La Inteligencia Artificial y sus aplicaciones en la cotidianidad en el siglo XXI (parte 5)
“Debemos abordar -individual y colectivamente- las cuestiones morales y éticas planteadas por la investigación de vanguardia en inteligencia artificial y en biotecnología, lo que permitirá la extensión de nuevas formas de vida, como los bebés de diseño y la extracción de memoria”: Klaus Schwab (alemán, director/presidente del Foro Económico Mundial)
David Moisés Terán Pérez *
Buenos días estimadas(os) lectoras(es) de esta columna invitada. Como ya es nuestra costumbre en este espacio semanal, deseo a ustedes un grandioso, feliz, productivo, extraordinario e interesante martes. Continuaremos desarrollando contenido para este disruptivo tema: “La Inteligencia Artificial (IA)”. En esta ocasión, se tratarán los siguientes dos temas de aplicación de la IA en el futuro: El Aprendizaje Automático Avanzado (AAA), y el Aprendizaje Profundo y las Redes Neuronales (APyRN). Empezamos: El futuro de la Inteligencia Artificial (IA), es un tema fascinante y en constante evolución. A continuación, se detallan seis áreas clave, que se espera que influyan en el desarrollo de la IA en los próximos años -aunque en algunos casos ya se están desarrollando y ejecutando en el presente, algunos de estos temas-:
APRENDIZAJE AUTOMÁTICO AVANZADO (AAA)
El aprendizaje automático (Machine Learning), continuará siendo un componente fundamental de la IA. Se espera que los algoritmos de aprendizaje automático, se vuelvan más complicados, permitiendo un procesamiento y un análisis más complejo de los datos. Esto conducirá a modelos de IA más precisos y capaces, de/para realizar tareas cada vez más complejas (Brynjolfsson & McAfee, 2014). Es decir, el aprendizaje automático avanzado es una rama de la Inteligencia Artificial (IA) que se centra en el desarrollo de algoritmos y de modelos capaces de aprender y de mejorar automáticamente a partir del uso de los datos con que cuenta. A medida que la tecnología avanza, se espera que el aprendizaje automático avanzado tenga un papel crucial en el futuro de la IA. Aquí hay algunos aspectos clave a considerar:
- El Aprendizaje Supervisado: El aprendizaje supervisado es una técnica de aprendizaje automático en la que se proporciona al algoritmo un conjunto de datos etiquetados; es decir, son datos que están asociados con una salida conocida. El algoritmo aprende a realizar predicciones y/o clasificaciones precisas al encontrar patrones en los datos de entrenamiento. Se espera que en el futuro, los algoritmos de aprendizaje supervisado se vuelvan más precisos y efectivos, permitiendo la resolución de problemas cada vez más y más complejos.
- El Aprendizaje No Supervisado: A diferencia del aprendizaje supervisado, en el aprendizaje no supervisado no se proporcionan etiquetas en los datos de entrenamiento. El algoritmo aprende a encontrar patrones, estructuras y/o relaciones ocultas en los datos por sí mismo. Se espera que los algoritmos de aprendizaje no supervisado avancen en la identificación de estructuras más complejas, y en la extracción de información útil de grandes conjuntos de datos no etiquetados, para convertirlos en aprendizaje que pueda ser utilizado en la analítica de datos en las organizaciones.
- El Aprendizaje por Reforzamiento: En el aprendizaje por reforzamiento, los algoritmos aprenden mediante la interacción con un entorno y con la retroalimentación que reciben en forma de recompensas y/o de castigos según su desempeño —muy parecido al condicionamiento operante en los seres humanos—. Se espera que los enfoques de aprendizaje por reforzamiento se vuelvan más complejos y efectivos, permitiendo que las máquinas aprendan a través de la experimentación y de la toma de decisiones para lograr sus objetivos específicos.
- El Aprendizaje en Línea: El aprendizaje en línea es una técnica que permite que los algoritmos de aprendizaje automático aprendan continuamente a medida que llegan nuevos datos, sin necesidad de volver a entrenar el modelo desde cero. Esto es especialmente relevante en escenarios donde los datos están en constante cambio, y/o llegan de manera secuencial. Se espera que los algoritmos de aprendizaje en línea se vuelvan más adaptables y efectivos, permitiendo actualizaciones y mejoras continuas en tiempo real.
