El pasado miércoles, en la barra tecnológica de La Noche en 24 horas, estuve con Moisés Rodríguezhablando sobre inteligencia artificial y machine learning. Un intento de definir algunos conceptos básicos, explicar qué es lo que realmente entendemos por una máquina que aprende o piensa, por qué razón hablamos ahora de AI y qué hay de nuevo en un tema que lleva comentándose desde hace muchos años, quiénes son los principales actores en este tema, qué restricciones existen y qué se puede esperar que haga una máquina, o la tan comentada hipótesis de la sustitución: cuándo existe más riesgo de que mi trabajo lo termine haciendo una máquina. Para terminar, hablamos de la singularidad y de los miedos que este tema genera, así como de la reciente creación de OpenAI.
Podéis verlo en la página del programa, son unos diez minutos que comienzan a partir del 01:14:07. A continuación, las notas que me llevé para intentar llevar un orden razonable – aunque como siempre, no me dio tiempo a comentarlo todo:
- Mi participación en BigML, startup española en Corvallis (Oregón) como origen de mi desarrollo profesional en el tema, y mi papel como asesor estratégico.
- Machine learning: un campo de las ciencias de la computación, de naturaleza eminentemente técnica, complejo, y posibilitado por el incremento de la potencia computacional.
- Antes: modelo IBM, Deep Blue, Watson, etc. que precisaban los recursos de enormes superordenadores. Ahora, el incremento en la potencia de computación y la mejora en la eficiencia de los algoritmos permiten que se desarrolle con redes de máquinas mucho más razonables o con servidores en la nube, lo que da lugar a una drástica caída de las barreras de entrada.
- El machine learning evoluciona a partir del reconocimiento de patrones y del aprendizaje computacional, dentro del contexto de la inteligencia artificial.
- También tiene relación con el data mining, aunque este se dedica más bien a la selección, filtrado y exploración de los datos tanto para la construcción de los algoritmos como para su entrenamiento.
- Estudio y construcción de algoritmos capaces de aprender y hacer predicciones a partir de unos datos.
- Hablamos de algoritmos que, en lugar de seguir una serie de instrucciones estrictas, construyen un modelo a partir de series masivas y múltiples de datos, combinando diversas metodologías.
- En lugar de tratar de programar un algoritmo específico y de marcar una serie de procedimientos fijos para el análisis de esos datos, lleva a cabo la construcción de modelos de datos dinámicos para hacer predicciones o para la toma de decisiones.
- Más allá de jugar al ajedrez: en lugar de simplemente predecir todos los escenarios posibles a partir de todos los movimientos posibles (eso sería simplemente aplicar la suficiente potencia de computación), lo que hacemos es alimentar al algoritmo con todas las partidas de ajedrez conocidas para que “extraiga sus propias conclusiones”, derive sus propias reglas o incluso le permitimos “crear” hipotéticas partidas de ajedrez.
- Procesos de aprendizaje:
- aprendizaje supervisado (un “profesor” que suministra datos de entrada y los mapea con las salidas adecuadas, para generar sistemas de reglas que relacionen entradas y salidas.
- Aprendizaje no supervisado: se suministran datos, pero estos no son etiquetados ni relacionados, dejando al algoritmo que los relacione y descubra estructuras y relaciones existentes.
- Aprendizaje de refuerzo: programas que interaccionan con entornos dinámicos (como el conjunto de datos que se generan en la conducción autónoma, por ejemplo), sin que exista un “profesor” que le proporcione información sobre cada caso.
- Las aplicaciones son enormes, aunque condicionadas a cuestiones en las que contemos con una amplia cantidad de datos que permitan el desarrollo y el entrenamiento del algoritmo.
- Visión artificial y reconocimiento de objetos o caracteres, filtrado de spam, creación de rankings en motores de búsqueda, evaluación de crédito, recomendaciones de compra, búsqueda de noticias interesantes en función del criterio de un usuario… cualquier cosa en la que contemos con suficientes datos con los que educar al algoritmo.
- La pregunta no es si estamos ante máquinas que piensan, sino si somos capaces de conseguir que las máquinas hagan (ventajosamente) cosas que nosotros, como entidades pensantes, podemos hacer.
- Árboles de decisiones (mapeo de variables para asignar un valor productivo o decisorio a un caso determinado), ensembles (combinación de múltiples algoritmos), random forests (múltiples árboles de decisiones combinados que se promedian), bagging o bootstrapping…
- Aprendizaje de reglas de asociación: descubrimiento de relaciones interesantes entre variables en bases de datos muy grandes.
- Redes neuronales: simulan las conexiones neuronales para llevar a cabo tareas como la búsqueda de patrones en datos, el descubrimiento de relaciones entre datos de entrada y resultados de salida, etc.
- Lógica inductiva.
- Support Vector Machines (SVM), construyen modelos a partir de clasificación y regresión, mediante aprendizaje supervisado.
- Clustering.
- Aprendizaje por similaridad, algoritmos genéticos, redes bayesianas… se puede hacer de todo, incluyendo diagnósticos a partir de síntomas, o inferencias que son testadas y reintroducidas como aprendizaje.
- Teoría de la caja negra.
- Singularidad tecnológica (Ray Kurzweil): el momento en que la capacidad de una máquina para aprender llega al punto en que es capaz de rediseñarse a sí misma para mejorar sus prestaciones (auto-mejora recursiva) o de diseñar máquinas progresivamente mejores que ella misma. Supuestamente, esto daría lugar a una “explosión de inteligencia”, que podría llegar a generar una inteligencia capaz de exceder la capacidad intelectual del hombre para controlarla.
- ¿Debemos tener miedo al desarrollo de la inteligencia artificial y el machine learning? La semana pasada, Elon Musk, Reid Hoffman, Peter Thiel y otros han creado OpenAI para explorar las formas más avanzadas de inteligencia artificial y abrir los resultados al público.
No hay comentarios:
Publicar un comentario