Por qu se desarroll?

conocimientos previos

Comentan que Picasso una vez dijo que las computadoras le parecan intiles, ya que slo
nos ofrecan respuestas. De eso hace ya bastante. Es posible que si Picasso viviera en este
siglo, tal vez ya no pudiera decir lo mismo, sobre todo en esta dcada donde un movimiento
de impredecibles consecuencias para nuestra sociedad relacionado con un planteamiento
diferente en la construccin de nuestra tecnologa comienza poco a poco a formar parte de
nosotros aunque, tal vez a priori, no seamos conscientes.

Segn el profesor Pedro Domingos (uno de los ms importantes y reconocidos

investigadores en Computer Science y autor del libro The Master Algorithm) se estn
empezando a crear sistemas donde no slo nos estn dando exclusivamente
respuestas sino que estn comenzando por s mismos a realizar las preguntas
inteligentes y adecuadas.
Ciertamente un cambio de paradigma que se est consiguiendo gracias a una profunda,
importante y silenciosa revolucin: la que estn llevando a cabo los sistemas y
aplicaciones nacidos gracias a las tcnicas y herramientas como Machine Learning.
'Blade runner ' (.)
Es Machine Learning Inteligencia Artificial?
Todos hemos odo hablar en mayor o menor medida el trmino y, aunque suele encuadrarse
dentro de Inteligencia Artificial (IA), tanto IA como Machine Learning son dos cosas
diferentes aunque estn relacionadas.Machine Learning es una herramienta necesaria
para ayudar a que un sistema sea inteligente, ya que sin aprendizaje no cabe esta
posibilidad.
La Inteligencia Artificial tiene que ver, sin embargo, con una larga aspiracin cientfica
de crear un sistema que emule al ser humano y las cualidades que le son inherentes:
pensar, razonar, reflexionar, comprender, entender el mundo a travs de la propia
experiencia y aprendizaje, crear, emocionarse, empatizar, sentir, ver, comunicarse, etc. En
definitiva, tiene que ver con la creacin de un sistema que posea conciencia de s
mismo y del mundo que le rodea. De tal manera que, en teora, y hasta el momento (o bien
en nuestro imaginario popular va ciencia ficcin) un e-humano no podra diferenciarse de
un humano o sera muy difcil distinguirlos (como los Andys de la icnica novela de
Philip K. Dick y posteriormente versionada en la mtica Blade Runner).
Un sistema que emule al ser humano: pensar, razonar, reflexionar, comprender, entender el
mundo a travs de la propia experiencia y aprendizaje

En 1950 Turing en su The Imitation Game ya nos propona una interesante cuestin:
Pueden pensar las mquinas? y se preguntaba si esta nueva pregunta que propona
mercera la pena ser investigada. Hoy nadie duda de la respuesta.
Muy lejos an, el alcanzar ese estado en nuestra tecnologa de crear un sistema con las
mismas cualidades que un ser humano, hoy en da las vas de investigacin abiertas por la
generacin de sistemas que posean Machine Learning tanto en ciencia, como por aquellas
empresas que lideran el mapa tecnolgico global, nos van a facilitar que ocurra ese
momento. Cundo? Acabamos de empezar.

Buscar patrones, convertir datos en predicciones, proyectando as en el futuro el pasado y el

presente: ese es el fin del Machine Learning. Y con eso se abren infinitas vas en todas las
disciplinas posibles.

Estamos hablando de crear sistemas que van a ayudarnos a tomar decisiones

inteligentes de manera automatizada y eficiente, basados en experiencia y datos reales. En
definitiva, herramientas orientadas a mejorar nuestras capacidades y potenciarlas, que
adems ya han comenzado a formar parte invisiblemente de nuestra cotidianidad.
Transformar datos en conocimiento
Cuantos ms datos mejor, el dato es su ingrediente primordial junto, por supuesto, con los
algoritmos, ya que sin ellos no se entendera que es lo que lleva un dato A convertirse en un
resultado B y por tanto conocer el mecanismo para que otros datos A se vayan a convertir
en resultados B.

