por A lo largo de los siglos el ser humano ha querido, podido y sabido rodearse de máquinas que le han permitido llevar a cabo diversas tareas. Cada unas de esas fases de definición y generación de nuevas máquinas ha implicado cambios en la forma de abordar las tareas, en la amplitud y complejidad de los proyectos y, principalmente, en la eficiencia con la cual se llevaban a cabo.
TIPOS DE MÁQUINAS
Cada salto de innovación aplicada a las máquinas ha supuesto, por tanto, una evolución cualitativa en el nivel de tecnología del momento y esa disrupción tecnológica ha conllevado aparejada sucesivas transformaciones socio-económicas en la sociedad donde se producían. En este sentido, y de forma general, podemos distinguir tres tipologías de máquinas o fases evolutivas:
- Máquinas que trabajan facilitando la operativa mecánica al ser humano
- Máquinas que calculan aportando rapidez y exactitud en las operaciones matemáticas
- Máquinas que deciden en base a algoritmos previamente definidos
En el primer grupo podemos incluir aquellas máquinas que a lo largo de décadas, o siglos según sea, han permitido al ser humano abordar tareas mecánicas que por sí mismo le hubieran supuesto mucho trabajo sacar adelante en materia de esfuerzo propio, recursos y tiempo o, directamente, le hubiera sido imposible. De alguna manera, en esta fase, delegamos el esfuerzo físico en las máquinas. Ejemplos de este grupo son los carros, grúas, coches, molinos, poleas, aviones, etc.
Por otra parte, el ser humano fue capaz avanzar para diseñar máquinas que le permitían realizar cálculos matemáticos de una manera sencilla y rápida aumentando considerablemente la amplitud y complejidad los retos que abordaba. Estas máquinas, que conforman el segundo grupo, permitieron por ejemplo realizar complejas obras de ingeniería o elaborados seguimientos financieros que hasta la fecha o no se hacían o sí se acometían, en efecto, requerían de significativa dedicación en tiempo y recursos. El ser humano, por tanto, también delegó el cómputo a las máquinas. Un evidente ejemplo de este tipo de máquinas son los ordenadores personales que tanto impacto han tenido (y siguen teniendo) en la sociedad.
Por último, y derivada del grupo anterior, están las máquinas que deciden. Este tercer grupo incluye la formulación de algoritmos que aplicados al poder de procesamiento que actualmente tienen las computadoras, hacen que las máquinas se constituyan de facto en elementos relevantes de decisión, con las consecuencias de diversos tipos que esto puede tener. Cierto es que sus decisiones vienen determinadas por algoritmos previamente desarrollados bajo la intervención humana. Es en esta fase, cuando entramos en el campo de la inteligencia artificial (IA). Aquí el ser humano comienza, de alguna manera, a delegar la capacidad de decidir en unas máquinas inteligentes.
El camino para llegar hasta el punto en el que nos encontramos hoy no ha sido sencillo, ni rápido. Si retrocedemos hasta los inicios del siglo XVII, podemos identificar un importante punto de inflexión cuando Descartes permite dar un salto cualitativo al «separar» el mundo físico del mundo divino. Nos introduce las ideas del racionalismo y el reduccionismo pudiendo, así, explicar por qué llueve o no lo hace, sin necesidad de hacer referencia al dios de la lluvia. En la segunda mitad del siglo XVII, Newton plantea los postulados fundamentales de la física que nos permiten hoy en día, por ejemplo, construir un puente. El siglo XVIII, desde el punto de vista de la ciencia básica, es un siglo marcadamente mecanicista sin duda influido por las corrientes de pensamiento del siglo anterior. En el siglo XIX, por otra parte, destaca especialmente la investigación química con Francia, primero, y Alemania, después, como grandes potencias europeas en este campo. Por último, el siglo XX ha sido especialmente activo en disciplinas o descubrimientos como la teoría de la relatividad, la mecánica cuántica, el transistor, la biología, la sociedad de la información, etc. Por tanto, hemos llegado a la era de la Inteligencia Artificial (IA) no sin antes haber progresado de una manera significativa en otras áreas de la ciencia.
TIPOS DE ENFOQUES EN LA INTELIGENCIA ARTIFICIAL
Como ciencia de estudio, la IA es un sub-campo de la informática que tiene sus orígenes en la década de los 60 del siglo pasado. De forma muy general, su desarrollo se ha basado en dos enfoques claramente diferenciados:
- Sistema experto (rule-based). Básicamente, esta aproximación a la IA se basa en alimentar de inicio a la computadora con el mayor número de instrucciones o reglas de la materia en cuestión, con todas las variantes conocidas, de manera que devuelva el resultado más adecuado en función del escenario propuesto. Aquí los algoritmos juegan un papel central puesto que son los elementos que, en base a la anterior información, realmente gestionan la respuesta proponiendo, por ejemplo, predicciones a escenarios futuros simulados o identificando patrones de gasto, uso, consumo, etc… Esto también se conoce como machine learning. Ejemplos de este tipo de IA es Netflix o Spootify cuando nos sugieren series, películas o canciones en base a nuestro historial de consumo pasado.
