por Jeremy Howard es cofundador de fast.ai, un instituto de investigación sobre Inteligencia Artificial que tiene como objetivo acercar el deep learning al mayor número de personas posible ofreciendo recursos de interés sobre este ámbito de manera totalmente gratuita.
A finales de 2014, Howard ofreció una charla TEDTalk que a fecha de hoy suma casi 2.6 millones de visitas sobre las posibilidades e implicaciones del deep learning. Aunque la tecnología evoluciona de manera vertiginosa, sí se mantienen aún pertinentes algunos de los mensajes que transmite en dicha presentación:
- Los algoritmos de deep learning aprenden autónomamente en base a la interpretación y procesamiento de data, no a través de programación específica que, en muchos casos, es prácticamente imposible de hacer (¿cómo escribimos un programa para que un coche conduzca autónomamente?
- Deep learning, por tanto, permite que los ordenadores pueden aprender, escuchar, ver, escribir, leer, identificar emociones… de manera autónoma.
- Deep learning reduce de manera drástica los tiempos y recursos necesarios para analizar y comprender los problemas y así ofrecer soluciones rápidas, económicas y acertadas en multitud de campos (medicina, ecommerce, finanzas, biología, etc…)
- La evolución y desempeño que permite deep learning en una gráfica Productividad/Tiempo es exponencial (deep learning generará más y mejor output de manera creciente que el propio desempeño humano – ver gráfica abajo).
- Nuestra sociedad está acostumbrada a las mejoras del desempeño de etapas como la Revolución Industrial que imprime una clara mejora en dicha gráfica (Productividad/Tiempo) cuando aparece una mejora tecnológica, pero la gráfica vuelve a la estabilidad en un nivel de mejora y tiempos determinados (ver gráfica abajo).
Finalmente, Howard termina poniendo encima de la mesa algunas de las implicaciones sociales que este tipo de innovación tecnológica tiene para nuestra sociedad. Mientras el PIB de EEUU, por ejemplo, ha ido creciendo en las últimas décadas de manera notable , el ingreso medio por hogar no lo ha hecho (o no en la misma medida – ver gráfica abajo). La cuestión general es, entre otras, ¿cómo vamos a adaptar las estructuras sociales a las estructuras económicas?
¿Cómo va la sociedad a ser capaz de recuperar y redistribuir la fuerza laboral que se quedará obsoleta en los próximos años? ¿Cómo evitaremos que se creen, al menos, dos colectivos dentro de la misma, los que se adaptan, pudiendo desarrollar nuevas capacitaciones y con ello incrementar su empleabilidad y los que se van quedando atrás por no tener acceso suficiente a la mínima formación necesaria pasando a formar un grupo de marginados sociales con todo lo que ello implica? ¿Los sistemas educativos actuales están formando en conocimientos y habilidades relevantes, de cara a futuras necesidades, a su capa más joven de la sociedad? ¿Tiene sentido seguir asociando los ingresos/incentivos de las personas al desempeño productivo en un modelo en el que la tecnología va a tener un impacto definitivo? ¿Es necesario considerar la aplicación de impuestos también a elementos de innovación como son los robots? Estas son algunas de las muchas cuestiones socio-económicas, derivadas no sólo de la Inteligencia Artificial, que están en el centro del debate y de cuyas respuestas depende nuestro futuro como sociedad.
