La Inteligencia Artificial ha causado preocupación e incertidumbre por lo que puede llegar a lograr. Pero, ¿cómo nos afecta realmente?
Por Manuel Godoy
La Inteligencia Artificial está cambiando al mundo, pero es necesario tener un mayor contexto y entendimiento. La IA en realidad se refiere a muchas cosas diferentes, en distintas etapas de evolución. ¿Has construido una computadora como HAL 9000 o has escrito mil enunciados IF?
-Benedict Evans
Muchas cosas se han dicho sobre el impacto que el desarrollo de la Inteligencia Artificial (IA) tendrá en la sociedad, especialmente en el mercado laboral. Y, quizá también, en un futuro más lejano, sobre la factibilidad de que en algún momento las máquinas tengan mayor poder que las mismas personas, y que de algún modo nos conviertan en sus “mascotas”. Por ello, es importante hacer una distinción entre lo que es posible imaginar y aquello que realmente podría materializarse en las siguientes décadas considerando cuáles son los avances actuales en IA y Machine Learning.
En un artículo del MIT Review publicado en noviembre 2018, Karen Hao aclara que la gran mayoría de los avances y aplicaciones en el campo de IA que llegan a ser noticia en realidad pertenecen a una categoría específica de algoritmos denominada Machine Learning. Esta nueva generación de algoritmos es más sofisticada que las anteriores debido a que a través de dichos algoritmos es posible realizar tareas (reconocimiento, categorización, toma de decisiones) antes inaccesibles a las computadoras.
A diferencia de los algoritmos tradicionales, que consisten en programar una serie de instrucciones lógicas o matemáticas tan simples o tan complicadas como sea necesario con el objetivo de realizar una tarea específica, la categoría de Machine Learning permite que una computadora pueda efectuar tareas tan avanzadas como el reconocimiento facial o las tareas que desempeñan los asistentes virtuales (Siri, Alexa, etc). Es casi imposible imaginar como estas tareas podrían llevarse a cabo utilizando únicamente instrucciones lógicas o fórmulas matemáticas.
Estos resultados tan espectaculares son posibles debido a la combinación de tres factores. Kevin Kelly, en su libro The Inevitable: Understanding the 12 Technological Forces That Will Shape Our Future (2017), menciona que, a pesar de que la IA ha sido un tema de especulación constante desde la creación de los primeros mainframes, los avances concretos en este campo parecían estar estancados. Esto cambió con la aparición de tres avances tecnológicos en la primera década del siglo XXI:
- Computación en paralelo: Tras el desarrollo de los chips GPU (Graphics Processing Unit), originalmente diseñados para soportar los cálculos de procesamiento gráfico de los videojuegos modernos, en el año 2009 Andrew Ng y un equipo de Stanford comenzaron a utilizar estos chips para el procesamiento en paralelo de redes neuronales. Por poner un ejemplo concreto, una red neuronal de 100 millones de parámetros pudo ser ejecutada en cascada (es decir, se pudo calcular todas las posibles combinaciones) en un día, cuando antes se necesitaban varias semanas.
- Big Data: Así como un cerebro humano necesita entrenarse en sus primeros años de vida para aprender a hablar y reconocer el entorno, los programas de ajedrez necesitan estudiar y practicar antes de volverse efectivos. Esto aplica también para el reconocimiento de imágenes, voz, traducción de idiomas, etc. Actualmente es posible almacenar cantidades enormes de información, las cuales sirven como entrenamiento. Estos datos permiten a los algoritmos aprender cuando se equivocan y cuando aciertan de tal manera que éstos optimizan sus criterios de decisión para poder acertar el mayor número posible de veces.
- Mejores algoritmos de redes neuronales: Los algoritmos de redes neuronales existen desde la década de 1950; sin embargo, no eran prácticos debido a la gran cantidad de combinaciones que manejan. Eventualmente, se adoptó el uso de “niveles” para poder segmentar estos cálculos, lo cual hizo posible que estos algoritmos tuviesen una utilidad práctica. Tomando como ejemplo el reconocimiento facial, una capa podría reconocer un ojo, y pasar este resultado a la capa superior de tal manera que al final la imagen se identifica como una cara. En 2006, Geoff Hinton logró optimizar matemáticamente los resultados de cada capa para poderlos acumular de manera más rápida. Esta técnica constituye la base del Deep Learning.
En palabras de Andrew Ng, pionero del uso de los chips GPU para el procesamiento de redes neuronales: “La Inteligencia Artificial se parece a construir un cohete. Necesitas un gran motor y mucho combustible. El motor es el algoritmo (red neuronal de aprendizaje, Deep Learning) y el combustible es la enorme cantidad de datos disponible para alimentar y entrenar estos algoritmos (Big Data)”.
Las máquinas que utilizan este tipo de técnicas tienen mayor autonomía, lo cual se refleja en que pueden tomar decisiones que implican movimiento (en el caso de los robots), categorización (en el caso de procesamiento de imágenes), u otras funciones más específicas como la traducción de idiomas. El hecho de que las máquinas puedan realizar este tipo de tareas aún nos sorprende, y por ello el utilizar conceptos como Inteligencia o Aprendizaje para describir dichas tecnologías resulta entendible.
Para entender mejor las aplicaciones actuales de esta tecnología podemos utilizar las categorías que menciona Karen Hao en su artículo What is AI? We drew you a flowchart to work it out para poder distinguir el uso de Machine Learning en comparación con el uso de sensores, fórmulas matemáticas, rutinas preprogramadas, y otras herramientas más tradicionales:
- Reconocimiento de imágenes: Cuando una máquina pueda identificar (dentro de un rango predeterminado) el contenido de una imagen. Algunos ejemplos incluyen el reconocimiento facial (identificar los rasgos faciales de una persona específica) o la detección de cáncer de mama en radiografías.
- Reconocimiento del habla: Una máquina que puede reconocer los sonidos emitidos por la voz humana para generar transcripciones automáticas. Estas transcripciones pueden utilizarse posteriormente para otras acciones (traducciones, asistentes personales virtuales que obedecen órdenes, etc).
- Reconocimiento de lenguaje (Natural Language Processing): Cuando una máquina es capaz de interpretar palabras para llevar a cabo acciones especializadas tales como detección de SPAM, etiquetado de correos en buzones electrónicos, o Chatbots que pueden resolver ciertas dudas básicas en una página web.
- Robots inteligentes: Máquinas con capacidad de movimiento que no necesitan ser teledirigidas ya que pueden identificar los obstáculos a su alrededor y determinar una ruta segura para moverse. Los carros autodirigidos pertenecen a esta categoría.
- Otras aplicaciones de Machine Learning: De manera más genérica, esta categoría se refiere a cualquier máquina que pueda analizar grandes cantidades de información, encontrar patrones dentro de dicha información y utilizar los patrones encontrados para toma de decisiones complejas; por ejemplo, para efectuar un pronóstico del clima.
Para Benedict Evans, Consultor y Analista de TI, la IA en realidad se refiere a muchas ideas, conceptos, capacidades muy diferentes entre sí, y con diferentes aplicaciones en el mundo real. Desde el origen de las primeras computadoras ha existido el principio de que una máquina no debería de pedir datos que puede obtener por sí misma. Si bien antes era posible programar rutinas para que una máquina pudiera ser autónoma, el Machine Learning abre nuevas posibilidades en donde el reconocimiento de imágenes, textos, habla y el movimiento autónomo apenas son los primeros ejemplos.
En el siguiente artículo se hablará sobre los posibles avances del uso de Machine Learning en diferentes industrias y el impacto que dichos avances podrían tener sobre el mercado laboral y la sociedad en general.
