La inteligencia artificial no va a ser m¨¢s inteligente que nosotros

Cirro. S¨®crates. Part¨ªcula. Decibelio. Hurac¨¢n. Delf¨ªn. Tulip¨¢n. Siete palabras que invocaban algo tan extraordinario y genuinamente humano como es el amor. Se las dec¨ªa Monica, humana, a David, robot, en un cl¨¢sico infravalorado de Steven Spielberg de t¨ªtulo inevitable: Inteligencia artificial (2001). Tras o¨ªrlas, el robot al que interpretaba Haley Joel Osment pasaba de ser un inquietante aut¨®mata sonriente a un ni?o enamorado de su madre en un inolvidable primer plano. Spielberg, como Asimov, Kubrick y tantos otros so?adores del siglo XX, plante¨® el dilema moral definitivo: ?qu¨¦ responsabilidad tendr¨¢ que asumir el ser humano el d¨ªa que sea capaz de crear una inteligencia igual o superior a la suya?

El mundo puede respirar con alivio. Porque ese d¨ªa, si es que llega alguna vez, parece infinitamente lejano. 2017 fue un a?o en el que la inteligencia artificial (IA) se desmitific¨®. Ian Bogost escrib¨ªa para The Atlantic un esmerado art¨ªculo con un titular demoledor: La inteligencia artificial ha perdido el sentido. El subt¨ªtulo era un clavo m¨¢s en la tumba de este sue?o de la ciencia-ficci¨®n: A menudo no es m¨¢s que un nombre result¨®n para un programa inform¨¢tico.

Jerry Kaplan, profesor de la Universidad de Stanford especializado en el an¨¢lisis econ¨®mico y social de la IA, escrib¨ªa el pasado marzo en MIT Review: ¡°Deber¨ªamos dejar de describir estas modernas maravillas como protohumanos y en vez de eso empezar a hablar de ellas como la nueva generaci¨®n de flexibles y poderosas m¨¢quinas [¡­] y aceptarlas por lo que realmente son, herramientas para lograr un futuro m¨¢s pr¨®spero y confortable¡±.

El ordenador no es capaz de enfrentarse a lo desconocido, solo de procesar la informaci¨®n que se le da

En el foro Retina LTD ¡ªevento de EL PA?S Retina que reuni¨® a l¨ªderes de la transformaci¨®n digital¡ª, el director de IA del CSIC, Ram¨®n L¨®pez de M¨¢ntaras, tir¨® de iron¨ªa para despejar preocupaciones sobre futuros a lo Terminator: ¡°Las pel¨ªculas lo han hecho muy bien, nos han transmitido una imagen muy alejada de lo que realmente ocurre¡±.

?Y qu¨¦ ocurre en el hoy? ?Esta decepci¨®n esconde un fracaso de toda tecnolog¨ªa de aprendizaje artificial? Ni mucho menos. Dos palabras, machine learning [aprendizaje autom¨¢tico], encierran la gran esperanza de este campo para transformar la sociedad. Pero exigen de un ajuste de expectativas: no se trata de un futuro habitado por humanoides sino de tecnolog¨ªa de automatizaci¨®n mediante algoritmos. La veta, que la consultora PwC estima en 13 billones de euros de aqu¨ª al 2030 ¡ªun espectacular incremento del 14% en el PIB mundial¡ª, est¨¢ en una conjunci¨®n hombre-m¨¢quina para afrontar problemas que antes no eran posibles.

Las m¨¢quinas aprenden a ver

Desierto del Gobi. De pronto, sobre el paisaje nevado, una silueta espectral y moteada cruza fugaz el encuadre de una c¨¢mara. Es un irbis, tambi¨¦n conocido como leopardo de las nieves, uno de los mil que a¨²n sobreviven en territorio mongol. La c¨¢mara que lo capt¨® tir¨® una foto, una entre m¨¢s de un mill¨®n que luego tendr¨ªan que analizar, manualmente, un equipo de investigadores cient¨ªficos. Si no fuera por el machine learning.

