Inteligencia Artificial – Derrumbando el Mito | Artículo

¡Tome nota!

Inteligencia Artificial – Derrumbando el Mito.

INICIOS DE LA INTELIGENCIA ARTIFICIAL.

A saber, la primera declaración fundacional del término inteligencia artificial (IA en adelante) tuvo lugar en 1956 en un taller realizado en el Dartmouth College, una universidad estadounidense de la Ivy League, bajo la conjetura de que cada aspecto del aprendizaje o cualquier otra característica de la inteligencia puede, en principio, ser descrito con tanta precisión que puede fabricarse una máquina para simularlo (McCarthy, 1955). Luego con el pasar de las décadas, la IA evolucionaría de forma esporádica presentando épocas de considerable auge y otras de limitado avance.

¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?

Como hemos mencionado en el párrafo anterior, la evolución de la IA ha tenido períodos de desarrollo con altas y bajas. Por tal razón, muchas han sido las definiciones que con el devenir de los tiempos se han ensayado alrededor de ella, las mismas que han sido actualizadas, recortadas, combinadas y hasta extrapoladas a otros campos de conocimiento. Sin embargo, por su pragmatismo y profundidad nos hemos inclinado por la visión de Zhong quien define a la IA como: una parte de la ciencia y la tecnología modernas que tiene como objetivo, por un lado, la exploración de los secretos de la inteligencia humana y, por otro, la transferencia de la inteligencia humana a las máquinas, en la medida de lo posible, de modo tal que las máquinas sean capaces de realizar funciones tan inteligentemente como los humanos (Zhong, 2006).

Por su parte, la Comisión Mundial de Ética del Conocimiento Científico y la Tecnología (COMEST) de la UNESCO describe la IA como algo que implica: máquinas capaces de imitar ciertas funcionalidades de la inteligencia humana, incluyendo características como la percepción, el aprendizaje, el razonamiento, la resolución de problemas, la interacción lingüística e incluso la producción de trabajos creativos (COMEST, 2019). Como se puede apreciar entonces, existe una suerte de necesidad implícita por parte de diversos organismos institucionales y corporativos por delinear la naturaleza de la IA cuya razón -suponemos- está dirigida a hacerla más congruente con el sector que la promueve.

PRINCIPALES APLICACIONES DE LA INTELIGENCIA ARTIFICIAL.

Las aplicaciones prácticas de la IA despiertan mucho interés debido principalmente a qué en sus intentos por emular la inteligencia humana, se están volviendo cada vez más precisas, extensas e innovadoras. Sin embargo, si bien los avances en este campo son vertiginosos y prometedores, debemos tener cuidado y ser prudentes al momento de valorar su real alcance.

Por ejemplo, cuando se divulgan informaciones que apuntan a señalar que las herramientas de IA son actualmente “mejores” que los seres humanos; la realidad es que estas afirmaciones sólo son ciertas bajo ciertas circunstancias y en entornos restringidos; esto significa que fuera de estas condiciones ideales, mucha de la tecnología basada en IA aún es muy frágil e incluso inconsistente. En ese sentido Marcus y Davis afirman: si los datos se alteran sutilmente, por ejemplo, superponiendo un dato aleatorio a una imagen, la herramienta de IA puede fallar de forma grave (Marcus y Davis, 2019)

A continuación, mencionamos algunas de las principales áreas de aplicación de la IA que vienen proliferando con mayor énfasis en los últimos tiempos:

• Reconocimiento facial automático; para identificar pasajeros en los aeropuertos y/o rastrear criminales.
• Diagnóstico de imágenes médicas; para realizar escaneos cerebrales fetales. Escaneos de retina para diagnosticar diabetes, radiografías para la detección de tumores, entre otros.
• Previsión meteorológica; para realizar predicciones basadas en el análisis de grandes cantidades de datos meteorológicos.
• Procesos de negocios; como estudios de mercado, transacciones financieras en bolsa, gestión de clientes, fabricación autónoma, etc.
• Ciudades inteligentes; para mejorar la eficiencia y sostenibilidad de los entornos urbanos en interconexión con el Internet de las Cosas (IdC)
• Guerras automatizadas; aplicada al diseño de equipo militar capaces de funcionar sin intervención humana.
• Robots basados en IA; es decir máquinas físicas que emplean IA para interactuar con el mundo que los rodea.

