Cómo la IA está Transformando las Compras en Supermercados y la Codificación Predictiva

La IA Revoluciona las Compras en Supermercados

Dmytro Lylyk y Vladyslav Mehera, cofundadores de Neomi, están impulsando un nuevo enfoque para las compras en supermercados que se centra en el comprador en lugar del producto. Argumentan que la IA debería considerar los objetivos de salud, las restricciones dietéticas y el contexto del comprador para construir cestas de compras personalizadas. La investigación de McKinsey sobre supermercados de 2026 apoya este cambio, señalando que casi el 55% de los consumidores quieren recomendaciones de nutrición personalizadas. Lylyk enfatiza que su filosofía es sobre 'alimentos para la salud, no para los estantes.' El asistente de IA de Neomi ejemplifica esto al adaptar las experiencias de compra para satisfacer necesidades individuales, como preferencias dietéticas y objetivos personales.

La tecnología detrás del enfoque de Neomi implica comprender las necesidades emocionales y fisiológicas de los consumidores. La IA interpreta señales contextuales, permitiendo una experiencia de compra más coherente y relevante. Por ejemplo, si un usuario selecciona una 'Cena Romántica para Dos,' la IA podría incluir vino en la cesta, incluso si no fue solicitado específicamente. Esto es un alejamiento de los sistemas tradicionales liderados por productos que dependen en gran medida de la visibilidad y las estrategias de comercialización.

Las implicaciones de esta tecnología son significativas para la industria de los supermercados. Según McKinsey, el 70% de los consumidores prefieren la entrega a domicilio, con un 67% citando el ahorro de tiempo como la razón principal. Las compras personalizadas impulsadas por IA podrían reducir la necesidad de navegar, ofreciendo conveniencia y eficiencia. Se espera que los minoristas vean un aumento en las promociones completamente personalizadas, lo que podría redefinir la relación entre las marcas y los consumidores. Como señala Lylyk, 'La IA podría empujar productos al carrito solo porque están promovidos, pero no encajarían en el carrito, o no cumplirían con la expectativa.'

Desde mi perspectiva, este cambio refleja tendencias más amplias en la IA, donde el enfoque se centra cada vez más en entender al usuario en lugar del producto. Esto se alinea con la capacidad del cerebro humano para procesar información contextual compleja, sugiriendo un futuro donde la IA y la neurociencia continúan convergiendo.

Codificación Predictiva Lagrangiana Aumentada como Alternativa a la Retropropagación

En el ámbito del aprendizaje profundo, PC-ALM (Codificación Predictiva Lagrangiana Aumentada) está emergiendo como una alternativa prometedora a la retropropagación. Desarrollado por investigadores de Sakana.ai, PC-ALM entrena MLPs residuales (perceptrones multicapa) de hasta 1000 capas utilizando dinámicas locales de capa. A diferencia de la retropropagación tradicional, que requiere una secuencia estricta de pasos hacia adelante y hacia atrás, PC-ALM emplea un sistema de control de retroalimentación dinámico en cada capa. Este sistema distribuye el crédito de supervisión a lo largo de la red, ofreciendo un método de entrenamiento más eficiente.

Técnicamente, PC-ALM es una extensión de la codificación predictiva estándar, introduciendo neuronas duales por capa como multiplicadores de Lagrange. Estas neuronas crean un controlador de retroalimentación PI, permitiendo que la red funcione con solo cálculo local. Este método evita la necesidad de pasos sincronizados hacia adelante y hacia atrás, haciéndolo más parecido al procesamiento distribuido del cerebro. El enfoque muestra promesa en el aprendizaje profundo eficiente en energía, particularmente para hardware neuromórfico, donde la simulación es más barata que en las GPU.

Las implicaciones de PC-ALM para la industria del aprendizaje profundo son significativas. A medida que la retropropagación tradicional enfrenta desafíos de escalabilidad, particularmente en redes profundas y estrechas, PC-ALM ofrece una alternativa viable. Este método podría revolucionar cómo se entrenan las redes, particularmente para tareas donde la eficiencia energética es crucial. Al entender cómo el cerebro resuelve el problema de asignación de crédito en múltiples capas, PC-ALM podría informar el desarrollo de sistemas de IA más plausibles biológicamente.

En mi opinión, PC-ALM representa un paso significativo hacia la integración de principios de neurociencia en la IA. Al imitar el enfoque del cerebro para procesar, podemos desarrollar sistemas de IA más eficientes y escalables. Esto se alinea con la tendencia más amplia de aprovechar los conocimientos de la neurociencia para mejorar las capacidades de IA.

La Retirada de un Estudio de IA Destaca Problemas de Transparencia de Datos

La retirada de un artículo sobre el impacto cognitivo de la IA generativa, escrito por Sarah Baldeo, CEO de ID Quotient Advisory Group, subraya desafíos significativos en la transparencia de datos y la ética. Publicado en el diario de la Asociación Americana de Psicología, el artículo fue retirado después de que Baldeo se negara a compartir datos con los editores. El estudio había involucrado a 1,923 adultos realizando tareas asistidas por IA, pero expertos señalaron inconsistencias en los datos y falta de aprobación ética.

Los problemas técnicos giraban en torno a la incapacidad de compartir datos a nivel de participante debido a los marcos del Consejo de Ética de Investigación de Canadá. Baldeo argumentó que la transferencia de datos solicitada no estaba autorizada bajo estos marcos, complicando la verificación post-publicación. Críticos como Sandra Grinschgl señalaron que incluso si los datos de los participantes no pueden compartirse, debería ser factible demostrar la plataforma utilizada o compartir el código estadístico.

Este incidente tiene implicaciones significativas para la investigación de IA y su credibilidad. La reticencia a compartir datos y el establecimiento de cuerpos éticos por parte de los propios investigadores generan preocupaciones sobre la responsabilidad y la transparencia. Como señaló Malte Elson, un psicólogo involucrado en evaluar la confiabilidad de la investigación, 'Retener eso no es normal, es extraño para nosotros.' Este caso destaca la necesidad de prácticas robustas de intercambio de datos y supervisión independiente en la investigación de IA.

Desde una perspectiva editorial, la retirada refleja problemas más amplios en la industria de la IA, donde los avances rápidos a menudo superan las consideraciones éticas. Asegurar la transparencia y la responsabilidad es crucial a medida que la IA continúa influyendo en varios aspectos de la sociedad. Esto se alinea con la necesidad de un marco que equilibre la innovación con la responsabilidad ética.

Dónde Encaja Robles.AI

Robles.AI está en una posición única para aprovechar los avances discutidos en estos artículos. Nuestra experiencia en personalización impulsada por IA puede mejorar las experiencias de compra previstas por Neomi, adaptando recomendaciones basadas en objetivos de salud y preferencias individuales. Al integrar principios de PC-ALM, podemos desarrollar métodos de entrenamiento más eficientes para nuestros modelos de IA, asegurando que sean tanto escalables como eficientes en energía. Además, nuestro compromiso con la transparencia y la ética en IA se alinea con la necesidad de responsabilidad en la investigación, abordando los desafíos destacados en la retirada del estudio de IA generativa.