
Se suele asociar la inteligencia artificial con la fuerza bruta computacional, con enormes supercomputadores del estilo del famoso Deep Blue o Watson, de IBM, capaces de vencer al campeón del mundo de ajedrez o a los mejores jugadores de Jeopardy gracias a la posibilidad de procesar masivamente datos en cantidades que exceden en mucho las posibilidades de un cerebro humano. Sin embargo, a pesar de que eldeep learning es ya una disciplina razonablemente arraigada, se tiende a prestar poca atención, al menos a nivel de divulgación, a la posibilidad de que una máquina leve a cabo procesos de aprendizaje más enfocados a la eficiencia, al análisis de situaciones similares o de series históricas de datos para plantear modelos de aprendizaje más parecidos a los que desarrolla un cerebro humano.
La idea es que aunque el cerebro no deba ser necesariamente el modelo para la máquina, sí puede ayudar a conceptualizar formas de plantear el aprendizaje que ayuden a mejorar la eficiencia (¿por qué estudiar posibilidades que resultan completamente absurdas o extremadamente improbables?) o a evaluar situaciones de manera más adecuada. Mi pretensión con el análisis es ayudar a aquellos que dispongan de datos a evaluar si pueden ser adecuados como para alimentar a un algoritmo capaz de aprender a tomar decisiones con ellos: son muchas las compañías que toman decisiones mediante análisis de datos, pero mi experiencia es que no son tantas las que ven en tecnologías la inteligencia artificial y el machine learning una herramienta capaz de ayudarles. A ver si a través de ejemplos como el del ajedrez y el cambio de dimensión de este tipo de tecnologías empiezan a visualizar sus posibilidades.
No hay comentarios:
Publicar un comentario