Científicos han mostrado su consternación ante el desarrollo de la Inteligencia Artificial debido a que es una disciplina que podría salir de nuestro control.
La Inteligencia Artifical (AI), también llamada Inteligencia Computacional, crea sistemas que aprenden por sí mismos. Así como los humanos saben y aprenden sobre el mundo gracias a experiencias pasadas, el conocimiento de las máquinas proviene de los datos que se les haya alimentado.
Pero, ¿hay manera de hacer que las computadoras también aprendan de experiencias pasadas? La respuesta, temida por muchos y anticipada por otros es, sí. Hoy en día ya existen computadoras que retienen información de procedimientos pasados y pueden llegar a resolver ejercicios complejos por sí mismas.
Este aprendizaje automático es mejor conocido como Machine Learning. Su origen data desde los 50’s cuando se comenzaba a investigar y desarrollar la Inteligencia Artificial, un producto de las ciencias de computación y las neurociencias (Pasillas, 2017).
En un principio Machine Learning fungió como una herramienta para llegar a la IA. Fue en 1952 cuando Arthur Samuel, pionero en juegos informáticos e IA, le otorgó a una computadora la habilidad de aprender a jugar damas. La máquina contaba con la capacidad de mejorar con cada juego realizado al estudiar los movimientos ganadores e incorporándolos a su programa.
Como los conceptos forman parte de la misma disciplina, puede ser común que causen cierta confusión. La diferencia entre ambos radica en que la IA involucra máquinas que pueden hacer tareas que son características de la inteligencia humana. Dichas tareas pueden incluir planear, reconocer lenguaje, objetos, sonidos y aprender.
Machine Learning, en cambio, es una manera de “entrenar” a un algoritmo para que pueda aprender. Dicho entrenamiento involucra alimentarlo con enormes cantidades de datos y permitir que éste se ajuste a ellos y mejore su procedimiento. (McClelland, 2018) Además, en este caso las computadoras no están explícitamente programadas si no que pueden cambiar y mejorar los algoritmos por sí mismas.
Por consiguiente, en Machine Learning las experiencias con las que las máquinas aprenden se traduce en data; de la data previa van generando nuevos conocimientos. Sin embargo, no lo pueden lograr por sí mismas. Para entrenarse, los algoritmos necesitan ser alimentados con grandes colecciones de datos anteriormente categorizados por un humano.
Por ejemplo, para que una máquina aprenda a predecir el precio de una casa, ésta debe de tener datos sobre los tamaños, precios y ubicaciones de casas para poder sacar el valor de otras. Esto lo hace construyendo un modelo a base de prueba y error que generaliza el comportamiento observado.
Se puede decir que los algoritmos de Machine Learning se dividen en tres categorías: supervised learning (aprendizaje supervisado), unsupervised learning (aprendizaje no supervisado) y reinforcement learning (aprendizaje por refuerzo).
Aprendizaje Supervisado
De acuerdo con Omar Sanseviero, desarrollador de software y co fundador de AI Learners, en el Aprendizaje Supervisado, se utilizan datos previamente etiquetados. Por ejemplo, para saber si una imagen es de un gato o un perro,el modelo se entrena con miles de imágenes catalogadas con cualquiera de esas dos categorías. El objetivo es que después de varios intentos, la máquina pueda reconocer a un perro o un gato aunque la imagen no esté clasificada. Finalmente, lo que distingue al Aprendizaje Supervisado es la capacidad de generalizar nuevos casos a partir del entrenamiento con ejemplos.
Aprendizaje no Supervisado
En esta categoría, el algoritmo no cuenta con datos previamente etiquetados. En cambio, los modelos de Aprendizaje no Supervisado tienen el objetivo de comprender y abstraer los patrones de la información directamente (Sanseviero, 2017). Es decir, a la máquina se le provee una gran cantidad de datos con las características de un objeto (ej. aspectos que conforman un auto) para que pueda determinar que es a partir de esa información.
Aprendizaje por Refuerzo
En esta técnica los modelos aprenden a partir de la experiencia. A diferencia de las categorías anteriores, en este caso los modelos ya conocen los resultados pero deben llegar a ellos a prueba y error. Lo que sucede es que el algoritmo va reconociendo los patrones de éxito y aplicándolos para lograr el resultado. Según Sanseviero, esta es una de las técnicas más prometedoras porque no requieren grandes cantidades de datos.
Junto con la IA, la disciplina de Machine Learning ha pasado de ser un concepto de investigación científica a una herramienta de trabajo con fines claros en el área de los negocios (Cortez, 2018). Su evolución se ha propagado aún más gracias a una técnica conocida como Deep Learning.
