Una de las aplicaciones más populares de la inteligencia artificial hasta la fecha ha sido usarla para predecir cosas, usando algoritmos entrenados con datos históricos para determinar un resultado futuro. Pero la popularidad no siempre significa éxito: la IA predictiva omite muchos de los matices, el contexto y el razonamiento de causa y efecto que intervienen en un resultado; y como wired indica y como se ha visto en varios casos, esto significa que a veces las respuestas “lógicas” producidas por la IA predictiva pueden resultar desastrosas. La startup CausaLens ha desarrollado tecnología de inferencia causal, presentada como una herramienta sin código que no requiere que un científico de datos la use para introducir más matices, razonamiento y sensibilidad de causa y efecto en un sistema basado en IA, que cree pretende resolver este problema .
El objetivo de CausaLens, dijo el CEO y cofundador Darko Matovski, es que la IA «comience a entender el mundo como lo entienden los humanos».
La startup obtuvo una financiación de 45 millones de dólares después del éxito inicial de su enfoque, aumentando los ingresos en un 500 % desde que apareció hace un año.
Dorilton Ventures y Molten Ventures (el VC que renombró a Draper Esprit) lideraron la ronda, con la participación de los patrocinadores anteriores Generation Ventures e IQ Capital, y el nuevo patrocinador GP Bullhound. Diversas fuentes dicen que la ronda valora a CausaLens, con sede en Londres, en alrededor de 250 millones de dólares.
Los clientes y socios de CausaLens actualmente incluyen organizaciones de atención médica, servicios financieros y gobierno, entre otras verticales, donde su tecnología se usa no solo para la toma de decisiones basada en inteligencia artificial, sino también para aportar más matices de causa y efecto al llegar a los resultados. .
Un ejemplo ilustrativo de cómo funciona esto se puede encontrar en Mayo Clinic, uno de los socios de la startup, que ha estado utilizando CausaLens para identificar biomarcadores de cáncer.
“Los cuerpos humanos son sistemas complejos y, por lo tanto, al aplicar paradigmas básicos de IA, puede encontrar cualquier patrón que desee, correlaciones de cualquier tipo, y no llegará a ninguna parte”, dijo Darko Matovski, director ejecutivo y fundador de la startup. “Pero si aplica técnicas de causa y efecto para comprender la mecánica de cómo funcionan los diferentes cuerpos, puede comprender más la verdadera naturaleza de cómo una parte tiene un impacto en otra”.
Teniendo en cuenta todas las variables que podrían estar involucradas, es el tipo de problema de big data que es casi imposible de calcular para un humano, o incluso para un equipo de humanos, pero es un juego para un modelo de computación. Si bien no produce una cura para el cáncer, este tipo de trabajo es un paso significativo para comenzar a considerar diferentes tratamientos adaptados a las muchas permutaciones involucradas.
La tecnología de CausaLens también se ha aplicado de una manera menos clínica en el cuidado de la salud. Una agencia de salud pública de una de las economías más grandes del mundo no revelada usó su motor de IA causal para determinar por qué ciertos adultos se han estado absteniendo de vacunarse contra el COVID-19, para que la agencia pudiera idear mejores estrategias.
Otros clientes en áreas como servicios financieros han estado usando CausaLens para informar algoritmos automatizados de toma de decisiones en áreas como valoración de préstamos, donde los sistemas de IA anteriores introducían sesgos en sus decisiones cuando usaban solo datos históricos. Por otro lado, los fondos utilizan CausaLens para comprender mejor cómo podría desarrollarse una tendencia de mercado para informar sus estrategias de inversión.
Y, curiosamente, podría estar surgiendo una nueva ola de clientes en el mundo del transporte autónomo. Esta es un área donde la falta de razonamiento humano ha frenado el progreso en el campo.
“No importa cuántos datos se introduzcan en los sistemas autónomos, siguen siendo sólo correlaciones históricas”, dijo Matovski sobre el reto. Dijo que CausaLens está en conversaciones ahora con dos importantes empresas de automoción, con «muchos casos de uso» para su tecnología, pero uno en particular es la conducción autónoma «para ayudar a los sistemas a comprender cómo funciona el mundo». No se trata solo de píxeles correlacionados relacionados con un semáforo en rojo y un automóvil que se detiene, sino también cuál será el efecto de que ese automóvil disminuya la velocidad en un semáforo en rojo. Estamos trayendo el razonamiento a la IA. La IA causal es la única esperanza para la conducción autónoma”.
Parece obvio que aquellos que usan IA en su trabajo querrían que el sistema fuera lo más preciso posible, lo que plantea la pregunta de por qué la brillante mejora de la IA causal no se ha integrado en los algoritmos de IA y el aprendizaje automático en el primer lugar.
No es que razonar más y responder “por qué” no fueran prioridades desde el principio, explicó Matovski: “La gente ha estado explorando las relaciones de causa y efecto en la ciencia durante mucho tiempo. Incluso se podría argumentar que las ecuaciones de Newton son causales. Es súper fundamental en la ciencia”, dijo, pero es que los especialistas en IA no podían entender cómo enseñar a las máquinas a hacer esto. “Era demasiado difícil”, dijo. “Los algoritmos y la tecnología no existían”.
Eso comenzó a cambiar alrededor de 2017, dijo, cuando los académicos comenzaron a publicar enfoques iniciales considerando cómo representar el «razonamiento» y la causa y el efecto en la IA en función de encontrar señales que contribuyeron a los resultados existentes (en lugar de usar datos históricos para determinar los resultados), y construir modelos basados en eso. Curiosamente, es un enfoque que, según Matovski, no necesita ingerir grandes volúmenes de datos de entrenamiento para funcionar. El equipo de CausaLens tiene muchos doctorados. Y este equipo ha tomado este reto y lo ha afrontado. “Desde entonces, ha sido una curva de crecimiento exponencial” en términos de descubrimiento.
Como era de esperar, CausaLens no es el único jugador que busca cómo aprovechar los avances en la inferencia causal en proyectos más grandes que dependen de la IA. Microsoft, Facebook, Amazon, Google y otros grandes actores tecnológicos con inversiones sustanciales en inteligencia artificial también están trabajando en el campo. Entre las startups también hay Causalis centrándose específicamente en la oportunidad de utilizar la IA causal en la medicina y la atención sanitaria, y Oogway parece estar construyendo una plataforma de IA causal dirigida a los consumidores, un «asistente de decisiones de IA personalizado» como se describe a sí mismo. Todo esto habla de la oportunidad de desarrollar más y un mercado bastante masivo para la tecnología, cubriendo tanto casos de uso comerciales específicos como más generales.
“La IA debe dar el siguiente paso hacia el razonamiento causal para alcanzar su potencial en el mundo real. CausaLens es el primero en aprovechar Causal AI para modelar intervenciones y permitir la introspección impulsada por máquinas”, dijo Daniel Freeman de Dorilton Ventures. “Este equipo de talento ha creado software con la sofisticación para ganarse a los científicos de datos y la facilidad de uso para empoderar a los líderes empresariales. Dorilton Ventures está muy emocionada de apoyar a causaLens en la próxima etapa de su viaje”.
“Todas las empresas adoptarán la IA, no solo porque pueden, sino porque deben”, agregó Christoph Hornung, director de inversiones de Molten Ventures. “En Molten estamos convencidos de que la causalidad es el ingrediente clave que se necesita para desbloquear el potencial de la IA. CausaLens es la primera plataforma de IA causal del mundo con una capacidad comprobada para convertir datos en decisiones comerciales óptimas”.
