La inteligencia artificial profunda

La inteligencia artificial profunda
Con la inteligencia artificial (IA), te mostramos las bases de la especialidad con más resultados en la actualidad configurada en torno al deep learning

El objetivo mítico de construir máquinas inteligentes creció con fuerza en las agendas de los científicos desde la segunda mitad del siglo pasado. Con la evolución vertiginosa de la electrónica y el posterior desarrollo de procesadores se han dado pasos decisivos.

En la actualidad el desarrollo de la inteligencia artificial (IA) como disciplina autónoma vive una transición decisiva hacia estas metas. Ya se muestra un nivel suficiente para llevar soluciones concretas al público general y ocupar funciones antes reservadas para las mentes más brillantes.

También se ha llegado a un punto de madurez que permite un despliegue práctico de especialidades autónomas, entre ellas suena con fuerza el deep learning.

Las bases del deep learning

La inteligencia artificial como disciplina científica atiende a múltiples objetivos que dividen el campo de conocimiento en áreas más o menos autónomas. El reconocimiento de objetos tridimensionales tiene poco que ver con los problemas planteados por la traducción automática. Pero en ambos casos se hace uso de algoritmos derivados de años de trabajos en este ámbito científico.

Desde los comienzos de la inteligencia artificial aparecieron dos orientaciones fundamentales en este campo. Una pretendía abordar las bases materiales y lógicas de la consciencia. Es decir, una simulación mecánica y completa del pensamiento humano racional. La otra orientación buscaba abordar problemas concretos para darles en cada caso una solución derivada del tratamiento automatizado de datos.

No hace falta explicar que la segunda orientación es la que tiene más aplicaciones tecnológicas reales en funcionamiento. La creación de robots que imiten de alguna forma la mente humana aún queda lejos. Pero otra cosa es abordar problemas donde la realidad puede desmenuzarse en datos tratables numéricamente.

El machine learning imita un juego de ensayos dentro de un sistema cerrado bien parametrizable. Con él busca correspondencias y relaciones que permitan predecir un resultado futuro. Trabaja con árboles de decisión, aplica la programación lógica inductiva y cualquier técnica efectiva para leer, clasificar y categorizar masas considerables de datos.

En estas técnicas hay una economía de recursos de computación. Se busca maximizar los resultados con un mínimo de carga de proceso y tiempo de ejecución. Los algoritmos que forman parte de cuerpo de conocimientos de estas especialidades pretenden que un sistema encuentre por sí mismo correspondencias generadoras de nuevas relaciones o dependencias.

El deep learning es una subespecialidad de desarrollo mucho más reciente, pues tiene una consistencia teórica desde 2010. La especificidad de esta orientación es no guiar al sistema con complejos sistemas de algoritmos. Se parte de modelos más sencillos que se aplican a un caso real para imitar su funcionamiento.

En el caso de un juego de mesa de ejecución compleja como el ajedrez en la aplicación de deep learning no se le dan instrucciones. Se busca producir ventajas en el juego que aproximen una victoria. Para ello, se siguen las reglas del juego y por fuerza bruta de ensayos el sistema crea sus propias reglas o criterios para buscar las jugadas maestras. Los buenos resultados en este y otros casos prácticos hacen que se ensaye en multitud de problemas presentados en la vida real.

El modo habitual para producir modelos de decisión por patrones encontrados dentro del propio sistema se llama sistema de red neuronal. El propio nombre sugiere la fuente de inspiración que se emplea como esquema básico: el sistema nervioso. Sin embargo, ese punto de encuentro tiene una implementación propia para cada problema que se plantea.

Utilidades y principales usos del deep learning

Un ejemplo muy prometedor de deep learning fue el experimentado por Google con AlphaZero. Se trata de un sistema informático de gran envergadura en cuanto a hardware que pretende enseñar a jugar al ajedrez en horas a la máquina al máximo nivel.

Las capacidades adquiridas por el sistema con esta tecnología fueron sometidas después al enfrentamiento con un programa convencional en su concepción, pero de gran rendimiento, el Stockfish.

Las pruebas realizadas a finales del 2017 han sido más que positivas, las capacidades adquiridas por deep learning superaron con brillantez a las dadas por grandes equipos de programadores al programa comercial citado.

Las áreas de la ciencia donde esta especialidad de la inteligencia artificial resulta más interesante son las siguientes:

  1. En biología molecular el análisis estructural de proteínas.
  2. Gestión de activos y carteras en mercados financieros.
  3. Estudios de mecánica de fluidos en ingeniería aeronáutica.
  4. Descubrimiento de patrones patológicos en imágenes tomadas por sistemas de resonancia magnética.
  5. Estudios climáticos y de climatología histórica.
  6. Producción de nuevos materiales y nanotecnología.
  7. Resolución de conjeturas y problemas matemáticos.
  8. Pruebas de seguridad con algoritmos de criptografía.
  9. Cosmología y modelos de la estructura de la materia.
  10. Investigación genética.

