¿Por qué la Inteligencia Artificial es la nueva electricidad?

Así como la electricidad revolucionó en su momento a la industria y a la sociedad, hoy hay quienes dicen que la IA está haciendo lo suyo y de forma exponencial. Este paralelismo lo propone Andrew Ng, co-fundador de Coursera y quien además lanzó hace poco Landing.ai, una nueva compañía con el foco puesto en  integración de la inteligencia artificial con la industria tradicional. En este post les invito a repasar algunos conceptos sobre la IA.

El concepto de IA no es nuevo, en la década de 1950 comenzaron a crear la noción de máquinas que pudieran emular la capacidad del cerebro humano para aprender cosas y realizar tareas, definida como la capacidad de las máquinas de exhibir una inteligencia humana.

A partir de la década de 1980 floreció un área dentro de IA, llamada Machine Learning, que mediante la creación de algoritmos estadísticos buscaba crear modelos para realizar tareas o predicciones en base a datos de ejemplos, y en base a la experiencia que iban ganando estos modelos, cada vez que se le aportaban nuevos datos de ejemplo.

Y a partir del 2010 surgen nuevas técnicas que usan redes neuronales, que inspiradas en las neuronas del cerebro humano, pueden, en cambio, procesar volúmenes gigantescos de datos para realizar predicciones u obtener patrones de estos datos, que sería imposible hacer con las capacidades del cerebro humano. Esto es lo que dentro del área de Machine Learning se conoce como Deep Learning y es lo que en los últimos años está teniendo un auge muy grande debido al éxito que se está teniendo en áreas como el procesamiento de imágenes (Computer Vision) y el procesamiento del lenguaje natural (PLN).

Cuando hace unos años nos dimos cuenta de que el uso de GPUs era 50 veces más rápido que las CPUs pudimos aplicar los algoritmos de redes neuronales a millones de datos que hoy podemos obtener. Estos dos factores, el poder de cómputo y la abundancia de datos que surgen a partir de la proliferación de sensores, son los elementos fundamentales que han disparado el desarrollo de IA a través de las técnicas de Deep Learning, y que conforman la IA actual.

Aprendizaje supervisado y no supervisado

Los problemas que se pueden solucionar mediante la aplicación de Machine Learning se pueden en dos tipos:

  • Aprendizaje supervisado
  • Aprendizaje no supervisado

Aprendizaje supervisado lo aplicamos cuando tenemos un conjunto de datos y sabemos por esos datos cuál es la respuesta correcta.

Un ejemplo de aprendizaje supervisado es lo que Facebook hace siempre que sugerimos identificar a alguien en una foto, así que nosotros, como usuarios, entrenamos y proporcionamos la información necesaria para que la precisión sea mejor cada vez.

En el caso del Aprendizaje no supervisado, lo que tenemos es un conjunto de datos, y lo que buscamos es extraer información de ellos, pero sin que nadie le diga al algoritmo lo que esperamos encontrar.

Un ejemplo claro de aprendizaje no supervisado fue lo que hizo Google con AlphaGo Zero.

Primero Google creó AlphaGo con técnicas de Deep Learning y lo entrenó para jugar al Go, que en el 2016 derrotó al campeón del mundo, Lee Sedol.

En el 2017 crearon AlphaGo Zero, sólo con la información de las reglas del juego, y se lo dejó entrenar a sí mismo durante pocos días y luego se lo puso a competir contra el antecesor y el resultado fue 100 victorias consecutivas de AlphaGo Zero contra ninguna de AlphaGo.

Un carrera por el dominio de la IA

Hoy nos encontramos con una carrera entre empresas y gobiernos para ver quién dominará el campo de la IA.

China se ha puesto como meta ser el líder mundial de acá al 2030. Empresas como Alibaba están invirtiendo mucho dinero y este año lograron superar en el test de comprensión lectora (creado por la universidad de Standford) a la capacidad humana en esta área. Distintas empresas del mundo de la tecnología están desarrollando algoritmos y técnicas que harán evolucionar el área de IA y sobre todo hoy nos disponibilizan estos modelos de IA para que podamos usarlos desde las aplicaciones que nosotros hacemos.

