Aprendiendo a aprender

Cuanto menos instinto, mayor capacidad de aprendizaje. Al menos parece que este patrón se repite en los sistemas biológicos complejos.

Aquellos animales con patrones de comportamiento y acción muy determinados desde el nacimiento, el cual les proporciona una capacidad inicial de adaptación al medio muy rápida, se ven incapaces de modificarlo si el entorno cambia lo suficiente. Cuanto más especializado, cuanto más conocimiento innato tiene una especie, parece que menor capacidad de aprendizaje posee. Los grandes especialistas de la caza, o de cualquier otro proceso natural, son en realidad los más afectados por cualquier tipo de cambio y, por lo tanto, menos adaptables que otros.

El ser humano ha alcanzado en poquísimo espacio de tiempo unas cotas de conocimiento incomparables con el resto del reino animal. En apenas 1 millón de años, el ser humano ha pasado de ser un tipo de homínido con capacidades no muy diferenciadas de otros parientes como el gorila o el chimpancé, a ser lo que somos hoy día.

El comienzo del aprendizaje
Se estima que hace aproximadamente entre 150.000 y 400.000 años que comenzó la aparición de una nueva raza de humano, el Homo-Sapiens. Desde entonces, han ocurrido muchas cosas. Una de las fundamentales, el lenguaje, oral primero y escrito posteriormente, no siendo este último un proceso innato ni fundamental para la supervivencia inicial de la especie. Ambos se convirtieron en la palanca que permitió almacenar conocimiento adquirido por generaciones anteriores, de tal manera que todo ese aprendizaje no se perdiera. El cerebro humano estaba preparado para aprender. Tenía unos instintos básicos de supervivencia, pero más allá de eso, su capacidad de aprendizaje se fue incrementando y llegó un momento en el que el conocimiento de un individuo excedió en mucho al que podría haber adquirido él mismo a través de su propia experiencia.

Los humanos, viviendo en sociedad, se ayudaron a aprender juntos y a compartir la sabiduría entre ellos. Las sociedades que se formaron comenzaron a centrarse en el intercambio y la colaboración y ese cambio comenzó a provocar el avance del conocimiento, el cual daba una ventaja competitiva, muy clara con respecto al resto de especies.

El “conocimiento” de las máquinas
Al igual que nosotros, las máquinas tienen un potencial enorme, pero hasta ahora su uso se había limitado a aquello para lo que habían sido concebidas desde su fabricación. Solo aquello que de forma innata contenían, con lo que habían sido diseñadas y precargadas (conocimiento innato), eran las tareas que podían desempeñar. Por el contrario, todo aquello que se saliera de ese pequeño conjunto de órdenes era algo que no podía ser entendido por ellas. Lo máximo que hacían en este caso era darse cuenta de que no podían entender lo que se les estaba pidiendo y su única respuesta para ello fue, durante mucho tiempo, la famosa frase «no computa» = «no te entiendo, no tiene sentido para mí». Su capacidad de adaptación a lo desconocido o inesperado era nula.

Durante mucho tiempo se especuló con la posibilidad de que, incluso si fuéramos capaces de replicar neuronas con dispositivos artificiales, esta inteligencia quizá no llegaría a ser tal y como un humano la entiende. Así pues, las máquinas poseerían una inteligencia que virtualmente es como la de los humanos pero que carecería de la inteligencia emocional.

Sin embargo, a pesar de que existen limitaciones tecnológicas enormes aún por superar, quizá comenzamos a tener los elementos necesarios para plantearnos la posibilidad de crear una inteligencia artificial parecida, al menos en parte, a nuestra inteligencia. Y quien sabe si también con emociones.

Aprendiendo a aprender

El Test de Turing
El Test de Turing (1950, Alan Turing) proponía mantener una conversación, donde el medio de comunicación no fuera lo importante sino la conversación en sí, para que un humano determinase si su interlocutor era una persona o una máquina. Esta prueba serviría para determinar si una inteligencia artificial podía equipararse a la humana. Podemos ver una recreación del Test en la versión original de la película «Blade Runner».

El Test de Turing fue superado por primera vez, aunque algunos ponen en entredicho este logro, en 1966, tan solo 16 años más tarde desde su creación, por una computadora cargada con el programa ELIZA.