Algoritmos que se crean solos: de ah el cambio de paradigma. Estamos hablando de la

capacidad de la computadora para generar sus propios algoritmos en funcin de los datos y
de los resultados a los que queremos llegar.

Algoritmos que aprenden por s mismos y que tienen (en muchos de los casos aunque no
exclusivamente) como modelo de aprendizaje el cerebro humano, cuyo funcionamiento
es uno y de los ms importantes desafos a los que se enfrenta la ciencia nivel global. Como
resultado, aplicaciones basadas en tcnicas englobadas en una disciplina que ha venido en
denominarse Cognitive Computing como por ejemplo deep learning o los sistemas
basados en redes neuronales y que ya son reales y cotidianos ya que son usados por ejemplo
en los asistentes de voz que llevamos en nuestros smartphones.
Inteligencia artificial (ChrisGorgio - iStock)
El Machine Learning ya est en nuestras vidas
No cuesta imaginar que en los coches autnomos, donde miles de factores y datos son
recogidos en tiempo real y de la misma manera deben ser analizados, las decisiones deben
ser tomadas y ejecutadas de la misma manera que hara cualquier conductor. Complejo,
pero ya no es ciencia ficcin: coches que aprenden a conducir solos.

Pero ms all de los coches autnomos, ya casi al alcance de nuestra mano, la tecnologa
basada en machine learning poco a poco, de manera casi invisible, se est introduciendo en
nuestras vidas y la sociedad va asimilando y normalizando su uso sin que ello suponga
grandes esfuerzos porque si hay algo que hacen bien estos sistemas es tratar la complejidad,
mostrrnosla muchas veces de manera simple y comprensible.

Lo experimentamos cada da: en nuestras bsquedas en internet, en la posibilidad de hacer

traducciones al alcance de un click en casi cualquier idioma, cuando conducimos y nuestro
navegador nos presenta rutas alternativas si estamos atascados, buscando empleo, buscando
casa, en las redes sociales, etc. Ya hemos interiorizado que nos recomienden qu vieron
otros compradores en muchos comercios online y ayudarnos a decidirnos o sugerirnos
artculos que tal vez no conocamos y que el comercio sabe que nos podrn gustar y, por
tanto, susceptibles de ser comprados ayudando as a sus algoritmos a conocernos mejor y a
afinar algo ms en sus sugerencias la prxima vez que volvamos al site.

No est lejos el da en el que nos conozcan tanto que se anticipen antes de que ni nosotros
mismos lo hayamos pensado y nos ofrezcan eso que justamente estbamos necesitando y
an ni siquiera sabamos que necesitbamos.

Esto solo es el comienzo, pero en qu nos va ayudar a futuro? Qu oportunidades

nos presenta el Machine Learning?
Estamos en el comienzo de esta disciplina, pero su introduccin marcar hitos importantes
de gran impacto universal. Uno de ellos tendr, sin duda alguna, que ver con nuestro
bienestar y nuestra salud. De muchas y diferentes maneras.

Sistemas que detecten patrones de comportamiento en enfermedades hoy en da incurables

y que tanto dolor y sufrimiento producen no solo en quien las padece sino en su entorno
ms cercano. Patrones que servirn para decidir un tratamiento adecuado y efectivo,
ahorrando entre otros pruebas innecesarias y tiempos perdidos para todos: pacientes y
equipo mdico.