¡°Es uno de los proyectos que m¨¢s me fascina¡±, apunta Matthew Winkler, gerente principal de machine learning en Azure, la plataforma en la nube de Microsoft. ¡°Antes, un mont¨®n de cient¨ªficos y voluntarios ten¨ªan que contar manualmente el n¨²mero de leopardos de las nieves para llevar un control de poblaci¨®n entre ese mill¨®n de fotograf¨ªas. Ahora es tan sencillo como recuperar los USB de las c¨¢maras y subirlos a la nube. El machine learning cuenta por ellos¡±. Este caso concreto es una colaboraci¨®n de Azure con la asociaci¨®n Snow Leopard Trust, que se dedica a luchar por este animal en peligro de extinci¨®n.

Es una de miles de aplicaciones bajo una misma realidad: las m¨¢quinas han aprendido a ver. Y esto es una llave de inmenso potencial econ¨®mico para resolver cualquier problema que implique reconocer objetos en una imagen. ¡°Agricultura rob¨®tica, conducci¨®n aut¨®noma, gen¨®mica. Las aplicaciones tienen un abanico enorme¡±, explica Arjun Bansal, vicepresidente y manager de Inteligencia Artificial de Intel. ¡°La visi¨®n artificial es un hito por el cual podemos resolver problemas a los que antes no pod¨ªamos enfrentarnos¡±.

M¨¢s informaci¨®n

¡°A la inteligencia artificial le falta sentido com¨²n¡±

La lucha contra la tiran¨ªa de los algoritmos

Salto de latitud y longitud, de las estepas mongolas a Washington DC. Una comisar¨ªa de polic¨ªa reabre un caso cerrado gracias a una aplicaci¨®n de machine learning. En solo dos d¨ªas, revisa 300.000 registros fotogr¨¢ficos y encuentra al elusivo sospechoso. Se produce un arresto. La tecnolog¨ªa usada era Rekognition, el brazo de visi¨®n artificial de Amazon Web Services, la divisi¨®n del gigante de Silicon Valley dedicada a ofrecer soluciones en la nube para empresas e instituciones de todos los tama?os.

¡°El sistema era el siguiente: los ciudadanos, las c¨¢maras de vigilancia y cualquier registro visual en torno a un caso llegaban al ordenador de un agente que se ten¨ªa que pasar dos o tres d¨ªas tratando de encontrar al sospechoso¡±, explica Swami Sivasubramanian, vicepresidente y director general de IA en Amazon Web Services. ¡°Pero aplicando machine learning pudimos ayudar a capturar un criminal que, sin contar con esta tecnolog¨ªa, habr¨ªa quedado libre¡±.

La historia se repite con los grandes nombres en el machine learning como Azure de Microsoft o Google Cloud. Todas ofrecen su propia soluci¨®n, API en el argot, que permite desplegar la capacidad de reconocer cualquier tipo de objeto en una imagen. Los resultados dependen de la imaginaci¨®n y de la pericia del humano a la hora de acotar el problema.

¡°Por ejemplo, tenemos un socio, Schneider Electric, que ha elegido aplicarlo para el mantenimiento de maquinaria. Hablamos de plataformas petrol¨ªferas, donde la aver¨ªa de una pieza puede suponer unos costes enormes. La aplicaci¨®n que estamos desarrollando detecta visualmente las piezas en riesgo en tiempo real y diagnostica cu¨¢ndo deben sustituirse adelant¨¢ndose a su rotura¡±, apunta Winkler, ejecutivo de Azure.

No solo la visi¨®n comienza a ser artificial, tambi¨¦n el habla: la traducci¨®n autom¨¢tica y la conversi¨®n de texto a audio y viceversa. Son tareas muy concretas que permiten, con la imaginaci¨®n suficiente, transformar modelos de negocio. ¡°Estamos en la edad de oro del machine learning. Y ahora el reto es mejorar las herramientas para que su uso sea f¨¢cil para cualquier empresa, entidad o individuo, sin ser un experto en la materia¡±, resume Sivasubramanian.