- Sistema de redes neuronales (neural network-based). Este enfoque, sin embargo, basa su aproximación en la propia biología del cerebro humano. Se crean redes neuronales digitales equivalentes a las del cerebro humano que, a partir de una serie de instrucciones mínimas, generan por sí mismas en un proceso iterativo un estadio de aprendizaje consiguiendo resultados sensiblemente mejores que las máquinas expertas a una velocidad realmente sin parangón. Es más, este tipo de máquinas son capaces de crear autónomamente otras máquinas inteligentes sin la intervención del ser humano en dicho proceso. Aquí ya hablamos de deep learning. La IA basada en redes neuronales está teniendo un impacto creciente en muchas facetas de nuestras vidas y se prevé que continúe así a corto plazo.
POTENCIALES APLICACIONES
El rango de aplicación que la IA tiene por delante es sencillamente incalculable. Desde hace pocos años hacia acá, además, hay dos drivers que están impulsando su desarrollo de manera especial. Por un lado, la mayor generación y disponibilidad de big data que catapulta las posibilidades de desempeño de la IA. Cuanto más data, mayores aplicaciones de la IA. No hay IA sin data. Y, por otro, el gran avance en cuanto a la potencia y rapidez de computación de los nuevos procesadores. La convergencia de ambos aspectos ha permitido el renacer de la IA en la última década como tecnología innovadora y de aplicación práctica y directa para la resolución de problemas reales e importantes de la sociedad.
Si dividimos la economía de servicios, dominante en nuestra sociedad, en las principales tareas, podemos concluir que estas se puede agrupar en función de estas cinco facetas: ver, escuchar, leer, escribir e integración de conocimiento. En cada unas de estas facetas, las aplicaciones de la IA están reformulando muchos de los modelos de negocio existentes hasta la fecha. Algunos ejemplos:
- VER. Clasificación e identificación automática de imágenes en el coche autónomo, control de la seguridad en zonas urbanas, identificación de individuos sospechosos en aeropuertos…
- ESCUCHAR. Uso de comandos por voz (Alexa, Google Home, HomePod…), bots que resuelven autónomamente al teléfono incidencias de clientes…
- LEER. Google Talk to Books ofrece respuestas contextualizadas, previa lectura de una selección de 120.000 libros en 0.5 seg, sobre un asunto determinado…
- ESCRIBIR. Redacción automática de artículos de prensa, libros completos; predicción de frases (vs. palabras individuales) en tiempo real mientras el usuario escribe en su ordenador/móvil/tableta…
- INTEGRACIÓN DE CONOCIMIENTO. AlphaGo (2017) batió a Lee Sedol campeón de GO vía machine learning; su actualización a un modelo de redes neuronales, llamado AlphaGo Zero, tardó 3 días (partiendo desde conocimiento 0) en ganar a su predecesor y 3 semanas más en ganar a los 60 mejores jugadores de GO del planeta, convirtiéndose de hecho, en el mejor jugador de GO de la historia (a modo informativo, GO tiene una complejidad de árbol de juego de 10 elevado a 340 mientras que el ajedrez está en 10 elevado a 40). También vemos este tipo de integración del conocimiento más allá de pruebas de laboratorio. La FDA americana ha aprobado bajo ciertos parámetros la aplicación de la IA en las salas de Urgencias de los hospitales donde predicen mejor que los doctores, por ejemplo, las posibilidades de muerte súbita como resultado de un fallo cardíaco o respiratorio.
Las aplicaciones prácticas son y serán extraordinarias pero no es menos cierto que también deberemos aprender a convivir con estos avances y con las implicaciones sociales, económicas y éticas que la IA nos deparará. A esto se refiere el prestigioso científico Americano-taiwanés Kai-Fu Lee en su charla TED de abril de 2018.
Hace solo 10 años, la IA estaba restringida al ámbito académico, corporaciones o gobiernos. Hoy en día, la IA abarca muchas más facetas de nuestra actividad cotidiana de las que somos conscientes o incluso estamos dispuestos a aceptar. Además, la brutal optimización de los procesadores, las innovaciones que están surgiendo en la computación cuántica y la extraordinaria generación de data vía múltiples sensores cada vez más numerosos y económicos van a hacer de la IA uno de los grandes impulsores de innovación en los próximos años. E innovación, como indicamos al principio, implica cambios socio-económicos en nuestro entorno directo. Y esto, nos afecta a todos. Aunque, como Kai-Fu Lee indica en su charla TED, la IA puede llevarse por delante trabajos repetitivos y rutinarios, de lo cual estaremos agradecidos en su debido momento, pero también la IA ayudará al ser humano a centrarse y realizarse a mayor nivel en tareas y proyectos creativos, humanitarios sobre la base de sentimientos como la compasión y la empatía que solamente se encuentran en el ámbito de las personas… y no de las máquinas.
FUENTES RELACIONADAS