“Por definición, Deep Learning es un subconjunto dentro del campo del Machine Learning, el cual predica con la idea del aprendizaje desde el ejemplo. Su uso es excelente extrayendo patrones a partir de datos en bruto.” – Txema Rodriguez, desarrollador de Android
Gracias a esta nueva subdivisión, se han desarrollado diversas plataformas especializadas en la gestión del aprendizaje automático como IBM Watson Developer Cloud, Amazon Machine Learning y Azure Machine Learning. Además, se ha logrado acelerar el desarrollo de sistemas capaces de imitar aspectos de cómo el ser humano piensa y actúa (Cortez, 2018).
Hoy, los avances en la disciplina se ven reflejados en diferentes aplicaciones prácticas que son utilizadas de manera cotidiana por todo el mundo. Los algoritmos de Machine Learning han logrado habilitar a las computadoras a comunicarse con humanos, manejar, escribir, recomendar aplicaciones, calcular el valor de una casa, encontrar curas y hasta localizar sospechosos terroristas de manera autónoma.
Su avance es veloz. De acuerdo a la encuesta Global Digital IQ de este año, 54% de las organizaciones que entrevistaron están haciendo inversiones significativas en IA y se prevé que ese porcentaje incremente a 63% en menos de tres años. Por su parte, HubSpot reportó de acuerdo a una encuesta sobre inteligencia artificial que realizó, que el 63% de las personas utilizan IA diariamente, sin siquiera saberlo.
Creo firmemente que Machine Learning va a impactar de forma severa en la mayoría de las industrias y en los trabajos en ellos, lo cual es la razón por la que cada gerente debe de tener al menos un entendimiento de lo que es el Machine Learning y cómo está evolucionando. – Bernard Marr, autor y consultor en Big Data
Es así como, paulatinamente, la IA y Machine Learning se han abierto paso en el área laboral y de los negocios, complementando y, en muchos casos, reemplazando ciertos puestos de trabajo. Aunque ha sido aceptado y celebrado por unos, también ha sido causa de alarma y confusión para otros.
En un artículo publicado por la revista Science, Erik Brynjolfsson y Tom Mitchell de MIT y Carnegie Mellon University, argumentan que Machine Learning es una tecnología general que encontrará su camino en todo lo que hacen los humanos y reestructurará nuestros métodos de trabajo.
Así mismo, el artículo tiene un enfoque positivo en cuanto al papel de los humanos en este panorama. Aunque los autores prevén que muchos trabajos desaparecerán a causa de las nuevas tecnologías, nuevos empleos se crearán a partir de ello. Por ende, los humanos tendrán que aprender nuevas habilidades para poder adaptarse.
Finalmente, los autores explican que los algoritmos de Machine Learning no pueden realizar tareas que requieren sentido común, ya que ejerce muchas cadenas de lógica o razonamiento extraído desde un contexto diverso de conocimiento. Éstas últimas son habilidades inherentes del ser humano.
Por ejemplo, una computadora puede encontrar la cura a un tipo de enfermedad. Sin embargo, no tiene la habilidad de decir cómo o por qué la persona se enfermó. Por lo tanto, su capacidad de crear un diagnóstico completo es pobre comparado al de un doctor.
Brynjolfsson y Mitchell no son los únicos que tienen una visión positiva sobre el lugar de los humanos en la sociedad respecto a las nuevas tecnologías. Bernard Marr también alega que “los científicos creen que una computadora nunca va a “pensar” de la manera en que lo hace un cerebro humano. Y eso, comparando los análisis y algoritmos computacionales de una computadora a las maquinaciones de la mente humana es como comparar manzanas y naranjas.”
Parece ser que la IA y Machine Learning han llegado para quedarse. Y no sólo eso sino que van a seguir evolucionando. Si su alimento son los datos, entonces no habrá escasez si no lo contrario: de acuerdo con las estadísticas de International Business Machine (IBM), cada día se crean 2.5 quintillones de bytes en datos – tanto que el 90% de la data en el mundo hoy ha sido creada en los últimos dos años.
Por lo tanto, mientras la cantidad de datos siga creciendo, también lo harán las capacidades de análisis y aprendizaje de las computadoras.
Contrario a lo que se suele pensar, Machine Learning puede llegar a ser una gran herramienta de trabajo para los humanos. Al automatizar ciertos procesos, es probable que haya más tiempo para realizar otros trabajos más complejos.
Si bien es posible que haya un periodo de adaptación, finalmente el trabajo humano tendrá un mayor valor por que se va a basar en aquello que no pueden lograr las computadoras. Además, los trabajos que requieren interacción interpersonal no van a poder desaparecer. Puede que exista una computadora que filtre los correos y CVs de un Generalista, pero no podrá realizar entrevistas ni escoger al mejor postor basado en algoritmos.
Las disciplinas actuales no son fijas o irremplazables pero afortunadamente no están exentas al cambio. Tal como sucede con los demás gadgets, los humanos nos adaptamos al cambio. Al hacernos sensibles a las nuevas tecnologías, desarrollaremos habilidades más complejas y necesarias para el mercado laboral futuro. Y finalmente, con un control adecuado de la disciplina, la IA podrá dejar de verse como una amenaza sino como una herramienta indispensable de trabajo.
