Progresa la creación de computadoras con Inteligencia Artificial
Se
están realizando grandes avances en lo que se denomina
“aprendizaje profundo”, aunque
todavía se necesita del ser humano
por Richard Waters
Los grandes cerebros del mundo de la
inteligencia artificial (IA), reunidos esta semana en la conferencia
anual de la disciplina, están disfrutando de su tan esperado momento de
gloria.
En los 59 años desde que se acuñó el término, la idea de máquinas que piensan ha estado y pasado de moda. Recuerdos del “invierno de IA” de los años 1970 y 1980 todavía se ciernen sobre el campo. Con empresas como Google, Facebook, Amazon y Baidu a la compra de talento e invirtiendo para construir grupos de IA en casa, el tema ha vuelto con intensidad. Sin embargo, las diferencias de opinión sobre la tecnología todavía se pueden sentir casi como cismas religiosos. El mismo término “inteligencia artificial”, sugiere un intento de replicar la inteligencia de la especie humana, con todas las implicaciones filosóficas que esto conlleva.
Por ejemplo, Oren Etzioni, jefe de un ambicioso programa de investigación respaldado por Paul Allen, el cofundador de Microsoft, habló de un rincón del paisaje de la inteligencia artificial que está particularmente de moda. “Hay muchas aplicaciones individuales interesantes. Pero si uno busca un poco más allá, la tecnología se va por un precipicio”, sostuvo.
El objeto de su menosprecio es una técnica conocida como “aprendizaje profundo”. Esto está ascendiendo. De hecho, cuando los técnicos hablan de la reactivación increíble en IA, por lo general tienen esto en mente.
El éxito del aprendizaje profundo es un producto de nuestros tiempos. La idea tiene décadas de antigüedad: sostiene que un lote de procesadores, alimentados con datos suficientes, podrían funcionar como una red de neuronas artificiales. Al agrupar y clasificar la información de maneras cada vez más refinadas, podrían “aprender” cómo analizarla de manera similar a la que se cree que funciona el cerebro humano.
Se ha requerido de un enorme potencial de computación concentrado en los centros de datos en nube para entrenar a redes neuronales para que sean útiles. Suena como un sueño de la inteligencia artificial conjurado por Google: sólo hay que ingerir todos los datos del mundo y aplicar suficiente potencial de procesamiento, y se revelarán los secretos del universo.
El aprendizaje profundo ha producido algunos resultados impresionantes. En un proyecto conocido como Deepface, Facebook informó recientemente que había llegado a 97,35 % de precisión en la identificación de los rostros de 4.000 personas en una colección de 4 millones de imágenes, mucho mejor de lo que se había logrado antes. Tales hazañas de reconocimiento de patrones son naturales para los seres humanos, pero son difíciles de copiar para los programadores. Incluso los resultados que suenan trillados pueden señalar avances importantes. El informe de Google de hace dos años que reveló que la compañía había diseñado un sistema que podía identificar los gatos en los vídeos de YouTube aún reverbera en todo el campo.
Usando las mismas técnicas para “entender” el lenguaje o resolver otros problemas que se basan en el reconocimiento de patrones podría hacer que las máquinas se vuelvan mucho mejores para interpretar el mundo que les rodea. Al analizar lo que muchos individuos están haciendo y comparar esto con lo que ellos (y miles de otros) han hecho en situaciones similares en el pasado, se puede anticipar lo que podrían hacer en el futuro.
El resultado podría ser sistemas de comportamiento que entiendan realmente el comportamiento y generen motores de recomendación capaces de sugerir cosas que uno realmente desea. Esto puede parecer extraño. Pero si se hace correctamente, las máquinas podrían llegar a anticiparse a nuestras necesidades y actuar como guías para toda la vida.
Pero existe el riesgo de equiparar la salida de los sistemas tales como estos con los productos de la inteligencia humana real. En realidad, son trucos de salón, aunque sean impresionantes. Lo importante será saber dónde aplicar sus habilidades - y cuánto confiar en ellas.
Los sistemas de aprendizaje profundos no emplean el tipo de razonamiento transparente involucrado en la “IA clásica”, donde las computadoras son alimentadas con organismos definidos de conocimiento y las reglas sobre la manera de interpretarlos. Eso, dicen los escépticos, hace que sus resultados sean intrínsecamente misteriosos.
“Si uno busca consejos y alguien le hace una recomendación, y no puede enumerar su razonamiento, desconfiaría de su recomendación”, dice Raul Valdes-Perez, un informático cuya compañía, OnlyBoth, utiliza técnicas clásicas para responder a consultas en oraciones completas, que según él va más allá de la capacidad de aprendizaje profundo.
Esto es lo que Etzioni tenía en mente cuando advirtió que el aprendizaje profundo, si va más allá de sus límites, tarde o temprano caerá por un precipicio. Él da el ejemplo de un sistema de diagnóstico basado en esta técnica que recomienda la extracción de un riñón de un paciente. La máquina no “entiende lo que es un riñón, y lo que significa eliminarlo”, dice. “No queremos médicos ni sistemas que tomen decisiones cuando no entienden de lo que están hablando”.
Si se necesita un salto de fe para confiar en este tipo de sistemas cuando se trata de intervenciones médicas graves, ¿cuánta confianza se les puede tener cuando se aplican a la vida cotidiana?