El proyecto de biblioteca de código abierto de TensorFlow para aprendizaje automático muestra el interés dirigido hacia estos ámbitos. Hay una confluencia en ver una salida a problemas aparentemente irresolubles desde distintos campos del conocimiento.

Dificultades actuales en la aplicación del deep learning

Las técnicas más productivas en inteligencia artificial requieren una alta capacidad de procesamiento de datos. Suelen ejecutarse las pruebas en máquinas diseñadas a la medida del experimento que se quiera lleva a cabo. Esto deja en manos casi exclusivas de las grandes compañías tecnológicas las posibilidades de alcanzar metas con algún impacto económico y social.

Con todo, la cultura científica adquiere nuevas herramientas para atender sus objetivos más inmediatos. También es innegable que los resultados terminan por formar parte de la vida social con servicios y productos especiales en alguna fase de su concepción o producción.

La confluencia de disciplinas como con el big data facilita dividir en pasos intermedios los altos requerimientos actuales para problemas clásicos. Los marcos de referencia como Hadoop o Spark facilitan el manejo de volúmenes considerables de información en medios diversos.

La colaboración entre diferentes tecnologías es de máxima importancia cuando los científicos se mueven en las fronteras de la ciencia. Los frutos esperados marcarán los próximos años con una nueva revolución científica que hará de la información la principal materia prima del mundo.

La meta de alcanzar la percepción humana

Los éxitos parciales con el deep learning han abierto de nuevo la posibilidad teórica de simular en máquinas la forma del entendimiento humano. Se desconoce por completo el grado de dificultad siquiera de esta meta todavía lejana. Pero es una medida del nivel alcanzado en la actualidad.

Como hito importante se cita la hazaña protagonizada en 2012 por el equipo dirigido por Andrew Ng al distinguir a un gato en un conjunto de diez millones de ficheros de vídeo. Habilidades como esta estarán al alcance de millones de sistemas repartidos por todos los países del mundo.

La seguridad y el control de las redes sociales frente a los usuarios con comportamiento poco ético pasa por una revisión de la información que llega a ellas. La construcción de sistemas inteligentes facilitaría desprenderse de los efectos más negativos en estos instrumentos para la participación ciudadana.

El etiquetado de imágenes solo se puede realizar automáticamente por el reconocimiento de las figuras que en ellas se presentan. Lo mismo para la información escrita que figure en archivos con configuración de imagen. Estas operaciones son básicas para detectar a los trolls y ponerles medidas coercitivas para impedir sus actuaciones.

Las aplicaciones directas de las tecnologías de inteligencia artificial se construyen mayoritariamente por necesidades nuevas. Singularmente con nacidas por la intervención de la tecnología en la sociedad. Pero solo estamos ante los inicios de un gran cambio. La producción científica y la energía para nuevos avances contarán con el apoyo inestimable de estas tecnologías en un ciclo al que no se le adivina el fin.

Como conclusión

La inteligencia artificial se encuentra en un momento de madurez que le otorga un gran papel como factor directo de producción. Los cambios sociales y económicos que se derivarán son difíciles de prever. En esta dinámica el deep learning es una de las orientaciones más fructíferas. En poco más de ocho años ha demostrado una gran capacidad para atacar problemas inabordables con otros medios.

Una dificultad actual de difícil abordaje para la inteligencia artificial es la traducción automática. El último paso con el que las máquinas podrían comprender sin ambigüedades las ordenes escritas o verbales humanas. La complejidad de nuevas redes neurales con la participación de alguna nueva técnica quizás permita que las máquinas puedan comunicarse con lenguaje humano.

La percepción humana es la antesala necesaria para generar pensamiento en lenguaje simbólico. Trasladar esta capacidad humana a una máquina no es sencillo ni se sabe si se puede realizar de forma indistinguible. Pero los modelos deep learning cuando intentan reproducir a escala un sistema nervioso solo se sirven de un modelo de base.

La inteligencia artificial está llamada a hacerse presente en todos los aspectos de la vida humana. Desde la educación a la conquista del espacio cualquier dimensión de la realidad tiene una cita con este instrumento tecnológico. Es aconsejable estar atentos a las noticias que acompañarán en este terreno las últimas innovaciones. Lo justifica que tienen entidad suficiente para transformar completamente el mundo que conocemos.

imagen

La página web www.cerem.es utiliza cookies para mejorar los servicios ofrecidos. Si continúa navegando, consideramos que acepta su uso e instalación. Para más información haga click aquí.

Subir