El hombre aprende de la m¨¢quina

Antes de que la primera ficha se moviera, Lee Sedol lo ten¨ªa claro: ¡°Una m¨¢quina no puede vencer a un humano al Go, porque el Go es un arte¡±. Despu¨¦s de una extenuante partida, Lee Sedol claudicada: ¡°Reconozco que la he subestimado¡±. Sedol, el mejor jugador de Go del planeta, reconocido como el juego humano m¨¢s complejo, se mostraba asombrado de la capacidad de una computadora, el AlphaGo de Google, para torcerle la mano en el pulso y derrotarlo.

Pero ante la primera lectura pesimista, la claudicaci¨®n del humano ante la todopoderosa m¨¢quina, la escena mundial del milenario juego de origen chino empez¨® a darse cuenta de un hallazgo todav¨ªa m¨¢s inaudito: ¡°Una vez cada medio siglo, un maestro del Go consegu¨ªa inventar una nueva estrategia nunca vista. Gracias a AlphaGo, los humanos observaron todo un abanico de movimientos que jam¨¢s hab¨ªan sido usados por ning¨²n jugador. La decepci¨®n se transform¨® en entusiasmo al entender que nuestra m¨¢quina hab¨ªa inyectado ¡®sangre joven¡¯ en el juego¡±, apunta Emmanuel Mogenet, jefe de Google Research Europe.

Mogenet, dado a acu?ar frases pegadizas y evocadoras, define esta sorprendente vuelta de tuerca que el machine learning proporciona a una actividad humana de la siguiente manera: ¡°No hay que entenderlo como un competidor, como un sustituto. Esta tecnolog¨ªa es como un exoesqueleto de la mente¡±. De manera menos colorida, todos los entrevistados, directivos de las principales compa?¨ªas del mundo en explotar los algoritmos automatizados, coinciden en la misma idea: el machine learning sirve para ¡°aumentar¡± al ser humano. No para reemplazarlo.

La gran preocupaci¨®n que se deriva de esta tecnolog¨ªa es cu¨¢nto podr¨ªa llegar a impactar al empleo. Consultoras de prestigio como McKinsey han puesto en liza cifras aterradoras: 73 millones de empleos perdidos en Estados Unidos para 2030. Pero muchos expertos creen que estas predicciones son exageradas. Ram¨®n L¨®pez de M¨¢ntaras, director de inteligencia artificial del CSIC, afirm¨® lo siguiente en el evento Retina LTD: ¡°La gran mayor¨ªa de los puestos de trabajo ver¨¢n aparecer binomios persona-m¨¢quina en los que el conjunto de ambos ser¨¢ m¨¢s valioso que cualquiera de los dos por separado. Esto har¨¢ peligrar muchos menos puestos de trabajo de los que pensamos¡±.

Ejemplos palpables de esta tendencia copan portadas de medios como The New York Times, que recientemente public¨® un art¨ªculo de c¨®mo los trabajadores de Amazon est¨¢n reciclando sus funciones para trabajar en alianza con los robots de la compa?¨ªa, llev¨¢ndole la contraria a las predicciones del presidente de EE UU Donald Trump sobre la catastr¨®fica destrucci¨®n del empleo que traer¨¢ la nueva era de automatizaci¨®n.

Pero el efecto domin¨® del machine learning podr¨ªa llegar mucho m¨¢s lejos que la mera potenciaci¨®n de las habilidades humanas. Podr¨ªa romper definitivamente la baraja de la desigualdad que vertebra el modelo capitalista. ¡°Yo soy un in¨²til para dibujar¡±, apunta Mogenet, directivo de Google. ¡°Pero con un sistema de machine learning, que me permitiera plasmar mis ideas proporcion¨¢ndome la destreza de la que carezco, igualar¨ªa las tornas con un artista. Si abstraemos y aplicamos este concepto a cualquier ¨¢rea de conocimiento, vemos que el valor econ¨®mico de las personas tender¨ªa a igualarse porque su diferencia en educaci¨®n y talento se reducir¨ªa. Y al reducir la necesidad de asumir las tareas tediosas liberar¨ªa la creatividad de todo el planeta¡±.

Arjun Bansal, directivo de Intel, va m¨¢s lejos: ¡°Conceptos como el salario universal deben ser estudiados detalladamente si, como esperamos, cada vez hay que trabajar menos. Hay que ser muy cuidadosos pero estoy convencido de que, globalmente, el machine learning va a ser una fuerza benefactora para la humanidad¡±.