¿QUÉ TÉCNICAS UTILIZA LA INTELIGENCIA ARTIFICIAL?

Tranquilos que no pretendemos ser exhaustivos en el tratamiento de este apartado, ya que para ello se requeriría contar con conocimientos elevados en matemáticas, estadísticas, codificación y otras ciencias de la información que escapan del alcance de este artículo. No obstante, consideramos necesario que nuestros lectores adviertan que en el desarrollo de la inteligencia artificial coexisten diferentes técnicas o enfoques que, según sus características, pueden realizar tareas de maneras diferentes. A continuación, describiremos brevemente algunas de estas técnicas o enfoques:

IA Basada en Reglas

Quizás es la técnica más antigua y consiste en establecer reglas de lógica condicional. Esta técnica se apoya en secuencias de instrucciones condicionales que instruyen al computador sobre que hacer frente a un caso específico. Un ejemplo clásico sería la secuencia: (SI … ENTONCES … SINO … FIN)

Otra práctica típica de esta técnica, puede ser encontrada en los denominados sistemas expertos, los cuales incluyen cientos de reglas de inferencia obtenidas de un almacén de datos (base de conocimientos) el mismo que alberga de manera estructurada el conocimiento de los usuarios expertos (de ahí su nombre).

Los sistemas expertos entonces, han sido diseñados para facilitar tareas en múltiples campos de aplicación y proporcionar equivalentes resultados que un especialista, emulando la capacidad humana de tomar decisiones de acuerdo a las condiciones del contexto. (Badaró, S., Ibañez, L. J., & Agüero, M. J., 2013)

Aunque la utilidad de los sistemas expertos ha sido comprobada en numerosos casos, el creciente número de reglas necesarias para su funcionamiento hace que este tipo de sistemas llegue a ser difícil de mantener. Seguidamente se muestra un esquema con los principales componentes de un sistema experto.

Aprendizaje Automático (AA)

Cuando nos referimos a tecnologías para el reconocimiento facial o vehículos autónomos, podemos decir que han sido posibles gracias a los nuevos enfoques computacionales basados en AA. A saber, el AA es un subcampo de la IA y fue definido en la década de 1950 por el pionero de las computadoras Arthur Samuel como: el campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente.

A diferencia de la IA basada en reglas, el AA analiza una gran cantidad de datos en busca de patrones que le permitan diseñar un modelo que luego es utilizado para realizar tres diferentes funciones según su aplicación: describir, predecir o prescribir valores presentes, futuros o probables respectivamente. Es debido a esta forma de procesar los datos, que se afirma que en el AA los algoritmos no están del todo programados, sino que, “aprenden”.

Asimismo, es importante mencionar que existen tres enfoques de AA: supervisado, no supervisado y de refuerzo. Tanto en el aprendizaje supervisado como en el no supervisado, el modelo resultante de los datos es fijo, pero si por alguna circunstancia este cambia, los datos también teniendo que realizar el análisis otra vez. No obstante, en el aprendizaje por refuerzo, se induce una mejora continua del modelo por medio de un proceso de retroalimentación, desde el cual, el modelo aprende y evoluciona de modo iterativo. La siguiente es una representación gráfica de los tres enfoques que forman parte del AA.

Un ejemplo de AA supervisado podría ser el reconocimiento de personas en fotografías. En este caso, el algoritmo utiliza datos (imágenes de personas) que ya han sido previamente identificadas y/o etiquetadas por humanos. El algoritmo entonces, relaciona los datos con las etiquetas para elaborar un modelo que pueda ser susceptible de ser aplicado a situaciones similares, por ejemplo, identificar personas en nuevas fotografías.

En el caso de un AA no supervisado, los datos que se procesan (por ejemplo, imágenes de rostros de gatos) no están etiquetados ni identificados previamente por humanos. Lo que hace el algoritmo es buscar patrones en miles de imágenes de rostros de gatos, y con esos patrones, construye un modelo que le permite identificar rostros de gatos. Es importante mencionar que el algoritmo no sabe que son gatos, solo identifica patrones para el cual fue instruido.

En el aprendizaje por refuerzo, como ya hemos mencionado, se induce una mejora continua del modelo por medio de un proceso de retroalimentación, desde el cual, el modelo aprende y evoluciona iterativamente. Por ejemplo, si un vehículo autónomo esquiva un obstáculo con éxito, el modelo que le permitió hacerlo es estimulado (reforzado), mejorando su habilidad para eludir obstáculos.