Técnica prueba y error
En los inicios de la Inteligencia Artificial se planteó el conocimiento de la máquina como algo precargado (innato), con lo que se trataba de simular inteligencia sin capacidad de aprendizaje autónomo. El paradigma ha cambiado y, ahora se está empezando a comprender que, para permitir a una máquina desarrollar inteligencia, es necesario dotarlas de la capacidad de aprender retroalimentándose de sus fallos y aciertos. El resto del conocimiento (no innato) debe de ser adquirido por ella tan solo a base de prueba y error. Con esta técnica se han conseguido cosas que comienzan a entenderse como un progreso fundamental en el aprendizaje de las máquinas, tales como:

  • Ganar al Go (juego milenario chino con más combinaciones posibles que átomos en el universo), demostrando que la fuerza bruta de computación no es una posibilidad aquí.

Aprendiendo a aprender
  • Predecir ciertas terapias médicas con mejor esperanza de supervivencia para el paciente que la propuesta por un equipo de humanos.

  • Aprender del desplazamiento por sí mismos.

  • Saltarse reglas de un juego gracias a errores de programación, que nadie había detectado, para así poder ganar la partida contra rivales humanos.

  • Construir modelos climáticos predictivos.

  • Ganar en un juego de cooperación contra un equipo de humanos.

  • Construir antenas con la forma adecuada para su uso por robots espaciales.

  • Componer música para la creación de temas con gran probabilidad de éxito comercial.

  • Escribir de forma automatizada (gmail) en función de su uso y aportar consejos sobre posibles respuestas rápidas al contestar un correo.

El poder de la Inteligencia Artificial
Desde el momento en el que le hemos dado a las máquinas la posibilidad de realizar tareas en las que podían equivocarse para poder mejorar, gracias a su velocidad de cómputo y al conocimiento en diversos ámbitos científicos como biología, matemática, psicología, robótica, informática, telecomunicaciones, lingüística y un largo etcétera relacionados con nuestras capacidades como especie, se están consiguiendo progresos en poquísimo tiempo en aspectos que hasta hace poco se consideraban muy difíciles de alcanzar. Todos esos avances se basan en algo que parece evidente pero que no ha sido fácil de realizar, dotar a las máquinas de la facultad de aprender por sí mismas.

Nosotros, con (al parecer) un número bastante limitado de instrucciones innatas, somos capaces de aprender, siendo nuestra inteligencia y cultura adquiridos por este proceso.

Así pues, llegados a este punto, si tal vez creamos una estructura artificial capaz de aprender como nosotros, el resultado sea una inteligencia parecida a la nuestra.

Aunque los avances han sido magníficos en estos últimos años, se considera que la inteligencia artificial actual solo es capaz aún de simular una inteligencia humana de 4 años. Sin embargo, a pesar de ello, el logro es mucho más importante debido a que lo realmente trascendente no es el CI (cociente intelectual) capaz de alcanzar por las máquinas actualmente, si no la forma en la que la máquina adquiere esa inteligencia.

Por fin, se ha comenzado a entender cómo aplicar la base matemática inherente del aprendizaje que permite a una máquina y a un humano crear los patrones comunes necesarios para poder clasificar cosas, como por ejemplo un gato, y poder diferenciarlo de otras cosas parecidas pero diferentes, como por ejemplo un perro. Esto significa que se puede clasificar y aplicar conocimiento aprendido u observado.

Algunos de estos métodos nos permitirán aprovecharnos de las diferentes técnicas de clasificación e inferencia de las máquinas, ayudándonos a tomar decisiones complejas, las cuales tienen en cuenta un número significativo de datos de entrada. De esta forma, podremos obtener resultados con mayor tasa de acierto o más óptimos que los que nosotros podríamos tener, beneficiándonos de su mayor capacidad de cómputo y análisis de datos de entrada (mayor input procesable) para la formación de inferencias más precisas.

En Globalvia la apuesta de futuro es evidente. Ahora mismo se está realizando una prueba piloto de Machine Learning para la mejora de las tasas de acierto del OCR (Optical Character Recognition) para lectura de matrículas en la concesión estadounidense de Globalvia, Pocahontas Parkway. Por ahora es muy prometedor, pero las aplicaciones de esta tecnología en la Compañía podrían enfocarse en otros muchos ámbitos, como, por ejemplo, el de predicción de modelos de tráfico, filtrado de candidaturas, detección de ciberataques, etc.

La aplicación de la tecnología puede tener muchos ámbitos y es decisión de las personas hacerlo o no, al igual que hace miles de años un grupo de humanos decidió usar el fuego y otros, en cambio, no vieron su utilidad. Pero de lo que no hay duda, es que hoy tenemos delante de nosotros muchas opciones de futuro que poner en práctica.

Hemos oído muchas veces la frase «El futuro ya está aquí», sin embargo, a mí me gusta más la frase: «El futuro puede ser lo que estamos haciendo ahora, aquí».

Rafael Higuera MenéndezDevOps Responsable Sistemas de Peaje