Sistemas que puedan elaborar de manera automatizada sus propias hiptesis a partir
de los datos ya existentes (sobre, por ejemplo, tumores) y analizar los resultados obtenidos
a partir de sus propias lneas de investigacin propuestas con tanta rapidez como permita en
ese momento la potencia de computacin: hiptesis que posteriormente sean validadas y
que nos faciliten el acceso a posibles curas y tratamientos hoy inaccesibles por diferentes
limitaciones, no solo recursos, sino tambin por nuestra propia condicin biolgica que de
alguna manera limita nuestra capacidad para comprender estos procesos de aparicin y
desarrollo de ciertas enfermedades incluso con las herramientas con las que contamos en la
actualidad.
Tecnologas como Machine Learning claramente van a contribuir a potenciar nuestras
capacidades en muchos de los mbitos del conocimiento humano y nos abrirn la
posibilidad de acceder a un nivel de profundidad acerca de ciertos fenmenos a los que no
hemos podido acceder an, pero que estn ah.

Hace casi cuatro siglos Newton formul la Ley de la Gravitacin Universal, que ha servido
de base para lanzar miles de satlites alrededor de la Tierra adems de para enviar misiones
espaciales ms all del sistema solar. La gravedad siempre estuvo ah Quin sabe a dnde
nos llevarn los descubrimientos del Machine Learning?

Primeros desarrolladores

Como miembros de la comunidad del Machine Learning es bueno que conozcamos la historia
del sector en el que trabajamos. Aunque actualmente estamos viviendo un autntico boom
del Machine Learning, este campo no siempre ha sido tan prolfico, alternando pocas de
altas expectativas y avances con inviernos donde sufra severos estancamientos.
Nacimiento [1952 1956]

1950 Alan Turing crea el Test de Turing para determinar si una mquina era realmente
inteligente. Para pasar el test, una mquina tena que ser capaz de engaar a un humano
hacindole creer que era humana en lugar de un computador..

1952 Arthur Samuel escribe el primer programa de ordenador capaz de aprender. El

software era un programa que jugaba a las damas y que mejoraba su juego partida tras partida.

1956 Martin Minsky y John McCarthy, con la ayuda de Claude Shannon y Nathan
Rochester, organizan la conferencia de Darthmouth de 1956, considerada como el evento
donde nace el campo de la Inteligencia Artificial. Durante la conferencia, Minsky convence
a los asistentes para acuar el trmino Artificial Intelligence como nombre del nuevo
campo.

1958 Frank Rosenblatt disea el Perceptrn, la primera red neuronal artificial.

Primer Invierno de la IA (AI-Winter) [1974 1980]

En la segunda mitad de la dcada de los 70 el campo sufri su primer Invierno. Diferentes

agencias que financian la investigacin en IA cortan los fondos tras numerosos aos de altas
expectativas y muy pocos avances.

1979 Estudiantes de la Universidad de Stanford inventan el Stanford Cart, un robot

mvil capaz de moverse autnomamente por una habitacin evitando obstculos.

1967 Se escribe el algoritmo Nearest Neighbor. Este hito est considerado como el
nacimiento al campo del reconocimiento de patrones (pattern recognition) en computadores.

La explosin de los 80 [1980 1987]

Los aos 80 estuvieron marcados por el nacimiento de los sistemas expertos, basados en
reglas. Estos fueron rpidamente adoptados en el sector corporativo, lo que gener un nuevo
inters en Machine Learning.

1981 Gerald Dejong introduce el concepto Explanation Based Learning (EBL), donde
un computador analiza datos de entrenamiento y crea reglas generales que le permiten
descartar los datos menos importantes.

1985 Terry Sejnowski inventa NetTalk, que aprende a pronunciar palabras de la misma
manera que lo hara un nio.
Segundo AI Winter [1987 1993]

A finales de los 80, y durante la primera mitad de los 90, lleg el segundo Invierno de la
Inteligencia Artificial. Esta vez sus efectos se extendieron durante muchos aos y la
reputacin del campo no se recuper del todo hasta entrados los 2000.

1990s El trabajo en Machine Learning gira desde un enfoque orientado al conocimiento

(knowledge-driven) hacia uno orientado al dato (data-driven). Los cientficos comienzan a
crear programas que analizan grandes cantidades de datos y extraen conclusiones de los
resultados.