Para ir cerrando lo relacionado con el AA, es fundamental indicar que éste no se produce de forma autosuficiente. El algoritmo necesita aún de la intervención humana para actividades como: preparar los datos, instruir el algoritmo, analizar su funcionamiento, interpretar la información y valorar los resultados.

Redes Neuronales Artificiales (RNA)

Inspirada en las redes neuronales biológicas, las RNA trabajan con tres tipos de capas interconectadas de neuronas artificiales: una capa de entrada, una o más capas intermedias ocultas y una capa de salida que entrega el resultado. El algoritmo efectúa ponderaciones de las conexiones entre las neuronas las cuales se refinan en un proceso de aprendizaje por refuerzo y “retropropagación”, permitiendo a la RNA calcular los resultados de los nuevos datos.

Mas allá de su enorme capacidad para la predicción de datos, las RNA poseen una limitante bastante relevante. No es posible conocer los fundamentos que la llevaron a una determinada conclusión, decisión o solución. Al respecto, Andrew Burt afirma: “generar más información sobre las decisiones de la IA podría crear beneficios reales, [pero] también podría crear nuevos riesgos” (Burt, 2019). A continuación, se muestra el esquema de una RNA.

A manera de ejemplo, el 9 de marzo del 2016 una RNA se hizo bastante popular. Nos referimos a la RNA de Google llamada AlphaGo la cual logró vencer al mejor jugador del mundo en el juego Go, el chino Lee Sedol. A continuación, un extracto en video de la competencia.

Aprendizaje Profundo (AP)

A manera de interpretación práctica podríamos decir que se concentra en el desarrollo de RNA de múltiples capas intermedias, esto debido a que, entre sus modelos se encuentran las Redes Neuronales Profundas (RNP) orientadas al desarrollo de operaciones matemáticas complejas, las Redes Neuronales Recurrentes (RNR) utilizadas para el modelado del lenguaje, las Redes Neuronales Convolucionales (RNC) capaces de procesar imágenes bidimensionales y generar con ellas una vista tridimensional; y las llamadas Redes Generativas Antagónicas (RGA) entrenadas entre otras cosas, para generar imágenes de personas que parecen reales pero que no existen. Seguidamente, un modelo ilustrado de redes neuronales computarizadas.

Como hemos señalado, el AP viene siendo aplicado en áreas como: el procesamiento del lenguaje natural, reconocimiento del habla, visión por computadora, creación de imágenes y de manera sobresaliente en el desarrollo de fármacos y la genómica. Sobre esta última área vamos a citar un ejemplo.

La proteómica es una rama de la genómica que estudia los proteomas, es decir, la identificación de las proteínas y los eventos intrínsecos a ellas. Su estudio y aplicación tiene un importante impacto en campos como la búsqueda de biomarcadores para el tratamiento de diversas afecciones como el cáncer, enfermedades crónicas como la obesidad, así como para el estudio de enfermedades infecciosas. (Pando-Robles, 2009). La siguiente imagen, muestra la estructura de una proteína humana.

En este sentido, la empresa DeepMind desarrolló AlphaFold, la cual es una IA que predice las estructuras de un gran número de proteínas. Para entender su importancia, es necesario saber que, el genoma humano contiene las instrucciones para construir más de 20.000 proteínas. Pero solo se ha establecido de manera experimental la estructura tridimensional de alrededor de un tercio de ellas. Y en muchos de los casos, esas estructuras solo se conocen parcialmente. Con el fin de tener una idea del funcionamiento de AlphaFold les dejamos el siguiente video.

VISIÓN CRÍTICA DE LAS CAPACIDADES DE LA INTELIGENCIA ARTIFICIAL

Hasta aquí, y después de haber intentado revisar el tema de la manera más objetiva que nos fue posible, nos quedamos con la idea que, si bien los avances en el campo de IA son reales, éstos aún están muy lejos de hacer algo que sea auténticamente inteligente. Sin embargo, reconocemos que las mejoras son significativas y sus objetivos ciertamente revolucionarios. Sin duda, es un campo de desarrollo sumamente prometedor y con el potencial de transformar nuestra vida tal y como la conocemos.