Actualmente el liderazgo en el campo de la IA está en disputa entre el sector privado de grandes empresas de tecnología (que en su mayoría tienen base en USA) y por otro lado el gobierno de China que se ha puesto como meta ser líder en esta área. Desde Europa, el presidente de Francia hizo declaraciones, recientemente, sobre el rol que jugará su país en el desarrollo de IA en el continente, y si bien no tienen claro cómo regular todo esto claramente prefiere seguir el tema de cerca que ver pasar este tren de nuevas oportunidades. (Source: https://www.wired.com/story/emmanuel-macron-talks-to-wired-about-frances-ai-strategy/ ).

¿Dónde podemos aplicar Machine Learning?

Los diferentes algoritmos y técnicas de Machine Learning nos han abierto una infinidad de aplicaciones prácticas de esta tecnología.

En el área de la salud ya se está usando la capacidad de reconocimiento de imágenes para analizar tomografías y otros elementos digitales de la medicina para ayudar en el diagnóstico de tumores.

En el área de entretenimiento, como usuarios cada vez más nos dejamos influenciar por las recomendaciones que nos hacen sitios como Netflix, Amazon, iTunes o Spotify, los cuales tienen mucho más claro que antes nuestros gustos por la música y películas.

En el área de la industria, hoy se están usando sistemas de detección de anomalías en las líneas de producción lo cual permite automatizar el control de calidad en el momento mismo que el producto se está produciendo. Simplemente a través del reconocimiento de imágenes se puede detectar anomalías en la línea de producción de forma automática.

Otro ejemplo de IA que hoy en día aplica técnicas que permiten ir evaluando datos en tiempo real y van tomando decisiones en base a las situaciones que se le van presentando son los automóviles que se conducen automáticamente. Por ejemplo, estos autos a través de sensores observan la velocidad y dirección de los otros automóviles, dado que esto no es posible hacerlo sólo en un momento dado , tienen que tener la capacidad de monitorear estos datos a lo largo del tiempo mientras van circulando.

Estas observaciones del mundo son agregadas a las representaciones pre programadas del automóvil, que además incluyen las señales y marcas de la ruta, los semáforos, los peatones y todo los elementos que son relevantes para la conducción como las curvas y forma de la ruta. Toda esta información que le llega al automóvil se va procesando en tiempo real y se va procesando para tomar decisiones de cuándo debe cambiar de pista para evitar un choque o simplemente para rebasar otro automóvil.

Los asistentes virtuales que hoy tenemos integrados en nuestros smartphones son otro ejemplo de uso. Hoy cuentan con la capacidad de procesar el lenguaje natural y de esta forma entender las órdenes que le damos para buscar información o ejecutar acciones dentro del smartphone.

Estos son algunos pocos ejemplos del tipo de cosas que podemos hacer para integrar estos algoritmos de IA en las industrias tradicionales o también de cómo vienen surgiendo nuevos inventos alrededor del uso de estas nuevas técnicas.

Para terminar quiero dejarles plateada una invitación: en GeneXus hemos estado investigando y preparándonos para integrar estas plataformas de IA de forma de facilitar el uso de las mismas, en las aplicaciones web o móviles que podemos desarrollar con GeneXus. Y para desarrollar nuestra tecnología siempre nos basamos en casos reales y prácticos, y es por esto que estamos abiertos a escuchar sobre proyectos donde podamos aplicar este tipo de tecnología y en los cuales podamos ayudar a desarrollarlos y realizarlos en una modalidad de co-innovación.

¡Seamos nosotros quienes encontremos formas de aplicar esta nueva electricidad que hoy en día nos ofrece el campo de Machine Learning!

Leave a Reply

%d bloggers like this:
search previous next tag category expand menu location phone mail time cart zoom edit close