Probablemente haya visto los titulares: Deepmind, la división de Google que trabaja en temas de inteligencia artificial, logró crear el año pasado a AlphaGo, una máquina que se hizo famosa al vencer al campeón mundial de Go, un ancestral juego de estrategia chino que se juega con piedras blancas y negras y que los expertos describen como mucho más complejo que el ajedrez.

El triunfo de AlphaGo estuvo marcado por las características de sus jugadas, descritas por los conocedores del tema como “sorprendentes”, “creativas” e, incluso, “bellas”.

Pero al ritmo al que avanza la inteligencia artificial, nada dura. El reinado de Alpha Go llegó a su fin este mes, y lo acabó otra ‘criatura’ de Deepmind. Se llama AlphaGo Zero y en su caso, lo sorprendente no es tanto lo que puede hacer, sino cómo aprendió a hacerlo.

Porque a diferencia de su hermana mayor, AlphaGo Zero no estudió las jugadas de maestros humanos, ni recibió entrenamiento alguno. Todo lo que sus creadores hicieron fue decirle las reglas. El sistema aprendió el juego de Go desde sus bases: en tres horas jugaba como un principiante; y en 19, conocía algunas técnicas y estrategias de dominio del tablero. En tres días, tras millones de partidas virtuales contra ella misma, AlphaGo Zero, no sólo descifró jugadas y movimientos, sino que diseñó estrategias y logró alcanzar un nivel que muchos ya creen es insuperable. De las cien partidas que jugó contra Alpha Go, Alpha Go Zero ganó cien.

En otras palabras, esta sería la primera vez en que una máquina crea conocimiento por sí misma. 

El subcampo de las ciencias de la computación que permite el desarrollo de esta clase de sistemas se denomina ‘machine learning’ (aprendizaje automático). Se le considera parte del universo de la inteligencia artificial y promete, dicen sus impulsores, revolucionar la manera y, sobre todo, el ritmo al que aprenden las máquinas.

El término -también conocido como ML- fue acuñado en 1959 por Arthur L. Samuel, un pionero en el campo de la programación no numérica. Al revolucionar la forma en que los sistemas aprenden, el ML puede usarse en la construcción de robots, dispositivos inteligentes, computadores, sitios web y software que cada vez necesiten menos programación humana.

La idea es usar la capacidad de las máquinas para analizar datos, reconocer patrones y predecir tendencias. Según lo afirma Hanoi Morillo, líder de transformación digital de Google, se trata de “dar sentido y utilidad” a la información que producimos a diario (correos, sensores de movimiento, micrófonos, etc.), usando una capacidad para entender un gran volumen de información a una velocidad mucho mayor que los humanos. Por eso asegura: “esta ciencia nos permite que las máquinas sean menos tontas”.

Cómo aprenden las máquinas

«Hay que enseñarle como si fuera un niño», dice Edgar Helou, director de Google Cloud Colombia. Según explica el experto, la diferencia crucial entre las máquinas y los humanos es la capacidad y la velocidad al aprender. El fin detrás del ML es emular el aprendizaje humano, que funciona con experiencias. Sin embargo, para las máquinas, la experiencia son datos.

El aprendizaje puede ser supervisado o no, pero en ambos casos se desarrolla gracias a redes neuronales. Aunque parezca un concepto biológico, en realidad alude a la conexión de diferentes capas de información, que la máquina analiza y relaciona. A mayor profundidad (lo que se conoce como ‘Deep Learning’), ofrece una mayor seguridad (también llamada ‘certidumbre’) para la toma de decisiones.

Algunos lo explican aludiendo a cómo los grupos humanos trabajan con inteligencia colectiva: el intercambio de diversas fuentes de información produce mejores insumos para la tomar decisiones.

Inicialmente, una máquina aprende observando los patrones de una masiva carga de datos para reflejar una “verdad” sobre ellos. Es decir que aprendían de la información que los humanos le proporcionaban. Por ejemplo, para enseñarle a un sistema lo que es un gato, los expertos desarrollan un modelo que procesa enormes volúmenes de datos: un 80 por ciento de las fotografías muestran al felino y logran que la máquina lo reconozca. El 20 por ciento restante es empleado para ‘afinar’ el modelo y mejorar los resultados.

A medida que se usan más datos, más capacidad (“inteligencia”) tiene la máquina y pasa de identificar patrones a predecir tendencias. La segunda etapa del desarrollo en el aprendizaje es hacer que las máquinas comprendan datos, analicen y creen maneras más efectivas de lograr resultados. De DeepBlue, de IBM, que venció al campeón mundial de Ajedrez, Gary Kasparov, a Watson, que ganó en ‘Jeopardy’, y a AlphaGo y su triunfo en un juego milenario, los resultados son sorprendentes.

Ahora, lo que rompe un paradigma es que AlphaGo Zero, según sus creadores, “ya no está limitada por los límites del conocimiento humano”. Un documento publicado por los expertos involucrados en el proyecto describe cómo su modelo de ML es capaz de entender la lógica detrás de una situación, aprenderla y enseñarse solo.