Por ejemplo, a pesar de que algunos logros son bastante meritorios, las afirmaciones en el sentido que el aprendizaje automático ha llegado a ser tan preciso como los seres humanos en la identificación de elementos en las imágenes, éstas se enfrentan a dos limitaciones básicas: la primera, es que el algoritmo depende del acceso a enormes cantidades de imágenes previamente etiquetadas, mientras que por su parte, un niño pequeño requiere de unas pocas para lograr el mismo nivel de precisión. Y la segunda, tiene que ver con la poca rigurosidad a la que son expuestos los resultados obtenidos por los algoritmos, en especial con el criterio de precisión. En uno de los concursos de visión artificial más publicitados, una herramienta de IA se considera exitosa si una sola de sus cinco sugerencias es correcta. (Mitchell, 2019)

Así entonces, mientras que la IA ha tenido un buen desempeño realizando procesos que pueden ser complejos para los humanos (como la identificación de patrones en las imágenes o en el cálculo estadístico), sigue siendo endeble para llevar a cabo procesos que para los humanos son relativamente sencillos (como el sentido común, los juicios de valor y el aprendizaje autodirigido)

Siguiendo con la argumentación, citamos la visión de algunos investigadores en relación a las limitaciones de la IA:

El punto clave es que, aunque las redes neuronales profundas (RNP) han sido entrenadas para completar algunas tareas increíbles, hay muchas cosas que no pueden hacer. (Marcus y Davis, 2019)

Las limitaciones de los enfoques actuales de la IA son cada vez más claras (Mitchell, 2019)

La mayoría de las veces, los humanos tienen que plantear el problema; formular las preguntas; seleccionar, limpiar y etiquetar los datos; diseñar o elegir los algoritmos; decidir cómo encajan las piezas; sacar conclusiones y emitir juicios de acuerdo con los valores; y mucho más. En consecuencia, aunque es probable que muchas tareas sean automatizables, sigue habiendo funciones clave que deben desempeñar los humanos, para las que debemos estar debidamente preparados (Holmes, 2019)

… se limitan a inducir patrones a través de las estadísticas. Esos patrones pueden ser más opacos, mediados y automáticos que los enfoques históricos y capaces de representar fenómenos estadísticos más complejos, pero siguen siendo meras encarnaciones matemáticas, no entidades inteligentes, por muy espectaculares que sean sus resultados. (Leetaru, 2018)

Varios estudios han demostrado que las técnicas de AA que involucran miles de variables o características, y por lo tanto requieren grandes cantidades de recursos y energía para calcular, pueden ser poco mejores que una simple regresión lineal que utiliza sólo unas cuantas características y mucha menos energía (Narayanan, 2019)

Hay cosas que los agentes inteligentes necesitan hacer y para las que el aprendizaje profundo no es actualmente muy bueno. No es muy bueno en la inferencia abstracta. Tampoco es muy bueno en el manejo de situaciones que no ha visto antes y sobre las cuales tiene información relativamente incompleta. (Marcus, entrevistado por Ford, 2018)

Es comparativamente fácil hacer que las computadoras muestren un rendimiento de nivel adulto en pruebas de inteligencia o jugando a las damas, y difícil o imposible darles las habilidades de un niño o niña de un año cuando se trata de percepción y movilidad. (Moravec, 1988)

CONCLUSIÓN.

La IA nació allá en los años cincuenta bajo la premisa de emular los procesos de pensamiento humano, desde entonces, académicos y desarrolladores han tenido que “cargar” con esa expectativa y comparación que muchas veces puede resultar inconveniente de cara a los valiosos avances en este campo. Sin embargo, no hemos podido dejar de notar que, en muchos de los casos, cuando los humanos y las computadoras trabajan juntos (como con la IA que es capaz de predecir la estructura de una proteína), ambos agentes (humano y máquina) parecen potenciarse mutuamente más allá de las expectativas iniciales. Por lo tanto, si el desarrollo de la IA transita con un enfoque colaborativo y con el claro objetivo de contribuir a mejorar las capacidades humanas -antes que intentar reemplazarlas-, entonces quizás habremos superado uno de los dilemas y cuestionamientos ético-tecnológicos más importantes de nuestra época.

