Sabe más el diablo por viejo que por diablo
Sabe más el diablo por viejo que por diablo
Imagina poder detener el reloj y disponer de todo el tiempo del mundo. Sin esta limitación podrías aprender lo que quisieras, repitiendo millones de veces las escalas musicales podrías convertirte en un virtuoso de la guitarra, aprender cualquier idioma empapándote de tutoriales o incluso aprender a hacer esculturas de hielo con una motosierra a base de practicar una y otra vez.
¿Recuerdas aquella película de Bill Murray: “Atrapado en el tiempo” (1993) sobre el día de la marmota?Precisamente en muchas escenas puedes descubrir todo lo que aprende el protagonista cuando el tiempo no supone un límite.
Pues precisamente así se siente una máquina cuando puede probar y probar diferentes soluciones a un problema a una velocidad descomunal, más veces de las que se haya podido hacerlo la humanidad a lo largo de su existencia. Su capacidad de aprendizaje y perfeccionamiento es tan increíble que da hasta miedo. Cuando puedes ejecutar procesos a una gran velocidad, la percepción del tiempo es relativa. Y por tanto su capacidad predictiva es uno de sus puntos fuertes.
¿Cómo hemos llegado hasta aquí?
De “Deep Blue” a “AlphaGo”
La historia de la Inteligencia Artificial comenzó hace varias décadas pero uno de los hitos más importantes tuvo lugar justo hace 20 años.
Allá por 1997, por primera vez en la historia, la inteligencia humana se enfrentaba a la artificial midiendo su potencial en una serie de partidas de ajedrez. En dicho evento competían el campeón mundial de Ajedrez con Deep Blue, una supercomputadora de 12 toneladas creada por IBM. El campeón del mundo por aquella época era Kasparov (al que tuve el gusto de conocer un año antes en el VIII Torneo Internacional de Ajedrez Ciudad de Dos Hermanas). En este enfrentamiento que fue el segundo de Gary con la máquina, sucumbió en una serie de 6 partidas (3,5-2,5).
La inteligencia «artificial desafiaba» y se imponía a la «inteligencia natural», gracias a una base de datos que contenía un millón de partidas almacenadas y el trabajo de una legión de los mejores científicos, ajedrecistas y teóricos de las últimas décadas, que hacían posible que la máquina fuera capaz de calcular 200 millones de jugadas por segundo –«más que Kasparov en toda su vida»–, es decir, 50 millones de posiciones en tres minutos, que es el tiempo medio que un jugador utiliza para decidir un movimiento.«Deep Blue», la máquina que desafió la inteligencia humana (ABC)
Hace un par de años (2015), vuelve a repetirse el enfrentamiento humano-máquina. Aunque en este caso cambian los protagonistas y el escenario de juego. El ajedrez es sustituido por el GO, el jugador humano es el chino Fan Hui y su artificial oponente se trata de AlphaGo, la apuesta de la compañía DeepMind (propiedad de Google). El desenlace de nuevo vuelve a decantarse por la máquina. Un año después vuelve a repetirse la historia, sucumbiendo en este caso uno de los mejores de este juego (Lee Sedol)
El hecho significativo viene del entrenamiento de estas dos máquinas, mientras Deep Blue se basaba en una abismal base de datos de partidas, AlphaGo además de recibir esta carga de información posee la capacidad de aprender (Machine Learning) ya que entre otras cosas es capaz de enfrentarse así misma y superar sus propios “errores”, tomando decisiones de forma autónoma (Deep Learning).
Pero AlphaGo no era un programa de Go cualquiera. (…) El programa había jugado un número de partidas inabarcable para cualquier humano y se había aprovechado de esa experiencia para entrenar sus redes neuronales profundas y mejorar su juego. Para cuando se enfrentó a Hui, AlphaGo había entrenado con 160.000 partidas grabadas de destacados jugadores de Go, y después con 30 millones de partidas más en las que compitió contra sí mismo. Cuando Hui se descubrió perdiendo ante AlphaGo, sabía que su mundo, y el mundo del Go profesional, estaba a punto de cambiar para siempre.El día que la humanidad fue derrotada por una inteligencia artificial (MIT Technology Review)
El potencial del Machine Learning y el Deep Learning
¿Y si este experimento lo hiciéramos extensible a otros ámbitos? El potencial del aprendizaje automático, como rama de la Inteligencia Artificial (AI), ha disparado las posibilidades de procesamiento de la información en cualquier campo o disciplina. A eso le sumamos la autonomía de poder decidir y gestionar su propio aprendizaje para incluso llegar a tomar a decisiones.
En cuanto a las aplicaciones prácticas que se están estudiando:
- Detección de rostro. Podemos verlo en nuestras cámaras móviles.
- Reconocimiento facial, de voz o de objetos.
- Buscadores. Para mejorar los resultados y sugerencias de búsqueda.
- Anti-spam. Mediante el uso de etiquetas.
- Anti-virus. Para la detección de software malicioso.
- Genética. Por ejemplo, en la clasificación de secuencias de ADN.
- Predicción y pronósticos. De clima, tráfico o para evitar fallos tecnológicos en equipos.
- Comprensión de textos. Se aplica a resúmenes estructurados de noticias o comentarios sobre un tema específico.
- Vehículos autónomos y robots.
- Métodos de optimización más rápidos y flexibles. Se evalúa qué momento es el adecuado para una tarea concreta.
- Análisis de imágenes de alta calidad.
- Estudio de datos económicos. Para operar en el mercado de valores o evitar el fraude en transacciones.
- Análisis de comportamiento de consumo y productividad. Para la identificación de clientes potenciales, prever qué empleados pueden ser más rentables, adaptar servicios a las necesidades del usuario…
… Y en educación
Evidentemente ayudaría enormemente en la predicción de conductas, detección de factores de riesgo, etc.
Por tanto, las posibilidades irían desde el perfeccionamiento de un aprendizaje personalizado, el cual se iría adaptando a las necesidades del estudiante, según sus intereses, su estado de ánimo, la demanda de la sociedad… a la optimización de procesos como la corrección de trabajos y exámenes entre las tareas de los profesores.
¿Supondría una nueva redefinición del rol del profesor o quizás su extinción?
Concluyendo
Cuando aún estamos comenzando a sacarle provecho al Big Data y recién tonteando con la AI, el abanico se abre para ofrecernos una poderosa herramienta que puede romper los principios de nuestro ritmo de crecimiento abriéndonos las puertas a la archipredecida Singularidad tecnológica. Y digo yo, ¿estamos preparados para esto? ¿Esta nueva etapa podrá ayudarnos a encontrar las soluciones a los problemas de siempre (superpoblación, tercer mundo, crisis medioambiental…) o nos llevará a un destino aún más aterrador (véase Terminator)?
Volviendo al refrán inicial… ¿Sabrá más la máquina por su acelerada capacidad de aprender o por su condición de máquina? 
Enlaces de interés
- ¿Qué diferencia hay entre Deep Learning, Inteligencia Artificial y Machine Learning?
- Machine Learning y Deep Learning: cómo entender las claves del presente y futuro de la inteligencia artificial
- Understanding Machine Learning (INFOGRAFIA)
