La productividad es una cuestión apremiante para muchos gobiernos y el Reino Unido no es una excepción.
Esta presión está disminuyendo sobre los investigadores británicos a medida que la fuerza impulsora lleva al Reino Unido a la cima de las clasificaciones internacionales de I+D en función de la calidad y el impacto de su investigación.
Sin embargo, la competencia internacional se está intensificando y los investigadores del Reino Unido deben hacer más para mantener su posición global.
El artículo continúa a continuación.
Vicepresidente senior de soluciones académicas y gubernamentales, Elsevier.
Las tendencias más amplias en el sector de la investigación aumentan esta presión. A nivel mundial, sólo el 45% de los investigadores dice que tiene suficiente tiempo para investigar, y sólo el 33% espera que la financiación aumente en los próximos dos o tres años.
La IA a menudo se considera una solución milagrosa para la productividad. El valor total de la inversión del Reino Unido en tecnología de inteligencia artificial (en conjunto, miles de millones de libras) muestra que, si bien la productividad no es el único objetivo, sin duda está entre los primeros de la lista.
La estrategia de IA del gobierno para la ciencia defiende específicamente la idea de utilizar la IA para “transformar la productividad y el progreso científicos”.
IA para la investigación: no es tan simple como parece
No sorprende que los investigadores estén adoptando herramientas de inteligencia artificial y integrándolas en sus flujos de trabajo; el problema es que se adoptan más rápido de lo que pueden seguir el ritmo. Más de la mitad de los investigadores ahora dicen que utilizan herramientas de IA en su trabajo, pero sólo dos de cada diez creen que las herramientas genéricas de IA son confiables.
A estos problemas se suma el desafío sistémico que supone el uso de la IA: las herramientas genéricas de IA simplifican las respuestas, detallan y suavizan el proceso, borrando cierta precisión, transparencia y contexto. Para fines generales, estos problemas no son insuperables.
Pero para los investigadores que trabajan en la vanguardia de la reproducibilidad y la validación, esto simplemente no es suficiente. Muchos hablan de la “productividad de la IA” que mide lo que la IA puede producir frente a lo que puede producir un humano (lento).
Esto ignora la fidelidad de la producción de la IA: si un humano necesita verificar todo lo que produce la herramienta de IA, expone todas las llamadas ganancias de “productividad”.
Estos problemas no deberían impedir que los investigadores utilicen la IA con confianza, pero primero es necesario replantear el problema. Como ocurre con cualquier herramienta, se trata de elegir la herramienta adecuada para el trabajo. Hasta la fecha, los investigadores no cuentan con las herramientas adecuadas.
La solución se ve en muchos otros ámbitos: herramientas especiales para trabajos especiales. Los médicos utilizan monitores de ECG, no relojes inteligentes, para medir la frecuencia cardíaca; Los fabricantes comerciales utilizan sistemas de producción automatizados para mediciones de precisión, no cintas métricas.
Si bien las herramientas de capas funcionarán para los entusiastas del fitness que desean controlar su ritmo cardíaco, o para los entusiastas de las mejoras en el hogar, los profesionales utilizan productos de calidad industrial que no están disponibles en la calle principal.
El mismo principio de “herramienta adecuada para el trabajo adecuado” debería aplicarse a la IA en la investigación. Las herramientas profesionales de IA están diseñadas teniendo en cuenta los requisitos altamente especializados de los investigadores, en quienes pueden (y lo más importante) confiar para hacer el trabajo en cuestión.
Una vez que se establece esa confianza, se elimina la necesidad de un escrutinio excesivo de la producción de la IA. Si los investigadores no necesitan perder tiempo en ello, se trata de una verdadera ganancia de productividad: no una que se vea bien en el papel, pero que no tenga sentido en la práctica.
En primer lugar, no parece una hipótesis: hay que preguntárselo a los propios investigadores. Trabajando estrechamente con la comunidad, hemos aprendido que la IA de “grado de investigador” tiene cuatro componentes clave:
– Los investigadores quieren herramientas que apoyen el pensamiento crítico, herramientas que señalen cualquier incertidumbre en lo que han creado, en lugar de pasarlas por alto.
– Los conocimientos generados por la IA deben ser relevantes, transparentes y rastreables, es decir, la herramienta de IA muestra su pensamiento y qué fuentes se utilizaron para llegar a estas conclusiones.
– “Basura entra, basura sale” se aplica al extremo en la investigación. La investigación revisada por pares es el estándar de oro y debe integrarse en plataformas neutrales para los editores para que los investigadores puedan ver el panorama completo, no solo una parte.
– Por último, todo debería basarse en la privacidad de los datos, la seguridad y el uso responsable de la IA.
En el mundo de la investigación, la IA tiene que superar más obstáculos para ganarse la confianza. Debe ser transparente sobre sus orígenes, proteger datos sensibles y apoyar el juicio humano sin intentar reemplazarlos.
Lograr ese objetivo requiere ir más allá de la IA genérica y hacia sistemas construidos con rigor y responsabilidad como núcleo.
Hemos clasificado las mejores plataformas de aprendizaje en línea..
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