Si la IA transita colaborativamente y con el objetivo de mejorar las capacidades humanas -antes que intentar reemplazarlas- entonces quizás habremos superado uno de los dilemas ético-tecnológicos más importantes de nuestra época.

Tweet

Referencias

• McCarthy, J., Minsky, M. L., Rochester, N. & Shannon, C. E. 2006. A proposal for the Dartmouth Summer Research Project on Artif icial Intelligence, August 31, 1955. AI Magazine, Vol. 27, No. 4, pp. 12–14
• Zhong, Y. X. 2006. A cognitive approach and AI research. 2006 5th IEEE International Conference on Cognitive Informatics, Vol. 1, pp. 90-100.
• COMEST (Comisión Mundial de Ética del Conocimiento Científico y la Tecnología de la UNESCO) 2019. Preliminary Study on the Ethics of Artif icial Intelligence. Recuperado en 28 de diciembre de 2020, de: https://unesdoc.unesco.org/ark:/48223/pf0000367823
• Lee, K. F. 2018. AI Superpowers: China, Silicon Valley and the New World Order. Houghton Mifflin Harcourt Publishing Company.
• Marcus, G. & Davis, E. 2019. Rebooting AI: Building artif icial intelligence we can trust. Nueva York, Ballantine Books Inc.
• Badaró, S., Ibañez, L. J., & Agüero, M. J. (2013). Sistemas expertos: fundamentos, metodologías y aplicaciones. Ciencia y tecnología.
• Burt, A. 2019. The AI Transparency Paradox, Harvard Business Review [en línea]. Recuperado de: https://hbr.org/2019/12/the-ai-transparency-paradox
• Pando-Robles, Rosa Victoria, Lanz-Mendoza, Humberto, RV, Pando-Robles, & H, Lanz-Mendoza. (2009). La importancia de la proteómica en la salud pública: The significance of proteomics in public health. Salud Pública de México, 51(Supl. 3), s386-s394. Recuperado en 14 de mayo de 2022, de http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0036-36342009000900004&lng=es&tlng=es.
• Marcus, G. & Davis, E. 2019. Rebooting AI: Building artif icial intelligence we can trust. Nueva York, Ballantine Books Inc.
• Leetaru, K. 2018. Does AI truly learn, and why we need to stop overhyping deep learning. Forbes. Recuperado en 10 de febrero de 2021, de: https://www.forbes.com/sites/kalevleetaru/2018/12/15/does-ai-truly-learn-and-why-we-need-to-stop-overhyping-deep-learning/
• Mitchell, M. 2019. Artif icial Intelligence: A guide for thinking humans. Londres, Penguin.
• Narayanan, A. 2019. How to Recognize AI Snake Oil. Recuperado en 22 de febrero de 2021, de: https://www.cs.princeton.edu/~arvindn/talks/MIT-STS-AI-snakeoil.pdf
• Moravec, H. 1988. Mind Children: The future of robot and human intelligence. Boston, MA, Harvard University Press.
• Holmes, W., Bialik, M. & Fadel, C. 2019. Artificial Intelligence in Education: Promises and implications for teaching and learning. Boston, MA, Center for Curriculum Redesign.

Recursos para seguir aprendiendo sobre tecnología y educación:

1. Pensar más Allá de los Límites – Perspectivas sobre los Futuros de la Educación Superior hasta 2050 UNESCO
2. Futuro del Aprendizaje y Pedagogías para el Siglo XXI UNESCO
3. Futuro del Aprendizaje Móvil – UNESCO
4. La Escuela del Futuro – Pasado, Presente y Señales del Futuro
5. Competencias Digitales – Percepción de los Futuros Docentes
6. Escuela del Futuro – 9 Aspectos Clave

Mejores Materiales para el Aula del Siglo XXI

1. Tutorial Un Minuto de Escritura – Cómo Aplicarla en la Enseñanza en Línea (Nuevo)
2. Un Minuto de Escritura – Una Efectiva Técnica de Evaluación Centrada en el Pensamiento y la Mejora del Aprendizaje (Nuevo)
3. Constructivismo – 7 Posters para Impulsar la Mejora de la Enseñanza (Nuevo)
4. La Máquina del Tiempo – Una Divertida Actividad para Fomentar La Escritura Creativa (Nuevo)
5. Kit para Redactar Objetivos de Aprendizaje
6. Kit para Formular Competencias

Más materiales: AQUÍ