A a?os luz de la cognici¨®n

El machine learning parece prometer un futuro m¨¢s esperanzador para asumir los m¨²ltiples desaf¨ªos ecol¨®gicos, econ¨®micos y sociales del presente. Pero una palabra sigue siendo clave: desmitificar. Creer que de aqu¨ª a la cognici¨®n, a esa IA de la ciencia- ficci¨®n, se puede tender un puente de plata, es caer en lo ilusorio. ¡°Ahora somos capaces de hacer lo equivalente al cerebro de una serpiente¡±, resume Mogenet, directivo de Google. ¡°Algo tan complejo como el ser humano nos queda completamente fuera de nuestro alcance¡±.

C¨®mo se casa esta concepci¨®n humilde de la tecnolog¨ªa de automatizaci¨®n con las medi¨¢ticas victorias en ajedrez o Go a genios humanos tiene una explicaci¨®n sencilla. ¡°Una m¨¢quina puede superar a un humano en una tarea muy concreta mediante este tipo de algoritmos. Pero una persona puede hacer much¨ªsimas tareas distintas con brillantez. Es m¨¢s, puede enfrentarse a un problema que no se le haya presentado jam¨¢s y resolverlo. Esta capacidad de enfrentarse a lo desconocido est¨¢ muy por delante de lo que puede hacer hoy en d¨ªa una m¨¢quina¡±, explica Sivasubramanian, de Amazon.

Pero el aceptar esta realidad no quiere decir que no haya que trabajar por lograr una cognici¨®n artificial. El reto es lograr que una computadora se cree una imagen del mundo, como las que tenemos los seres humanos, porque una computadora no entiende el significado de las im¨¢genes, textos o datos que maneja. No sabe qu¨¦ es un presidente de un pa¨ªs o una manzana. Sin embargo, empieza a tener las capacidades b¨¢sicas para posibilitar esa inferencia. Empieza a ver y a escuchar.

¡°El desaf¨ªo es combinar las habilidades que ya tenemos para lograr sistemas artificiales m¨¢s flexibles. Si miras al cerebro humano, tienes una funci¨®n para ver, otra para hablar¡­ El reto es lograr esa fusi¨®n¡±, explica, entusiasta, Arjun Bansal, ejecutivo de Intel, inform¨¢tico y neur¨®logo. Eso s¨ª, el primer sue?o a cumplir para este experto en IA es mucho m¨¢s pedestre. Y provechoso: ¡°Creo que es algo que no solo me har¨ªa ilusi¨®n a m¨ª, sino a toda la humanidad. Un robot que lave los platos, prepare la comida y haga la colada [risas]. Y a¨²n estamos muy lejos de lograrlo¡±.

Vocabulario para no iniciados

Inteligencia artificial: Es la ciencia que se ocupa de dise?ar m¨¢quinas que emulan el pensamiento humano.

'Machine learning': ?rea de la inteligencia artificial enfocada en desarrollar programas inform¨¢ticos capaces de aprender por s¨ª mismos y realizar predicciones.

'Deep learning': T¨¦cnica para aplicar machine learning que se basa en un tipo espec¨ªfico de algoritmos conocidos como redes neuronales. Es la responsable del actual boom de la automatizaci¨®n artificial. Red neuronal: Modelo matem¨¢tico que emula el comportamiento estructural del cerebro humano, tomando como base la interacci¨®n entre las neuronas.

'Machine vision': Aplicaci¨®n de machine learning para an¨¢lisis y categorizaci¨®n de im¨¢genes.

Procesamiento de Lenguajes Naturales (PLN): ?rea de la ciencia inform¨¢tica dedicada al estudio de c¨®mo las computadoras manejan, comprenden y generan el lenguaje humano.

API: Aplicaciones concretas que utilizan machine learning para resolver un problema o plantear un marco en el que resolverlo. Reconocimiento de audio: Aplicaci¨®n de machine learning que permite reconocer el lenguaje hablado y pasarlo a texto.