IA y DataScience Parte2

 Hace un tiempo escribí un artículo sobre esto, pero en aquel entonces se me escapó un detalle muy importante

 Te insto a leerlo como preámbulo

A ver, lo que se me pasó es poner un ejemplo práctico para bajar las cosas a lo físico y que no se quedara todo en el aire.

Así que sin más dilación... Voy a poner un ejemplo:

 

Las investigaciones acerca de la efectividad de fisioterapia 

Por ejemplo, existen muchas investigaciones para nuevas metodologías de fisioterapia que podrían generar un tratamiento distinto para cada paciente según dónde esté el origen que esté provocando una tensión en un punto concreto que se expresa como una dolencia que un traumatólogo diagnosticará sin especificar su origen. Por ejemplo puedes tener una lesión en el homoplato izquierdo y esta puede surgir por ejemplo de una fuerza del cuello o de la espalda, entonces distintos pacientes con un mismo diagnostico podrían requerir tratamientos diferenciados por lo que incluso con una muestra 10 veces más grande que la mayoría de investigaciones con sujetos más grandes nos e generan grupos representativos al ser la cantidad de combinaciones y tratamientos potencialmente infinita.

Las investigaciones acerca de efectos secundarios de substancias que ingerimos. 

Y en este ejemplo es claro. No tenemos manera de medir las pequeñas interacciones de distintas substancias a no ser que tuviesemos en cuenta todas y cada una de ellas además de más datos acerca del individuo y luego habría que cruzar toda esa información para buscar correlaciones.

BUENO! pues en todo eso la IA nos dará los indicios y el DataScience nos permitirá investigarlos para que los científicos puedan optimizar hasta niveles no vistos la salud y prevenir un montón de dolencias que actualmente no sabemos ni de dónde salen ni qué hacer con ellas.

IA & DataScience

 Una IA es sólo estadística aplicada: no tiene creatividad. Sólo copia ideas y las combina, pero no es capaz de generar estructuras nuevas sin nuevos inputs de los que copiar... aunque es capaz de ver patrones estadísticos que se escapan a nuestras limitada teoría estadística en cuya metodología tenemos que aislar los datos de un entorno que por naturaleza es altamente diverso.

 Un ejemplo: podemos medir los efectos secundarios de un medicamento pero no todas sus interacciones y contextos, sin embargo una IA si que puede encontrar patrones pues es capaz de aislar los datos automáticamente o de encontrar esos patrones incluso si esos datos no están aislados. Sin embargo una IA no va a poder distinguir si dos correlaciones no están relacionadas realmente... Lo va a tomar por lo mismo.

 Sin embargo: alguien inteligente haciendo DataScience de un enorme conjunto de datos también puede llegar a esas mismas conclusiones y extraer auténtico conocimiento. La IA es buena pero no tanto como parece, sin embargo ambos métodos son una ventaja comparado con lo limitado de las metodologías estadísticas actuales que trabajan con muestras de como mucho unos pocos miles, en comparación con el Data Sciencie y la Ia que pueden trabajar con una cantidad de datos masiva.

 ¿Y en qué se diferencia la IA del Data Science? La IA puede darnos pistas o respuestas pero no puede explicárnoslas al 100% ni crear nuevo conocimiento pues carece de creatividad, sólo dibuja un cuadro donde se cumple la estadística sin entenderla. A través del DataScience descubrimos de verdad qué sucede. En todo caso ambas son herramientas de investigación que sustituirán o apoyarán a las limitaciones de la metodología estadística actual... pero no son un sustituto de la propia investigación.

PARTE2!