El analista Gartner predice que el gasto mundial en TI alcanzará los 5,74 billones de dólares en 2025, un aumento del 9,3% con respecto a 2024.
Según el analista, las exploraciones de IA generativa (Gen AI) contribuirán en gran medida a este aumento.
La mayoría de nosotros ya hemos incursionado en la IA generativa. Ya sea puliendo texto, creando fotografías o generando código, las capacidades de la tecnología a veces son mágicas.
Debes probar tu hipótesis.
Sin embargo, James Fleming, CIO del Instituto Francis Crick, no deja que su organización quede atrapada en el revuelo.
Le dice a ZDNET que no es fácil utilizar tecnologías emergentes para impulsar descubrimientos científicos innovadores. La IA no ha supuesto un cambio importante en los métodos de trabajo de su organización de investigación.
“Hacer IA científica, en lugar de crear grandes modelos de lenguaje disponibles públicamente, es una disciplina completamente diferente. Estás trabajando en un mundo científico estrechamente delimitado donde tienes que probar tu hipótesis”, dice.
“No basta con decir que has lanzado un modelo que es casi correcto. La mayoría de las veces, tiene que ser completamente correcto. Y tienes que demostrar que estás basando tu trabajo en una comprensión fundamental”.
“La previsibilidad es clave, especialmente cuando se piensa en un dispositivo médico”.
Fleming describe el uso de la IA en la ciencia como un “arma de doble filo”. Si bien las tecnologías emergentes pueden ayudar a acelerar el proceso de investigación, cualquier nuevo hallazgo debe generarse y presentarse con un alto grado de certeza.
“La previsibilidad es clave. Especialmente si se piensa en un dispositivo médico”, dijo Fleming.
Si presenta una innovación a un médico y le dice: “Creo que esta herramienta puede predecir la progresión del cáncer”, por ejemplo, le preguntarán: “Muéstreme cómo”.
Sin embargo, si bien la explicabilidad es esencial para la investigación científica, está en desacuerdo con los métodos de trabajo de caja negra y las alucinaciones de muchos modelos de IA.
Utilice un enfoque iterativo
Fleming dice que su instituto de investigación utiliza un enfoque iterativo para ayudar a sus investigadores a adoptar modelos de IA.
“Hay que trabajar lenta y progresivamente”, afirma. El enfoque incremental de Crick ayuda a los investigadores a implementar modelos de IA de dos maneras.
Mejorar las metodologías científicas existentes.
En primer lugar, mejorando las metodologías científicas existentes. Según Fleming, el instituto empezó a trabajar aquí hace cinco años en el campo de la microscopía. La instalación de microscopía analiza electrones criogénicos y produce imágenes increíblemente densas y hermosas de tejidos, células y moléculas individuales.
Sin embargo, producir una imagen es sólo el punto de partida. La imagen debe transformarse en datos. El equipo de Fleming trabajó de forma iterativa para demostrar que los modelos correctos pueden producir resultados de investigación más rápidamente.
“Los modelos de IA pueden hacer gran parte del trabajo por usted, como analizar y extraer características y transformar una imagen en datos con los que pueda trabajar para obtener comprensión”, dice.
IA para el descubrimiento científico
La segunda área en la que el instituto utiliza la IA es el descubrimiento. Pero es muy limitado.
Fleming pone como ejemplo el trabajo de un laboratorio sobre la enfermedad de Parkinson. El equipo de investigación creó un clasificador capaz de identificar pacientes con la enfermedad en una población de células madre. Sin embargo, los investigadores no pudieron explicar por qué. Entonces trabajaron al revés, de forma iterativa.
“Después de entrenar el modelo, lo interrogaron utilizando varios métodos estadísticos para determinar si el elemento dominante era la elipticidad de la célula. Son más ovaladas. Y también hubo toda una serie de otras características que luego el modelo extrajo.
Según él, estos resultados tomados aisladamente no constituyen una respuesta. Pero nos permiten considerar el resto de la investigación: “‘Está bien, la morfología celular es diferente. ¿Por qué? ¿Cuál será nuestra próxima serie de experimentos? Y ahí es donde el aspecto iterativo comienza a entrar en juego”.
Probar y perfeccionar
Según Fleming, el cuidadoso proceso de probar y perfeccionar las tecnologías de IA está conduciendo ahora a un enfoque más sofisticado en el que se combinan múltiples IA para impulsar programas de investigación confiables.
El proyecto más grande está dirigido por Samra Turaljic, cuyo Laboratorio de Dinámica del Cáncer se centra en comprender la evolución del cáncer de riñón.
El equipo utiliza IA para predecir la evolución genómica de un tumor a partir de imágenes patológicas. Según Fleming, este esfuerzo requirió entrenar múltiples IA y cruzar los modelos con bases de datos genómicas que abarcan diez años de investigación.
Los resultados pueden verse afectados por variaciones biológicas.
“El resultado es que se crea algo que puede predecir clínicamente el resultado del riñón”, afirma.
“Pero en cada uno de estos procesos, construyes meticulosamente un subcomponente hasta que puedes confiar en él, y también trabajas con capas y capas de datos y te acercas cada vez más al mundo real mientras trabajas”.
Según Fleming, este enfoque tan detallado es importante porque los resultados pueden verse afectados por variaciones biológicas, como las diferentes intensidades de una tinción en un portaobjetos de patología.
Este proceso paso a paso demuestra que la clave para obtener resultados más rápidos de la IA a largo plazo es trabajar lenta y metódicamente en el corto plazo.
Es una perspectiva de la que todos podemos aprender en la era de la IA, donde la hipérbole de los vendedores sugiere que las soluciones brillantes para desafíos difíciles están a solo un clic de distancia.