1997 El ordenador Deep Blue, de IBM vence al campen mundial de ajedrez Gary
Kasprov.

Explosin y adopcin comercial [2006-Actualidad]

El aumento de la potencia de clculo junto con la gran abundancia de datos disponibles han
vuelto a lanzar el campo de Machine Learning. Numerosas empresas estn transformando
sus negocios hacia el dato y estn incorporando tcnicas de Machine Learning en sus
procesos, productos y servicios para obtener ventajas competitivas sobre la competencia.

2006 Geoffrey Hinton acua el trmino Deep Learning (Aprendizaje Profundo) para
explicar nuevas arquitecturas de Redes Neuronales profundas que son capaces de aprender
mucho mejor modelos ms planos.

2011 El ordenador Watson de IBM vence a sus competidores humanos en el concurso

Jeopardy que consiste en contestar preguntas formuladas en lenguaje natural.

2012 Jeff Dean, de Google, con la ayuda de Andrew Ng (Universidad de Stanford), lideran
el proyecto GoogleBrain, que desarrolla una Red Neuronal Profunda utilizando toda la
capacidad de la infraestructura de Google para detectar patrones en vdeos e imgenes.

2012 Geoffrey Hinton lidera el equipo ganador del concurso de Visin por Computador a
Imagenet utilizando una Red Neuronal Profunda (RNP). El equipo venci por un amplio
margen de diferencia, dando nacimiento a la actual explosin de Machine Learning basado
en RNPs.

2012 El laboratorio de investigacin Google X utiliza GoogleBrain para analizar

autnomamente vdeos de Youtube y detectar aquellos que contienen gatos.

2014 Facebook desarrolla DeepFace, un algoritmo basado en RNPs que es capaz de

reconocer a personas con la misma precisin que un ser humano.
2014 Google compra DeepMind, una startup inglesa de Deep Learning que recientemente
haba demostrado las capacidades de las Redes Neuronales Profundas con un algoritmo capaz
de jugar a juegos de Atari simplemente viendo los pxeles de la pantalla, tal y como lo hara
una persona. El algoritmo, tras unas horas de entrenamiento, era capaz de batir a humanos
expertos en algunos de esos juegos.

2015 Amazon lanza su propia plataforma de Machine Learning.

2015 Microsoft crea el Distributed Machine Learning Toolkit, que permite la

distribucin eficiente de problemas de machine learning en mltiples computadores.

2015 Elon Musk y Sam Altman, entre otros, fundan la organizacin sin nimo de lucro
OpenAI, dotndola de 1000 Millones de dlares con el objetivo de asegurar que el desarrollo
de la Inteligencia Artificial tenga un impacto positivo en la humanidad.

2016 Google DeepMind vence en el juego Go (considerado uno de los juegos de mesa ms
complicados) al jugador profesional Lee Sedol por 5 partidas a 1. Jugadores expertos de Go
afirman que el algoritmo fue capaz de realizar movimientos creativos que no se haban
visto hasta el momento.

A fecha de hoy estamos viviendo una tercera explosin de la inteligencia artificial. Aunque
existen escpticos que no descartan un posible tercer invierno, esta vez los avances del sector
estn encontrando aplicabilidad en empresas hasta el punto de crear mercados enteros y
producir cambios significativos en la estrategia de grandes y pequeas empresas.

La gran disponibilidad de datos parece ser el fuel que est alimentando los motores de los
algoritmos que, a su vez, han roto las limitaciones de clculo que existan antes de la
computacin distribuida. Todo parece indicar que seguiremos disponiendo de ms y ms
datos con los que alimentar nuestros algoritmos mientras que la comunidad cientfica no
parece quedarse sin ideas con las que seguir avanzando en el campo. 2017 y los prximos
aos prometen ser realmente frenticos.