El aprendizaje autom¨¢tico no crear¨¢ m¨¢quinas m¨¢s inteligentes que nosotros

Para pensar como los humanos, ya estamos los humanos¡±. As¨ª de categ¨®rico y distante se muestra el neurocient¨ªfico cognitivo Ra¨²l Arrabales, director de Inteligencia Artificial en Psicob¨®tica, cuando le preguntamos si falta mucho para lograr robots que razonen como nosotros. Lo mismo opina Alfonso Rodr¨ªguez-Pat¨®n, director del Grupo de Inteligencia Artificial de la Universidad Polit¨¦cnica de Madrid: ¡°Hemos conseguido que las m¨¢quinas act¨²en como si tuviesen inteligencia resolviendo tareas complejas, pero en realidad no entienden nada. Para que un sistema ¡®piense¡¯ faltan muchos a?os y antes debemos hacer ingenier¨ªa inversa de nuestro cerebro para saber c¨®mo funciona y, a partir de ah¨ª, inspirarnos para construir esas m¨¢quinas realmente inteligentes¡±.

El anhelo de que un robot se exprima las neuronas igual que un organismo vivo se enmarca en la llamada Strong AI, traducida al espa?ol como Rama Dura de la Inteligencia Artificial (IA) o IA Fuerte, que sostiene que una m¨¢quina puede llegar a ser igual o m¨¢s inteligente y consciente que un humano. Este futurible tuvo su m¨¢ximo apogeo en los a?os 50 del siglo pasado, pero las expectativas se desinflaron al ver que no se consegu¨ªa nada parecido. As¨ª se lleg¨® a un enfoque m¨¢s pragm¨¢tico, el de la Weak AI o IA Aplicada, una rama d¨¦bil que defiende que podemos crear aplicaciones de inteligencia artificial que sobrepasan con creces a los humanos, pero s¨®lo en tareas espec¨ªficas. Este ser¨ªa el caso, por ejemplo, de Deep Blue, Watson o AlphaGo.

Seg¨²n Arrabales, aunque la IA Fuerte llegue a existir dentro de muchos a?os, ¡°sus capacidades no ser¨¢n las mismas que las de los humanos a no ser que hablemos de algo parecido a Blade Runner, donde se construyen mezclas de personas y m¨¢quinas que ya nos sit¨²an en un escenario c¨ªborg, al estilo de lo que plantea Elon Musk con su proyecto Neuralink¡±. Sin embargo, la IA Aplicada s¨ª est¨¢ avanzando en los ¨²ltimos a?os y no s¨®lo se est¨¢n consiguiendo m¨¢quinas que realizan tareas de forma aut¨®noma, sino que adem¨¢s estamos cerca de lograr que hagan este trabajo espec¨ªfico de manera agradable y ajustada a las emociones de los humanos con los que interaccionan.

C¨®mo aprende una m¨¢quina

Para lograr esa empat¨ªa y esa capacidad para adaptarse a los cambios de su entorno, es necesario entrenar a los robots mediante un conjunto de t¨¦cnicas conocidas como Machine Learning, cuya traducci¨®n id¨®nea es ¡°aprendizaje autom¨¢tico¡±, que a su vez puede ser supervisado y no supervisado. Ambas modalidades dependen de datos recabados a trav¨¦s de sensores que despu¨¦s son utilizados para realizar una determina acci¨®n. ¡°Pero entre la recogida de datos y las acciones realizadas se sit¨²an, entre otros muchos procesos, los mecanismos de aprendizaje¡±, se?ala Arrabales. Por ejemplo, una m¨¢quina puede aprender que mostrar un determinado producto a un usuario concreto en una tienda online es bueno porque ese usuario acaba compr¨¢ndolo. En este caso, ese robot se basa en algoritmos de aprendizaje autom¨¢tico supervisado que usan premios y sanciones para ajustar el comportamiento y realizar acciones cada vez m¨¢s inteligentes. ¡°Gracias al refuerzo a trav¨¦s de recompensas y castigos, hay algoritmos que han aprendido a jugar mejor que los humanos a un determinado juego y de manera similar se est¨¢ entrenando a los coches aut¨®nomos para resolver situaciones no programadas a priori¡±, comenta Rodr¨ªguez-Pat¨®n.

Por lo que respecta a los algoritmos de aprendizaje autom¨¢tico no supervisados, descubren patrones "ocultos" en los datos, es decir, regularidades entre lo que en principio parece un universo ca¨®tico de datos, para sacar conclusiones, como por ejemplo clasificar los distintos tipos de clientes que tiene un banco.

Seg¨²n apunta Arrabales, la principal ventaja del Machine Learning es que el robot se ajusta por s¨ª mismo a los cambios del entorno, sin intervenci¨®n del programador. Es decir, se codifican una ¨²nica vez las reglas de aprendizaje y a partir de ah¨ª el sistema se va adaptando de forma autom¨¢tica en funci¨®n de los datos de entrada que recibe, en vez de tener que reprogramarlo a mano cada vez que dejan de servir las reglas fijas preprogramadas.

En todo este entramado, durante los ¨²ltimos a?os ha cobrado protagonismo el Deep Learning, una subdisciplina del Machine Learning cuya particularidad reside en que utiliza unas t¨¦cnicas de aprendizaje m¨¢s parecidas a las de los sistemas biol¨®gicos. As¨ª, con este m¨¦todo el procesamiento de los datos se lleva a cabo en diferentes etapas "ocultas o profundas" con el fin de ir descubriendo relaciones jer¨¢rquicas en las caracter¨ªsticas de los est¨ªmulos percibidos. Estas t¨¦cnicas se usan para procesar datos muy complejos y desestructurados como las im¨¢genes, los v¨ªdeos y el lenguaje natural. Por ejemplo, el Deep Learning se emplea para que un m¨®vil identifique objetos concretos en im¨¢genes, para lo cual los algoritmos han de aprender primero a distinguir dichos objetos mediante la exposici¨®n a millones de ejemplos diferentes ya etiquetados.

?Redes neuronales en un m¨®vil?

Muchos de los avances m¨¢s prometedores en inteligencia artificial de los ¨²ltimos a?os se debe al uso de t¨¦cnicas de Deep Learning y, en concreto, a algoritmos basados en Redes Neuronales Profundas (Deep Neural Networks). Precisamente, el nuevo Huawei Mate 10 integra el chipset Kirin 970, una unidad de procesamiento neuronal (NPU) embebida en el propio procesador de este smartphone. Seg¨²n Arrabales, este tipo de redes de neuronas artificiales requieren de arquitecturas computacionales espec¨ªficas para poder aprovechar su potencial. En otras palabras, no es factible ejecutar redes de este tipo en microprocesadores convencionales, as¨ª que contar en el terminal con un chipset que incluya arquitecturas de procesamiento neuronal ¡°cambia las reglas del juego¡± y permite que el m¨®vil tenga unas capacidades que antes eran impensables. Por ejemplo, al equipar un m¨®vil con una NPU ya podemos pensar en tener visi¨®n artificial en tiempo real en la palma de la mano o que nuestro tel¨¦fono sepa identificar objetos y personas en las im¨¢genes. Asimismo, contaremos con una capacidad mucho m¨¢s avanzada de procesamiento del lenguaje oral y escrito.

En definitiva, nos encaminamos hacia terminales que podr¨¢n aprender mucho m¨¢s del entorno que les rodea, contar¨¢n con ¡°sentidos¡± y una percepci¨®n visual y auditiva m¨¢s parecida a la humana, lo que les har¨¢ comportarse de forma mucho m¨¢s inteligente, pero siempre aplicada a las necesidades concretas del usuario.