Los grandes desarrollos que se están realizando en este campo sugieren que los resultados del aprendizaje profundo pronto se harán sentir más ampliamente. Bajo el control de los expertos humanos que saben cuándo usarlo y cómo interpretar las conclusiones, podría traer una revolución en la toma de decisiones con ayuda de máquinas. Pero, como siempre con la inteligencia artificial, no espere demasiado.
En los 59 años desde que se acuñó el término, la idea de máquinas que piensan ha estado y pasado de moda. Recuerdos del “invierno de IA” de los años 1970 y 1980 todavía se ciernen sobre el campo. Con empresas como Google, Facebook, Amazon y Baidu a la compra de talento e invirtiendo para construir grupos de IA en casa, el tema ha vuelto con intensidad. Sin embargo, las diferencias de opinión sobre la tecnología todavía se pueden sentir casi como cismas religiosos. El mismo término “inteligencia artificial”, sugiere un intento de replicar la inteligencia de la especie humana, con todas las implicaciones filosóficas que esto conlleva.
Por ejemplo, Oren Etzioni, jefe de un ambicioso programa de investigación respaldado por Paul Allen, el cofundador de Microsoft, habló de un rincón del paisaje de la inteligencia artificial que está particularmente de moda. “Hay muchas aplicaciones individuales interesantes. Pero si uno busca un poco más allá, la tecnología se va por un precipicio”, sostuvo.
El objeto de su menosprecio es una técnica conocida como “aprendizaje profundo”. Esto está ascendiendo. De hecho, cuando los técnicos hablan de la reactivación increíble en IA, por lo general tienen esto en mente.
El éxito del aprendizaje profundo es un producto de nuestros tiempos. La idea tiene décadas de antigüedad: sostiene que un lote de procesadores, alimentados con datos suficientes, podrían funcionar como una red de neuronas artificiales. Al agrupar y clasificar la información de maneras cada vez más refinadas, podrían “aprender” cómo analizarla de manera similar a la que se cree que funciona el cerebro humano.
Se ha requerido de un enorme potencial de computación concentrado en los centros de datos en nube para entrenar a redes neuronales para que sean útiles. Suena como un sueño de la inteligencia artificial conjurado por Google: sólo hay que ingerir todos los datos del mundo y aplicar suficiente potencial de procesamiento, y se revelarán los secretos del universo.
El aprendizaje profundo ha producido algunos resultados impresionantes. En un proyecto conocido como Deepface, Facebook informó recientemente que había llegado a 97,35 % de precisión en la identificación de los rostros de 4.000 personas en una colección de 4 millones de imágenes, mucho mejor de lo que se había logrado antes. Tales hazañas de reconocimiento de patrones son naturales para los seres humanos, pero son difíciles de copiar para los programadores. Incluso los resultados que suenan trillados pueden señalar avances importantes. El informe de Google de hace dos años que reveló que la compañía había diseñado un sistema que podía identificar los gatos en los vídeos de YouTube aún reverbera en todo el campo.
Usando las mismas técnicas para “entender” el lenguaje o resolver otros problemas que se basan en el reconocimiento de patrones podría hacer que las máquinas se vuelvan mucho mejores para interpretar el mundo que les rodea. Al analizar lo que muchos individuos están haciendo y comparar esto con lo que ellos (y miles de otros) han hecho en situaciones similares en el pasado, se puede anticipar lo que podrían hacer en el futuro.
El resultado podría ser sistemas de comportamiento que entiendan realmente el comportamiento y generen motores de recomendación capaces de sugerir cosas que uno realmente desea. Esto puede parecer extraño. Pero si se hace correctamente, las máquinas podrían llegar a anticiparse a nuestras necesidades y actuar como guías para toda la vida.
Pero existe el riesgo de equiparar la salida de los sistemas tales como estos con los productos de la inteligencia humana real. En realidad, son trucos de salón, aunque sean impresionantes. Lo importante será saber dónde aplicar sus habilidades - y cuánto confiar en ellas.
Los sistemas de aprendizaje profundos no emplean el tipo de razonamiento transparente involucrado en la “IA clásica”, donde las computadoras son alimentadas con organismos definidos de conocimiento y las reglas sobre la manera de interpretarlos. Eso, dicen los escépticos, hace que sus resultados sean intrínsecamente misteriosos.
“Si uno busca consejos y alguien le hace una recomendación, y no puede enumerar su razonamiento, desconfiaría de su recomendación”, dice Raul Valdes-Perez, un informático cuya compañía, OnlyBoth, utiliza técnicas clásicas para responder a consultas en oraciones completas, que según él va más allá de la capacidad de aprendizaje profundo.
Esto es lo que Etzioni tenía en mente cuando advirtió que el aprendizaje profundo, si va más allá de sus límites, tarde o temprano caerá por un precipicio. Él da el ejemplo de un sistema de diagnóstico basado en esta técnica que recomienda la extracción de un riñón de un paciente. La máquina no “entiende lo que es un riñón, y lo que significa eliminarlo”, dice. “No queremos médicos ni sistemas que tomen decisiones cuando no entienden de lo que están hablando”.
Si se necesita un salto de fe para confiar en este tipo de sistemas cuando se trata de intervenciones médicas graves, ¿cuánta confianza se les puede tener cuando se aplican a la vida cotidiana?
Los grandes desarrollos que se están realizando en este campo sugieren que los resultados del aprendizaje profundo pronto se harán sentir más ampliamente. Bajo el control de los expertos humanos que saben cuándo usarlo y cómo interpretar las conclusiones, podría traer una revolución en la toma de decisiones con ayuda de máquinas. Pero, como siempre con la inteligencia artificial, no espere demasiado.
