Mi columna de El Español de hoy, titulada «Otra inteligencia artificial«, es un intento de utilizar el reciente desarrollo de un investigador especializado en deep learning, Matthew Lai, que ha creado un algoritmo llamado Giraffe capaz de aprender a jugar al ajedrez a nivel de maestro internacional en tan solo setenta y dos horas, para explicar las posibilidades de la inteligencia artificial y el machine learning de una manera razonablemente didáctica.
Se suele asociar la inteligencia artificial con la fuerza bruta computacional, con enormes supercomputadores del estilo del famoso Deep Blue o Watson, de IBM, capaces de vencer al campeón del mundo de ajedrez o a los mejores jugadores de Jeopardy gracias a la posibilidad de procesar masivamente datos en cantidades que exceden en mucho las posibilidades de un cerebro humano. Sin embargo, a pesar de que el deep learning es ya una disciplina razonablemente arraigada, se tiende a prestar poca atención, al menos a nivel de divulgación, a la posibilidad de que una máquina leve a cabo procesos de aprendizaje más enfocados a la eficiencia, al análisis de situaciones similares o de series históricas de datos para plantear modelos de aprendizaje más parecidos a los que desarrolla un cerebro humano.
La idea es que aunque el cerebro no deba ser necesariamente el modelo para la máquina, sí puede ayudar a conceptualizar formas de plantear el aprendizaje que ayuden a mejorar la eficiencia (¿por qué estudiar posibilidades que resultan completamente absurdas o extremadamente improbables?) o a evaluar situaciones de manera más adecuada. Mi pretensión con el análisis es ayudar a aquellos que dispongan de datos a evaluar si pueden ser adecuados como para alimentar a un algoritmo capaz de aprender a tomar decisiones con ellos: son muchas las compañías que toman decisiones mediante análisis de datos, pero mi experiencia es que no son tantas las que ven en tecnologías la inteligencia artificial y el machine learning una herramienta capaz de ayudarles. A ver si a través de ejemplos como el del ajedrez y el cambio de dimensión de este tipo de tecnologías empiezan a visualizar sus posibilidades.
Cuando se habla de inteligencia artificial, hay voces que alertan ante algo que se nos podría escapar de las manos, pero para eso creo que aún falta. A mi personalmente lo que me genera desconfianza es el big data, que si que está ya aquí. En una situación en que los datos que se generan de todo son cada vez más, adecuadamente tratados, ¿no serán capaces de predecir el futuro? Dicho de otra manera, de leernos a nosotros y a nuestro entorno como a libros, y anticipar nuestras reacciones. De correr el velo del quizás aparente libre albedrío y volvernos crudamente deterministas en alto grado. ¿Estamos preparados para ello? ¿qué cambios provocará? Sabiendo qué botones tocar, puede no ser muy complicado tomar los hilos…
Los modelos empiricos que genera el Big Data son muy prometedores pero les persigue su gran pesadilla: el OVERFITTING,
Predecir el futuro no es tan sencillo.
«Predecir el futuro» lo estamos haciendo ya. ¿Qué es si no «la predicción del tiempo»? Y la reflexión ¿pensamos que es malo la predicción del tiempo? En todo caso nos destapa que el tiempo metereológico no es cosa de dioses a los que hay que hacer sacrificios para obtener su bondad y si una ciencia que nos hace grandes aportaciones sobre el conocimiento de nuestro planeta.
Las mismas técnicas que se usan en Big Data son las técnicas que se usan en la Inteligencia Artificial. Big Data ha habilitado un ecosistema en el que la disciplina de la Inteligencia Artificial está floreciendo.
Obtener conocimiento sobre lo que es y lo que no es libre albedrío, sobre lo que podemos anticipar sobre nuestras reacciones como personas es igual de bueno que obtener concimiento sobre la predicción del tiempo metereológico.
