Machine learning

Definición

El ‘machine learning’ –aprendizaje automático– es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello. A través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos y elaborar predicciones (análisis predictivo). Esta presente en aplicaciones como Netflix o Spotify, en las respuestas inteligentes de Gmail o en el habla de Siri o Alexa.

Nacimiento del Machine learning

La estadística o el análisis predictivo es la base fundamental del aprendizaje automático, la cual, consiste en una serie de algoritmos capaces de analizar grandes cantidades de datos para deducir cuál es el resultado más óptimo para un determinado problema.

Otros hitos matemáticos que sentaron las bases de esta tecnología fueron:

• El Teorema de Bayes (1812): Definió la probabilidad de que un evento ocurra basándose en el conocimiento de las condiciones previas que pudieran estar relacionadas con dicho evento.
• Los fundamentos o base de la programación informática (1940): Hizo capaz la traducción de una serie de instrucciones en acciones ejecutables por un ordenador. En base a este precedente, en 1950 el matemático Alan Turing se planteó por primera vez la pregunta de si es posible que las máquinas puedan pensar, con la que plantó la semilla de la creación de computadoras de ‘inteligencia artificial’. Computadoras capaces de replicar de forma autónoma tareas típicamente humanas, como la escritura o el reconocimiento de imágenes.
• La investigación de cómo aplicar la biología de las redes neuronales del cerebro humano para tratar de crear las primeras máquinas inteligentes(entre las décadas de 1950 y 1960): La idea derivó en la creación de las redes neuronales artificiales, un modelo computacional inspirado en la forma en que las neuronas transmiten la información entre ellas a través de una red de nodos interconectados.

Primer Machine learning

Uno de los primeros experimentos en este sentido lo realizaron Marvin Minksy y Dean Edmonds, científicos del Instituto Tecnológico de Massachussets (MIT). Ambos lograron crear un programa informático capaz de aprender de la experiencia para salir de un laberinto. Esta fue la primera máquina capaz de aprender por sí misma a resolver una tarea sin haber sido programada para ello de forma explícita, sino que lo hacía tan solo aprendiendo a partir de los ejemplos proporcionados inicialmente. El logro significó un cambio de paradigma respecto al concepto más amplio de inteligencia artificial.

Primer invierno de la inteligencia artificial

A pesar del éxito del experimento, el logro también ponía de manifiesto los límites que la tecnología tenía por entonces: la falta de disponibilidad de datos y la falta de potencia de cómputo de la época hacían que estos sistemas no tuvieran la capacidad suficiente para resolver problemas complejos. Esto derivó en la llegada del llamado ‘primer invierno de la inteligencia artificial’, una serie de décadas durante las cuales la falta de resultados y avances hizo que el mundo académico perdiera esperanza respecto a esta disciplina.

Resurgimiento del Machine learning

El panorama empezó a cambiar a finales del siglo XX, con la llegada de internet, las cantidades masivas de información disponibles para entrenar los modelos y el aumento de la potencia de cálculo de los ordenadores. En 1997 el sistema de IBM Deep Blue, entrenado a base de ver miles de partidas exitosas de ajedrez, logró derrotar al máximo campeón mundial de este juego, Garry Kasparov. El logro fue posible gracias al ‘deep learning’ o aprendizaje profundo, una subcategoría del ‘machine learning’ descrita por primera vez en 1960, que permite que los sistemas no solo aprendan de la experiencia, sino que sean capaces de entrenarse a sí mismas para hacerlo cada vez mejor usando los datos.

Machine learning en la actualidad

En la actualidad, para entrenar los modelos de machine learning se emplea una de las tres grandes corrientes:

• El ‘aprendizaje por refuerzo’: se produce cuando una máquina aprende por medio de prueba y error hasta alcanzar la mejor manera de completar una tarea dada.

Por ejemplo, Microsoft utiliza esta técnica en entornos de juego como Minecraft para ver cómo los ‘agentes de software’ mejoran su trabajo. A través de ella el sistema aprende a modificar su conducta a base de “recompensas” para que resuelva la tarea asignada, sin programarlo específicamente para que lo realice de una forma determinada.

• El ‘aprendizaje supervisado’: se produce cuando se entrena a las máquinas con datos etiquetados.

Por ejemplo, fotos con descripciones de los elementos que aparecen en ellas. El algoritmo que utiliza la máquina es capaz de seleccionar esas etiquetas en otras bases de datos. Así, si se ha etiquetado un grupo de imágenes en las que se muestran perros, la máquina puede identificar imágenes similares.

• El ‘aprendizaje no supervisado’: las máquinas no identifican patrones en bases de datos etiquetados, sino que buscan similitudes. En este caso, los algoritmos no están programados para detectar un tipo específico de datos, como ocurría con las imágenes de perros, sino que buscan ejemplos que se parezcan y puedan agrupar.

Un ejemplo es el caso del reconocimiento facial, en el que el algoritmo no busca unos rasgos concretos, sino una serie de patrones comunes que le ‘dicen’ que se trata del mismo rostro.

La flexibilidad y capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema y aprender de las propias acciones del modelo hace que las posibilidades del ‘machine learning’ sean virtualmente infinitas mientras existan datos disponibles de los que aprender, y algunos investigadores están incluso poniendo a prueba los límites de lo que llamamos creatividad, empleando esta tecnología para hacer arte (pinturas creadas por robots) o escribir artículos(Una máquina que sabe escribir).

Posibles aplicaciones futuras al aspecto musical

Si bien, hoy en día existen aplicaciones, como Spotify o Youtube, con algoritmos capaces de crear listas de reproducción en base a lo que solemos escuchar o ver como usuarios, existe la posibilidad de que la inteligencia artificial en un futuro comprenda, aprenda y tenga en cuenta las emociones humanas a la hora de crear las listas . Según Yuval Harari esto sería posible ya que las emociones son el resultado de un proceso bioquímico. Y como tal, no es extraño pensar en la posibilidad que "un algoritmo de aprendizaje automático quizá analice los datos biométricos que surjan de sensores situados sobre y dentro de nuestro cuerpo, determine nuestro tipo de personalidad y nuestros humores cambiantes y calcule el impacto emocional que es probable que una canción concreta (incluso un tono musical determinado) pueda tener en nosotros". El autor también afirma que:

"En el mundo moderno, el arte suele asociarse a las emociones humanas(...). En consecuencia, cuando nos decidimos a evaluar el arte, tendemos a juzgarlo por el impacto emocional que genera en la audiencia(...).¿qué podría ocurrir una vez que algoritmos externos sean capaces de comprender y manipular las emociones humanas mejor que Shakespeare, Frida Kahlo o Beyoncé?".

A pesar de lo anteriormente dicho, y al menos a corto plazo, es improbable que la IA y la robótica sustituyan a los humanos en tareas menos rutinarias que exijan el uso simultáneo de un amplio espectro de habilidades. Como por ejemplo en el cuidado a las personas, y en la creatividad. Segun el autor, estas ramas plantean obstáculos particularmente difíciles para la automatización. Pero esto no libra de la posibilidad de que ocurra en un futuro. Haciendo enfoque en el arte, Harari afirma que la creación musical seguirá en manos humanas o no dependiendo de la definición de arte.

"Si la belleza está verdaderamente en los oídos del oyente, y si el cliente siempre tiene razón, entonces los algoritmos biométricos disponen de la oportunidad de producir el mejor arte de la historia. Si el arte es algo más profundo que las emociones humanas y debe expresar una verdad más allá de nuestras vibraciones bioquímicas, los algoritmos biométricos no serán muy buenos artistas.".