La palabra inteligencia proviene del latín intellegere, término compuesto de intel «capacidad» y legere «adaptar, escoger». Según esto, inteligencia es saber elegir las mejores opciones para resolver una cuestión o problema.

Los humanos somos inteligentes porque poseemos la capacidad de aprender de las problemáticas de la vida cotidiana y podemos predecir o moldear nuestras decisiones futuras partiendo de situaciones pasadas.

El hecho de definir la inteligencia en términos de capacidad para aprender o solucionar problemas o en general de llevar a cabo determinadas tareas complejas, permite ampliar este concepto a entidades no humanas.

En 1955 John McCarthy aseguró que había aspectos de la inteligencia humana que podrían ser descritos con la suficiente precisión para que una máquina pudiera ser programada para simularlo.

Dos décadas después, en 1997, Deep Blue la supercomputadora creada por IBM usando técnicas de Machine Learning (aprendizaje máquina) se enfrentó al campeón mundial de ajedrez Gary Kasparov y por primera vez una máquina venció al campeón del mundo.

El pasado año, veinte años después de la derrota de Kasparov, fue el algoritmo Alpha GO de Google el cual usando técnicas de aprendizaje profundo (Deep Learning) derrotó al campeón mundial de GO, un juego chino mucho más complejo que el ajedrez. La victoria se produjo “explicándole” las reglas del juego para que después el algoritmo pudiese autoperfeccionarse jugando contra él mismo.

El potencial que muestran las nuevas técnicas de IA basadas en autoaprendizaje es increíble y aunque han demostrado que pueden vencer al mejor de los humanos en realizar tareas muy complejas, los científicos aseguran que sus límites van mucho más allá.

Los últimos avances se centran en desarrollar una máquina inteligente capaz de aprender a través de la experiencia, reconocer las limitaciones de su conocimiento, exhibir verdadera creatividad, tomar sus propias decisiones e interactuar con el medio que la rodee.

En definitiva una Inteligencia con un comportamiento pseudo-humano que nos hace pensar que en breve podría desaparecer la supremacía humana para dar paso a la Inteligencia Artificial.

La figura siguiente muestra un hecho sorprendente que pone en “jaque” a los que dudan de la creatividad artificial pues muestra un cuadro pintado por una Inteligencia Artificial (derecha) a la que se la entrenó durante 18 meses con cuadros del pintor Rembrandt (izquierda).

Estos “experimentos” no hacen más que constatar el rápido avance que la IA ha sufrido en los últimos años.

Recientemente las grandes tecnológicas se han aventurado a adquirir empresas hardware para diseñar microprocesadores de altas prestaciones basados en IA que les permitan acelerar los procesos de aprendizaje de estos algoritmos. Los móviles, las viviendas y los vehículos dispondrán de este tipo de tecnología que, a pasos agigantados, está impregnándolo todo.

La siguiente figura muestra el alcance de esta tecnología que prácticamente estará presente en todo lo que nos rodee.

En pocos años, los métodos, y como consecuencia la ambición en la resolución de problemas, han evolucionado muchísimo.

Si nos centramos por ejemplo en el coche autónomo, una de las aplicaciones más conocidas de la IA, veremos que se ha pasado en unos años del modelo inicial de Tesla basado en autonomía con supervisión humana a un modelo de autoaprendizaje totalmente autónomo.

Para ese propósito Alphabet (Google), ha invertido miles de millones de dólares en construir una mini ciudad en Phoenix donde sus vehículos autónomos puedan aprender sin restricciones y actualmente Waymo, la división de la compañía que se encarga de estos desarrollos hoy día cotiza en bolsa mucho más que Ford por ejemplo.

En Industria, la implementación algoritmos de Machine Learning se basa principalmente en los datos históricos de los procesos. A medida que se alimenta uno de estos algoritmos con nuestros datos históricos y se le entrena con un modelo de aprendizaje adecuado es capaz de “ver y predecir” cosas para las que no se le había programado explícitamente.

Describiremos como se hace con un sencillo ejemplo:

Los pasos a realizar según podemos ver en la figura siguiente consistirían en dividir el total de muestras en dos subconjuntos. Un subconjunto lo usaremos para entrenar el modelo y otro para validar o predecir.

Durante la fase de entrenamiento:

• Se procesan los datos disponibles para extraer características que nos permitan distinguir entre unas muestras u otras.
• En base a esas características o parámetros definimos un modelo de entrenamiento.
• Al modelo se le entrena con el primer conjunto de muestras informándole del tipo de muestra que procesa en todo momento y él en base a esa información, reestructura su algoritmo (el peso que le otorga a las características usadas) con objeto de poder dar respuesta satisfactoria al 100% de las muestras.

Para la fase de Validación-Predicción, operaremos con las muestras restantes.

• Primero ejecutamos el modelo obtenido en el paso anterior y le pedimos nos informe sobre lo que ocurre con cada muestra.
• Después de que nos dé su respuesta, le decimos si ha acertado o no.
• Al terminar tendremos un porcentaje de aciertos que nos servirá para determinar si el modelo es válido o no.

La validez del modelo dependerá de la tolerancia que podamos permitirnos. En algunos casos una respuesta del 50% de aciertos puede ser satisfactoria mientras que otros casos aunque alcancemos una cuota del 90% puede no ser suficiente.

En la siguiente figura se muestran algunas de las herramientas existentes para poder adentrarse en estos temas:

Estas técnicas basadas en algoritmos cambiantes en base a lo experimentado (Redes Neuronales) permiten predecir con bastante acierto cuándo puede averiarse una máquina o el comportamiento de determinados tipos de clientes.

Por eso las inversiones en Inteligencia Artificial no paran de crecer; visión artificial, noticias y medios de comunicación, finanzas, detección de problemas de salud, vehículo autónomo, ciberseguridad y machine learning son algunos de los sectores y aplicaciones de la Inteligencia Artificial donde se están invirtiendo grandes sumas de dinero.

Pero estos algoritmos, sobre todo los basados en Deep Learning, a fecha de hoy presentan un problema importante debido a que su comportamiento es como el de una caja negra.

Obtenemos una respuesta satisfactoria a un determinado problema pero no sabemos cómo se han producidos los “razonamientos” del modelo tras su entrenamiento para llegar a esa y no a otra solución.

Multitud de grupos de trabajo se centran en dar respuesta a estas preguntas para desentrañar estos algoritmos impulsados por la necesidad de controlar muy bien por qué se están tomando unas decisiones y no otras para poder aplicar IA a nuestros negocios.

Las máquinas no operan como nuestro cerebro, de la misma forma que los coches no se mueven como los humanos.

Al igual que aceptamos que nunca correremos más que un coche, debemos saber que es posible que Inteligencias basadas en Silicio puedan llegar a ser superiores en muchos aspectos a las del Carbono y que en este contexto serán creadas nuevas formas de trabajo donde humanos y máquinas inteligentes colaboren de forma eficiente.

Al principio de esta guía decíamos:

Estamos inmersos en una era histórica sin precedentes en la que la creatividad o el sentido de la armonía ya no son habilidades intrínsecamente humanas. Incluso la Intuición Artificial empieza a abrirse camino. Una época en la que la IA comienza a pensar por sí misma y es capaz de comprender para priorizar los objetivos de nuestras organizaciones y tomar las mejores decisiones.

Y por eso nos resulta amenazadora.