¿Estamos o no preparados para ello? ¿Puede emerger un Gran Hermano que sepa «tocar los hilos»? Bueno, ya está ocurriendo. El uso de las redes sociales que hizo Obama en EEUU opino que puede considerarse un buen ejemplo. Eso si, posiblemente sea un juego de niños comparado con lo que veremos en unos años o lo que se verá en el siglo XXI.
Creo que es importante no centrarse en «miedos», sino, profesionalizando el concepto, en RIESGOS. Consecuentemente, deben detallarse los riesgos, medir su probabilidad e impacto y planificar acciones que mitiguen los que sean relevantes. Otra disciplina que va a emerger, la Prospectiva, podrá ayudar.
Dos buenos comentarios al mío. Gracias :)
Precisamente los modelos meteorológicos para la predicción del tiempo no se basan simplemente en alimentar un algoritmo con una inmensa cantidad de datos sino en entender los procesos físicos que actúan en la atmósfera.
En el mundo de la modelizacion sabemos que el big data es muy interesante. Pero no soluciona de un plumazo el gran desconocimiento de muchos sistemas reales y de las incertidumbres asociadas á su simulación.
La predicción meteorológica es el ejemplo perfecto.
Estos pueden coger a uno cualquiera, y reducirlo, reducir todo su ser a un billon de numeros, eso es lo que en realidad somos cada uno poca cosa …
Bueno ya estamos reducidos todos a numeros, ahora para compensar solo falta que como pago por haber obtenido eso que diabolicamente tanto les interesa de nosotros «reducirnos a numeros cada uno el suyo» nos otorguen en comparacion con el trauma una pequeña compesacion de 100 mil euros mensuales, para entonces se llamarian «créditos» para consumir en sus factorias, osea la industria global
el circulo se cierra, ya se vislumbra la sociedad de un futuro no lejano ¿ porque no? ¿ alguna queja ?
Enrique, hace mucho tiempo, prácticamente desde antes de los 90, que los ordenadores no juegan al ajedrez mediante «fuerza bruta».
De hecho, nunca lo hicieron, por eso perdió Kasparov, y esa fue la razón. Porque confió en el mito de que la computación se basa en la potencia de cálculo.
Casi cualquier programa de ajedrez, de los que se usan en un PC, ya tiene el nivel de un gran maestro y, evidentemente, no lo hacen mediante potencia de cálculo sino mediante algoritmos mucho más elaborados.
(no vamos a entrar en aspectos técnicos, porque sería volverlo demasiado ajeno al lector ocasional. Pero permíteme que te puntualice sobre las «últimas novedades»)
Entiendo que el concepto de «Machine Learning» es una palabra mágica o «Buzzword» de moda, pero es solo la aplicación comercial de algoritmos y fundamentos ampliamente conocidos y difundidos.
La aproximación de Giraffe es una vuelta de tuerca a los algoritmos que se han venido utilizando tradicionalmente. Una optimización en el procesado de bases de datos de jugadas.
Un abordaje bastante «llano» y sencillo. Es un trabajo de final de carrera (No una tesis doctoral, y se nota. Aquí se hacen cosas parecidas en la universidad)
Es loable. Aumenta la velocidad de los sistemas de ajedrez más tradicionales, los mismos que usan nuestros PC. No es revolucionario.
Es más interesante su aplicación en otras áreas, por la optimización que supone de esos algoritmos.
Y el artículo no es demasiado atinado. Un jugador de ajedrez tiene mayor «potencia de cálculo» o capacidad de prospección, comparativamente, de la que dicen que tiene Kasparov; lo que sucede es que se miden cosas diferentes.
Creo que hay que empezar a filtrar el anonadamiento y las historias de horror sobre el “aprendizaje de las maquinas”. Es puro miedo y desconocimiento.
Pero eso sí, no necesitan un receso para ir al aseo.
http://matthewlai.ca/resume/
( by the way, que en Blogestudio hagan algo con la caja de texto. Que es Navidad)