La Habana, Cuba. – Desde los años 50 del siglo pasado y hasta hace muy pocos años el terreno habitual de la Inteligencia Artificial avanzada era mayoritariamente el laboratorio de investigación y la ciencia ficción. A excepción de casos contados, la práctica totalidad de sistemas con una inteligencia similar a la humana aparecieron en películas futurísticas u obras como las de Isaac Asimov. Sin embargo, ese panorama está cambiando radicalmente en los últimos años. Cuando se habla de Inteligencia Artificial vienen a la mente realidades distópicas como las que se presentan en Terminator, Matrix y otras películas u obras de ciencia-ficción en la cultura popular. Hoy sea está lejos de eso; por ejemplo, Alexa puede ser un buen mayordomo, pero no puede pasar el famoso test de Turing.
La adopción de inteligencia artificial ha crecido un 270% en los últimos cinco años, según un estudio de la consultora Gartner, y las expectativas del mercado de Aprendizaje Automático y otras soluciones de Inteligencia Artificial prometen aún más. De acuerdo con un informe de Fortune, se espera que el mercado global de Inteligencia Artificial alcance los 267 mil millones en 2027. IDC preveía que las empresas invertirían más de 31 000 millones de dólares en sistemas cognitivos artificiales en 2019.
Lo que diferencia a la Inteligencia Artificial de otras aplicaciones informáticas es que no hay que programarla específicamente para cada escenario. Cuando se le “enseñan” las tareas que debe resolver, se está en presencia del Aprendizaje Automático (Machine Learning,), y cuando aprende por sí misma estamos en presencia del Aprendizaje Profundo (Deep Learning).
Toda Inteligencia Artificial para “aprender” necesita datos que le permitan obtener resultados a partir de los mismos. Esos algoritmos están diseñados para aprender, lo que significa que tiene la posibilidad de corregir errores.
Un ejemplo de Aprendizaje Automático puede ser un programa que pueda identificar imágenes de gatos: Se le da a la aplicación un conjunto de características de cómo es un gato, para que sepa reconocerlo. Colores, formas y otros. Enseguida se le “muestran” imágenes (si alguna está etiquetada como “gato”, la aplicación podrá identificarla más fácilmente). Una vez que la aplicación haya “visto” suficientes imágenes de gatos, debería ser capaz de identificarlos en otras imágenes: “si la imagen contiene algunas de las características aprendidas, entonces hay un 95% de que sea un gato”.
Parece complicado, pero no lo es tanto, un ejemplo de la capacidad de aprendizaje de las aplicaciones se puede apreciar en programas, como el filtro del correo basura o las recomendaciones que muchas aplicaciones de Internet hacen cuando usted consulta una información, todo gracias a los datos que ha recopilado el sistema.
El aprendizaje profundo por su parte es, desde 2018, la vanguardia de la Inteligencia Artificial; puede verse como un Aprendizaje Automático con profundas redes neuronales que procesan los datos de manera similar al cerebro humano.
La diferencia clave con respecto a su predecesor es que no se tiene que enseñar al programa cómo son los gatos; simplemente se le dan suficientes imágenes de gatos y el algoritmo será capaz de resolverlo por sí mismo: Se brindan muchas fotos de gatos a la aplicación. El algoritmo inspeccionará las fotos para ver qué tienen en común (pista: son gatos). Cada foto se deconstruirá en múltiples niveles de detalle, desde formas grandes y generales hasta líneas pequeñas. Si una forma se repite mucho, el algoritmo lo etiquetará como una característica importante. Tras analizar suficientes fotos, el algoritmo ya sabrá reconocer los patrones que definen lo que es un gato y podrá identificarlo en cualquier otro escenario.
