Beruflich Dokumente
Kultur Dokumente
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.
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.
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.
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.
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..
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.
1967 Se escribe el algoritmo Nearest Neighbor. Este hito est considerado como el
nacimiento al campo del reconocimiento de patrones (pattern recognition) en computadores.
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.
1997 El ordenador Deep Blue, de IBM vence al campen mundial de ajedrez Gary
Kasprov.
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.
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.
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.