países y el número de laureados con el Premio Nobel nacidos en el país. A primera vista, se podría malinterpretar esto como que el chocolate potencia la inteligencia, incluso hasta llegar a ganar un Nobel, pero a priori todos estamos de acuerdo que esta hipótesis no tiene ningún sustento creíble.

El anterior caso ilustra que para lograr que la capacidad de análisis de datos de la inteligencia artificial (IA) se acerque al comportamiento humano se requiere no solo desarrollar la capacidad de comprender la correlación entre conjuntos de datos, sino, que adicionalmente se debe inferir la importancia de las relaciones de causalidad entre los datos.

Mientras la correlación describe la probabilidad de coexistencia entre dos variables, la causalidad describe la relación en la que un cambio en una variable (la causa) provoca un cambio en otra variable (el efecto). Aunque la inteligencia artificial puede identificar eficientemente las correlaciones entre múltiples conjuntos de datos, aún enfrenta desafíos al discernir las relaciones causa-efecto detrás de ellas.

El caso del chocolate y los Nobel ilustra la cautela que debemos tener al interpretar los patrones que la IA correlacional resalta, pues la presencia de una correlación no necesariamente implica causalidad.

Algunos ejemplos del mundo de los negocios nos pueden ayudar a comprender mejor la diferencia en la profundidad de las preguntas que se pueden responder con el uso de la IA relacional y la IA causal:

• (i) Un caso clásico del comercio al por menor, es entender la probabilidad de la venta cruzada entre productos; por ejemplo, una pregunta podría ser ¿Qué tan propenso es un cliente que compra pañales para bebe, de también comprar pañitos húmedos para la limpieza del bebe? En casos como este, entender la causalidad entre los datos no es relevante, y la inteligencia artificial tradicional nos indicará el nivel de probabilidad de que la compra de ambos productos se dé simultáneamente.
• (ii) En un nivel de mayor complejidad, quisiéramos dar respuesta a preguntas del tipo ¿Qué pasaría si…?, por ejemplo, ¿Cómo se afectaría la venta de los pañales para bebe, si se aumenta en cuarenta por ciento el precio de venta de los pañitos húmedos? En casos como este una persona experta en el tema, le enseñara a la IA las relaciones de causalidad que podrían afectar la decisión de compra, como el precio de productos similares o el gasto en publicidad digital, entre otras.

Luego, la IA combinaría este conocimiento con análisis de datos para responder a preguntas hipotéticas donde deseamos evaluar el efecto de una intervención, como por ejemplo aumentar los precios o disminuir la inversión publicitaria.

El futuro de la IA causal es promisorio y llevará la IA a otro nivel, actualmente la compañía londinense CausaLens, es uno de los principales pioneros en la IA causal, y es de esperar que se constituya en uno de los actores clave en la próxima revolución alrededor de la IA, y quizás, convertirse en el próximo ChatGPT.