En resumen: el Aprendizaje Profundo es el Aprendizaje Automático, en el que el algoritmo aprende por sí mismo (aunque va mucho más allá del ejemplo de los gatos, actualmente las máquinas son capaces de captar muchos más parámetros dentro de las fotos, como el paisaje, por ejemplo). en ese caso se requieren más datos iniciales y más potencia de cómputo que en el caso anterior. Desde un punto de vista científico, se podría decir que el Aprendizaje Profundo es el Aprendizaje Automático a través de un análisis de datos aprendidos gracias al uso de algoritmos (prevalentemente de cálculo estadístico). El Aprendizaje Profundo (también conocido como aprendizaje estructurado profundo o aprendizaje jerárquico), de hecho, forma parte de una familia más amplia de métodos de Aprendizaje Automático basados en la asimilación de representaciones de datos, a diferencia de los algoritmos para la ejecución de tareas específicas.
El Aprendizaje Profundo representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. Nuestro encéfalo tiene una microarquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas. Gracias a la neurociencia, el estudio de casos clínicos de daño cerebral y los avances en diagnóstico por imagen se sabe por ejemplo que hay centros específicos del lenguaje, o que existen redes especializadas en detectar diferentes aspectos de la visión, como los bordes, la inclinación de las líneas, la simetría e incluso áreas íntimamente relacionadas con el reconocimiento de rostros y la expresión emocional de los mismos .
Mientras que los algoritmos tradicionales de Aprendizaje Automático son lineales, los algoritmos de Aprendizaje Profundo se apilan en una jerarquía de complejidad y abstracción crecientes. Para entender el Aprendizaje Profundo, imagine a un niño cuya primera palabra es “perro”. El niño aprende lo que es un perro (y lo que no es) señalando objetos y diciendo la palabra perro. El padre dice “Sí, eso es un perro” o “No, eso no es un perro”. A medida que el niño sigue señalando los objetos, se hace más consciente de las características que poseen todos los perros. Lo que el niño hace, sin saberlo, es aclarar una abstracción compleja (el concepto de perro) construyendo una jerarquía en la que cada nivel de abstracción se crea con el conocimiento que se ha obtenido de la capa anterior de la jerarquía.”
Si bien los modelos básicos de Aprendizaje Automático se vuelven progresivamente mejores en cualquier función, aún necesitan cierta orientación. Si un algoritmo de Inteligencia Artificial devuelve una predicción inexacta, entonces un ingeniero debe intervenir y hacer ajustes. Con un modelo de Aprendizaje Profundo, un algoritmo puede determinar por sí mismo si una predicción es precisa o no a través de su propia red neuronal. Es decir, puede aprender a través de su propio método de computación, como si tuviera un cerebro propio.
Ya hoy existen casos de uso y áreas de aplicación que pueden ver incluso los “ciudadanos de a pie” no expertos en tecnología. Desde la visión por computadoras para los autos sin conductor, hasta los drones robot utilizados para la entrega de paquetes o incluso para la asistencia en casos de emergencia; el reconocimiento y la síntesis de la voz y el lenguaje para los chatbots y los robots de servicio; el reconocimiento de imágenes para ayudar a los radiólogos a detectar tumores en las radiografías, o para ayudar a los investigadores a identificar secuencias genéticas relacionadas con las enfermedades e identificar moléculas que podrían dar lugar a medicamentos más eficaces o incluso personalizados.
Los sistemas de Aprendizaje Profundo han dado enormes pasos evolutivos y han mejorado mucho en los últimos años, sobre todo gracias a la enorme cantidad de datos disponibles y gracias a la disponibilidad de infraestructuras altas prestaciones (CPU y GPU en particular).
La combinación de la “Nube”, Internet de las Cosas, la tecnología 5G y el procesamiento de grandes volúmenes de datos (Big Data) crean las condiciones para que el Aprendizaje Profundo cada vez gane más espacio en todas las áreas productivas y de servicio, el asimilar esas tecnologías y ponerlas en función de proyectos nacionales no es una opción, es La Opción. Con esto termino, ya saben si me ven por ahí me saludan.