Otros van más allá: cuando habló con la prensa internacional, al momento de presentar a AlphaGo, Demis Hassabis, el CEO de DeepMind, dijo: “Claramente no es acerca de ganar en el juego del Go. Es un gran paso en la construcción de algoritmos todo terreno. La mayoría de los algoritmos de inteligencia artificial solo realizan una tarea. Las máquinas capaces de aprender podrían ampliar ese campo de acción y, en la próxima década, trabajar codo a codo con expertos humanos en campos como la ciencia y la medicina”.

Probablemente tenga razón. Las grandes compañías no invierten millones de dólares únicamente para vencer a campeones mundiales en juegos de estrategia. La apuesta por el ML es avanzar en la automatización, en especial, en el procesamiento de la información a gran escala. Funciones que hoy parecen cotidianas, como el reconocimiento facial en su celular, o la clasificación de las fotografías en las galerías de Google, hacen uso de esta tecnología.

Y acabamos de empezar. Según Hanoi Morillo, hemos explorado el uno por ciento del potencial del ML en los próximos 10 años. El año pasado, este campo produjo ganancias de 5.000 millones de dólares; en 2020, se espera que sean del orden de los 165.000 millones.

Para la experta, el mejor ejemplo de ML aplicado a la vida diaria es un carro autónomo: «Un automóvil que se conduce solo y que de hecho maneja mejor que un humano es un modelo de ML que da sentido a una cantidad de datos tal que el cerebro humano no podría procesarla, pero un computador sí».

Por eso, los usos posibles no parecen tener fin, pues abarcan de lo trivial a lo potencialmente revolucionario. En Colombia ya hay aplicaciones prácticas en personalización de los productos de ‘e-commerce’ y en prevención de fraude. También en investigación social. A medida que avanza, esta tecnología crea nuevos interrogantes en campos como privacidad y regulación.

¿Qué pasaría si su aseguradora calculara su prima con base en las posibilidades de que usted muera que calcula un sistema? ¿Cómo afectaría el trabajo de la Policía –y los derechos civiles de los demás– que una máquina determinara cuán probable es que alguien se vea involucrado en un crimen? ¿Cuál será el impacto sobre incontables profesiones de un ejército de máquinas que aprendan a hacer lo que hoy hace un abogado, un contador, un periodista, solo que más rápido y mejor?

Por fortuna, no estamos allí. Pero puede que no falte mucho. Y de seguro hay alguien en estos momentos enseñándole a una máquina que nos pueda decir con exactitud cuánto.

Aplicaciones reales, hoy

Una ‘start-up’ española llamada Data Juicers crea modelos de ML para sus clientes, dentro de los que se encuentra la famosa tienda de moda Zara. En su caso, la máquina puede reconocer las prendas de forma automática (no se necesita una persona dedicada a etiquetar cada referencia de producto) y categorizar las imágenes por sus formas, colores y otras características. El resultado es que cuando el usuario realiza una búsqueda, las sugerencias del sitio web se basan en los criterios de ese usuario. Es decir, si busca un vestido azul, no verá sugerencias de tacones verdes, sino otros modelos de color y forma similar.

En el sector financiero, el Banco BBVA tiene una sección de su ‘Api–market’ en temas de inteligencia artificial con la que ofrece servicios y reconoce la utilidad de la tecnología para las entidades financieras. Tanto el reconocimiento de imágenes y voz (procesamiento de lenguaje natural) como los modelos predictivos pueden servir para definir un producto y sus clientes, conociendo más a fondo cómo lo usan y las impresiones de las personas. Pero también pueden ser útiles para gestionar el riesgo en situaciones como la concesión de préstamos, identificando patrones de conducta, proyectando tendencias y buscando minimizar la posibilidad de incumplimiento de pago.

Este mes, Oracle anunció su Autonomous Database Cloud, una base de datos autónoma que según Larry Ellison, presidente ejecutivo y director de tecnología de la compañía, permite la disponibilidad de la información de una forma sin precedentes. Con la inclusión de Machine Learning, la herramienta elimina el trabajo y el error humano, así como los procesos de adaptación manual. La base de datos, que estaría disponible en los próximos meses, se actualizaría, corregiría y sintonizaría sin necesidad de pruebas de desempeño humano y minimizaría el tiempo de inactividad (planeado o no) a “menos de 30 minutos al año”.

Recientemente, Google también anunció una biblioteca de software libre sobre aprendizaje automático, llamada TensorFlow. Está abierta a investigadores, ingenieros y aficionados para intercambiar información y trabajar códigos en conjunto. Por un lado, con esta medida, ponen a disposición pública varias herramientas básicas para la integración de Machine Learning en diversos procesos; y por otro, la participación de diferentes actores y saberes puede apoyar el desarrollo de la tecnología, a un menor costo.

Hasta Pornhub, la página de porno más visitada en Internet, indicó que se dispone a usar ML para enseñarle a su sistema a reconocer y etiquetar sus miles de videos. Hasta ahora son los usuarios los que generan los ‘tags’, pero el sitio cree que la inteligencia artificial haría un mejor trabajo.

Linda Patiño
@Linndapc

Tomado de El Tiempo.com