Inteligencia Artificial que crea Inteligencia Artificial




Muchos piensan que el futuro de la industria de la tecnología está en la creación de tecnología de Inteligencia Artificial (IA) que extraiga a los humanos de la construcción de sistemas de Inteligencia Artificial. Nos referimos a máquinas de IA que pueden construir otras máquinas de IA, esencialmente computadoras que inventarán algoritmos para los humanos.

Las estimaciones indican que solamente unas 10.000 personas a nivel global tienen la educación, experiencia y talento necesarios para construir los algoritmos matemáticos complejos y en ocasiones misteriosos que proveerán el impulso para desarrollar esta nueva clase de IA. Esta escasez no desaparecerá rápidamente, ya que desarrollar estas habilidades toma años de dedicación. Aprovechamos algunos ejemplos para demostrar el avance en este campo.

Un ejemplo: AlphaGo
Para los investigadores de IA el ajedrez y juego chino Go han representado retos importantes. La computadora Deep Blue de IBM derrotó a Garry Kasparov en 1.997 y hasta muy recientemente la complejidad de Go la había hecho resistente al avance de la máquina. Pero la victoria de AlphaGo fue una demostración inequívoca del poder de Aprendizaje-de-Máquina en IA, la cual busca lograr que las computadoras se auto-enseñen tareas complicadas. AlphaGo aprendió a jugar Go a través del estudio de miles de juegos entre expertos humanos, extrayendo reglas y estrategias y luego refinándolas en millones de juegos que la computadora jugó consigo misma.

Una versión mejorada: AlphaGo Zero
AlphaGo Zero es la nueva versión de AlphaGo y ha sido diseñada para evitar totalmente la fase de entrenamiento. El programa comienza solo con las reglas del juego y con una “función de premiación”, la cual asigna un punto por una victoria y resta un punto por una derrota. Entonces el programa procede a jugar contra otras versiones de si misma, sujeto exclusivamente a una restricción: maximizar sus premios a través del mayor número de victorias.

Redes Neurales
Las Redes Neurales Computacionales, sistemas computacionales inspirados en las redes neurales del ser humano, están acelerando rápidamente el desarrollo de IA. Con ellas, en lugar de construir un servicio de reconocimiento de imágenes o de traducción de idiomas a mano, una línea de código a la vez, los ingenieros pueden más rápidamente construir un algoritmo que aprende tareas por si misma. Desarrollar una red neural requiere considerables habilidades matemáticas, extremas aproximaciones de prueba-y-error y una buena cantidad de intuición.

En la construcción de una red neural, los investigadores procesan docenas e incluso centenares de experimentos a través de una amplia red de máquinas, probando que tan bien un algoritmo puede aprender una tarea. En el proceso, que ya se identifica como “una nueva forma de programación”, se procede a ajustar partes del algoritmo una y otra vez hasta que encuentran algo que funcione.

Otro ejemplo: AutoML
Google, con su proyecto AutoML está tratando de automatizar este proceso que se ejecuta a través de redes neurales. AutoML ya es capaz de construir algoritmos que, en algunos casos, identifican fotos con más precisión que los servicios construidos exclusivamente por expertos humanos. Este mismo método funcionará bien para otras tareas, como reconocimiento de voz o traducción de máquina. Los expertos denominan esto “aprendiendo a aprender” o “meta-aprendizaje”. AutoML es un algoritmo de Aprendizaje-de-Máquina que aprende a construir otros algoritmos de Aprendizaje-de-Máquina.

Posibles consecuencias
Un algoritmo que puede aprender sin una guía humana significa que a la máquina se le pueden proponer problemas que la gente no sabe como resolver, algunos muy clásicos y complejos como el de las proteínas se doblan en su forma final en formas funcionales, prediciendo cuáles moléculas pueden ser prometedoras en la medicina o simulando en forma precisa las reacciones químicas.

Entradas populares