GUILLERMO VALENCIA

Machine learning, el comienzo de la inteligencia artificial

Esta tecnología ya ha sido utilizada para ganarle al ser humano en juegos como el ajedrez y el Go. Su aplicación en la genética y en la computación cuántica podría conducirnos a una nueva era.

15 de diciembre de 2020

En la película 2001: Odisea del espacio, HAL, la máquina que dirige la nave espacial, toma decisiones con el fin de matar a su tripulación. En la ficción no nos lo cuentan, pero, para ejecutar su plan, HAL tenía que aprender que un drástico aumento en la temperatura es mortal para un ser humano. Digo aprender, porque tanto en la ciencia ficción como en la realidad las máquinas ‘aprenden’ con el fin de resolver problemas u orientar procesos.

En columnas anteriores abordamos la importancia que tienen los semiconductores, los cuales posibilitan el aprendizaje de algoritmos necesarios para el desarrollo de la inteligencia artificial. Aunque no lo sepamos, todos nos hemos relacionado con esta tecnología. Un ejemplo muy común son los buscadores de Netflix, Google y Amazon, cuyos algoritmos construyen estadísticas que reconocen patrones de datos (textos, imágenes, videos, series financieras, etc.). Esto les permite construir predicciones educadas de comportamientos con un alto nivel de complejidad.

Esta predicción tiene como base elecciones previas y, si el resultado es negativo, el algoritmo se refina para ofrecer una mejor alternativa. Lo anterior es el tras de escena de una compra en internet, cuyo principio también orienta la cadena logística que lleva el producto que usted eligió hasta la puerta de su casa.

Lea también: El yuan digital, un desafío al poderío del dólar

Este aprendizaje automático, también conocido como machine learning, reúne técnicas computacionales que datan de la década de 1970 y cuyo crecimiento exponencial surgió con la mejora en las velocidades de los procesadores. A este cambio tecnológico se sumó el teórico. La publicación Learning representations by back-propagating errors, del científico computacional Geoffrey Hinton, marcó un antes y un después, y se convirtió en el cimiento de los conceptos de lo que hoy llamamos deep learning o aprendizaje profundo.

¿Qué es el deep learning?

Es, básicamente, machine learning, con esteroides. Este les brinda a las máquinas una capacidad mejorada para encontrar y amplificar, incluso los patrones más pequeños de información. La técnica que lo permite se llama red neuronal profunda, porque tiene muchas capas de nodos computacionales simples que trabajan juntos para procesar datos y entregar un resultado final en forma de predicción.

Al igual que muchas técnicas de procesamiento, las redes neurales existían en la década de 1970, pero la ambigüedad del proceso de entrenamiento hizo que fueran olvidadas. Solo con la investigación de Hinton resurgen como una técnica poderosa para el reconocimiento y la predicción de patrones.

Visite: China 2025, el dragón ha trazado su ruta

A través de estas herramientas llegamos al siguiente estadio: el aprendizaje supervisado, en el que los algoritmos, al igual que nosotros, pueden aprender.

¿Qué es el aprendizaje supervisado?

Los algoritmos, a pesar de no estar vivos, pueden aprender en espacios controlados en los que se les brindan datos con el fin de entrenarlos en una tarea o para formular predicciones, algo en lo que las máquinas son mejores que los humanos.

Existen tres tipos de sistemas de aprendizaje profundo: supervisado, no supervisado y por refuerzo.

En el primero, los algoritmos buscan objetivos específicos en clasificaciones preestablecidas. Este es el más usado en aplicaciones como Netflix, Facebook o Tinder.

Le puede interesar: Argentina, el auge digital que no estamos viendo

En el segundo, la máquina busca arbitrariamente cualquier tipo de patrón que pueda emerger de la base de datos que se le suministra. Si bien no es usado de forma masiva, ha resultado muy útil en soluciones de seguridad informática.

Por último, el sistema de aprendizaje por refuerzo usa el método prueba y error, en el que las estrategias son premiadas de acuerdo con qué tanto se aporta para cumplir objetivos predeterminados. Esta tecnología fue usada por la compañía Deep mind en su prototipo Alpha Go. El resultado fue una máquina imbatible: venció en 2016 al mejor jugador de Go, juego de estrategia similar al ajedrez.

AlphaGo, Guillermo Valencia.

Alpha Go repitió la hazaña de 1997, la supercomputadora de IBM, Deep Blue, al ganarle a Garri Kaspárov, el mejor jugador de ajedrez de su tiempo. Para el caso de Alpha Go, se utilizaron sistemas de aprendizaje por refuerzo para recrear millones de partidas previas y así obtener más experiencia. Más recientemente y basado en este método, Google diseñó el algoritmo Alphafold para solucionar las incógnitas detrás de la química de las proteínas.

Lea también: El corazón de la nueva Guerra Fría

A pesar de estos avances en machine learning, aún estamos lejos de las máquinas homicidas que ha retratado la ciencia ficción. En realidad, su mayor reto se encuentra en la automatización, el 5G y la genética. Con la aplicación de esta última podremos hallar soluciones a las enfermedades y plagas, que a diferencia de los ‘Terminators’ del cine sí han causado la muerte de millones de seres humanos.