天美传媒

Las herramientas de inteligencia artificial (IA) est谩n disponibles para la mayor铆a de las empresas. Son los datos los que marcar谩n la diferencia. Descubre cu谩les necesitas y c贸mo puedes entrenarlos.

La inteligencia artificial (IA) ha dejado de ser la protagonista de obras de ficci贸n dist贸picas para colarse en las conversaciones entre directivos preocupados por la transformaci贸n de sus modelos de negocio.

Pero, 驴entendemos realmente qu茅 es la IA? John McCarthy, considerado uno de sus padres, la define como "la ciencia e ingenier铆a de crear m谩quinas inteligentes". Por "m谩quina" se entiende en la mayor铆a de los casos los programas que ejecuta un ordenador. 驴Y por "inteligente"? Muchos relacionamos ese t茅rmino con el de pensar --actividad intr铆nsecamente humana--, que Marvin Minsky, otro pionero en el campo, defin铆a como "palabra maleta": le asociamos m煤ltiples significados porque contiene procesos muy complejos que no entendemos bien. En este art铆culo usaremos la definici贸n de inteligencia del psic贸logo Howard Gardner: "la habilidad para resolver problemas o elaborar productos que son de importancia en un contexto cultural o en una comunidad determinada". Es decir, c贸mo la IA ayuda a las organizaciones a crear propuestas de valor.

Breve historia de la IA

En 1950, el matem谩tico ingl茅s Alan Turing describi贸 las condiciones en las que podemos considerar una m谩quina inteligente. Es lo que se conoce como test de Turing. Pero el origen oficial de la IA como nueva disciplina se remonta al verano de 1956, cuando un grupo de once cient铆ficos y acad茅micos, entre ellos McCarthy, Minsky y el nobel Herbert Simon, celebraron la Conferencia de Dartmouth, un proyecto de investigaci贸n sobre IA. Entre sus ambiciosos objetivos estaba "c贸mo hacer que las m谩quinas utilicen el lenguaje, formen abstracciones y conceptos, resuelvan problemas hoy reservados a los seres humanos y se mejoren a s铆 mismas".

En sus inicios, la IA buscaba sistemas simb贸licos que representaran un dominio espec铆fico de actividad con reglas l贸gicas derivadas del conocimiento existente. Era lo que se denominaban sistemas expertos. Estos sistemas eran costosos para la tecnolog铆a de la 茅poca y no se ajustaban bien a la infinidad de excepciones propias de los escenarios reales. As铆 que los resultados obtenidos con la IA hasta los ochenta andaban muy lejos de las expectativas creadas y se entr贸 en el denominado "invierno de la IA", una 茅poca de escepticismo que termin贸 con numerosos fondos de investigaci贸n.

Las posteriores evoluciones y mejoras tecnol贸gicas, tanto en capacidad de computaci贸n como en los tipos de algoritmos de aprendizaje, nos han llevado a la situaci贸n actual. Estamos ante un importante resurgimiento de la IA, basada sobre todo en el aprendizaje estad铆stico, es decir, a partir de los datos obtenidos de la observaci贸n. Es una manera de paliar la imposibilidad de anticipar todo lo que puede ocurrir cuando modelamos un problema, los cambios que ocurrir谩n a lo largo del tiempo y la dificultad de modelar una soluci贸n.

La mayor铆a de los sistemas de IA que utilizan las empresas siguen bas谩ndose en algoritmos enfocados a solucionar problemas concretos. Es lo que se denomina machine learning. Como todo proceso de aprendizaje autom谩tico, el machine learning intenta aprender de la experiencia "--los datos-- para modelar, predecir o controlar algo utilizando algoritmos que se basan tanto en fundamentos computacionales como matem谩ticos. Estos sistemas son muy 煤tiles en problemas de clasificaci贸n y predicci贸n, es decir, para clasificar datos de entrada en una categor铆a, como reconocimiento de im谩genes, o hacer una predicci贸n. Por ejemplo, qu茅 cantidad de dinero se gastar谩 un cliente con nosotros en un a帽o o qu茅 probabilidad hay de que deje de ser cliente. Como su uso se limita al problema para el que fueron dise帽ados y entrenados, estos sistemas tambi茅n se conocen como IA d茅bil.

Aunque las aplicaciones de machine learning suelen usar diferentes tipos de algoritmos, quiz谩s son las redes neuronales las que m谩s protagonismo han adquirido en los 煤ltimos a帽os. Estas redes se inspiran en el funcionamiento del cerebro humano, que se sustenta en la actividad electromec谩nica de las redes de c茅lulas de nuestro cerebro, denominadas neuronas. Esta interconexi贸n neuronal nos permite resolver problemas complejos, y su plasticidad --o, lo que es lo mismo, su permanente proceso de entrenamiento, adaptaci贸n y mejora con cada acci贸n que llevan a cabo-- facilita un aprendizaje continuo. Las redes neuronales artificiales intentan imitar estas dos propiedades del cerebro humano.

Las caracter铆sticas m谩s interesantes de la arquitectura de las redes artificiales es su adecuaci贸n a la computaci贸n en paralelo y el aprendizaje con retropropagaci贸n, que ajusta la importancia relativa de las neuronas en funci贸n de la diferencia entre el resultado obtenido y el esperado.

En los 煤ltimos a帽os, los algoritmos de machine learning basados en redes neuronales han evolucionado para resolver procesos de aprendizaje complejo denominados deep learning (aprendizaje profundo), que ofrecen buenos resultados para aplicaciones como la visi贸n por ordenador o el reconocimiento de voz.

El deep learning permite manejar grandes vol煤menes de datos gracias al uso de algoritmos avanzados --como redes neuronales convolucionales--, que se adaptan mejor a la resoluci贸n de problemas multidimensionales.

Sin embargo, el machine learning y en general la IA tienen a煤n muchas limitaciones en cuanto a razonamiento o abstracci贸n en comparaci贸n con el cerebro humano. Conseguir que las m谩quinas sean capaces de resolver problemas complejos y actuar con plasticidad de forma totalmente automatizada es extremadamente complejo y sin duda el gran reto de la IA.

La mayor铆a de la comunidad cient铆fica cree que, para que la IA supere a la inteligencia humana --momento que se conoce como singularidad-- hacen falta nuevas ideas que permitan desarrollar sistemas de inteligencia artificial fuerte y salven las limitaciones actuales. Para Ray Kurzweil, director de Ingenier铆a de Google, ocurrir谩 dentro de 30 a帽os. Ahora bien, ya hace tiempo que se viene diciendo que en 30 a帽os alcanzaremos la singularidad.