- El Aprendizaje Automático por Transferencia: El aprendizaje automático por transferencia implica transferir el conocimiento aprendido de una tarea a otra tarea relacionada. Esto permite que los modelos de aprendizaje automático sean más efectivos, al aprovechar el conocimiento previamente adquirido. Se espera que los enfoques de transferencia de aprendizaje se vuelvan más poderosos y adaptables, permitiendo una transferencia más efectiva del conocimiento en diferentes dominios y tareas.
En resumen, el aprendizaje automático avanzado en la IA se centra en el desarrollo de algoritmos y de modelos que pueden aprender y mejorar automáticamente a partir de los datos suministrados. Se espera que en lo futuro, estos algoritmos se vuelvan más precisos, más efectivos, y mucho más adaptables; lo que permitirá resolver problemas más complejos, y aprovechar el conocimiento adquirido en diferentes contextos.
APRENDIZAJE PROFUNDO Y REDES NEURONALES (APYRN)
El aprendizaje profundo (Deep Learning), ha impulsado avances significativos en la IA en los últimos años. Se espera que continúe creciendo y mejorando, especialmente en áreas como la visión por computadora, el procesamiento del lenguaje natural y el reconocimiento de voz. Las redes neuronales profundas cada vez más complejas y eficientes, permitirán a las máquinas realizar tareas cognitivas de alto nivel con mayor precisión. Es decir, el aprendizaje profundo (Deep Learning) y las redes neuronales, desempeñan un papel fundamental en el avance de la Inteligencia Artificial (IA). Estas técnicas han sido clave en numerosos avances en dicho campo, y se espera que sigan siendo una parte central del futuro de la IA. A continuación, se detalla el aprendizaje profundo, y las redes neuronales:
- Las Redes Neuronales Artificiales (RNA): Las redes neuronales artificiales son modelos inspirados en la estructura y el funcionamiento del cerebro humano. Están compuestas por capas de nodos interconectados, conocidos como neuronas artificiales o unidades, que procesan y transmiten información. Cada neurona toma entradas ponderadas, las procesa mediante una función de activación y produce una salida. Las redes neuronales se entrenan mediante algoritmos de optimización para ajustar los pesos de las conexiones y aprender representaciones de los datos.
- Las Arquitecturas de Redes Neuronales (ARN): Existen diversas arquitecturas de redes neuronales utilizadas en el aprendizaje profundo. Algunas de las más comunes son las redes neuronales feedforward, las redes neuronales recurrentes (RNN) y las redes neuronales convolucionales (CNN). Las RNN son efectivas para modelar secuencias de datos y tienen memoria interna que les permite recordar información pasada. Las CNN, por otro lado, son ampliamente utilizadas para el procesamiento de imágenes y se destacan por su capacidad para extraer características jerárquicas.
- El Aprendizaje Profundo: El aprendizaje profundo se refiere a la capacitación de modelos de redes neuronales con múltiples capas ocultas. A diferencia del aprendizaje superficial, que se basa en una sola capa de transformación, el aprendizaje profundo permite la extracción de características más abstractas y complejas a medida que los datos fluyen a través de múltiples capas. Esto ha demostrado ser altamente efectivo en tareas como la visión por computadora, el procesamiento del lenguaje natural, la generación de música y mucho más.
- Los Grandes Conjuntos de Datos y el Procesamiento de GPU: El aprendizaje profundo se ha beneficiado enormemente de la disponibilidad de grandes conjuntos de datos y el desarrollo de hardware de procesamiento gráfico (GPU) de alto rendimiento. Los grandes conjuntos de datos permiten entrenar modelos más complejos y generalizables, mientras que las GPU aceleran significativamente los cálculos requeridos para entrenar redes neuronales profundas. Esto ha impulsado el rápido avance del aprendizaje profundo en los últimos años.
- La Transferencia de Aprendizaje: La transferencia de aprendizaje, es una técnica en la que se aprovechan los conocimientos previamente adquiridos por un modelo en una tarea y se transfieren a otra tarea relacionada. Esto permite acelerar el proceso de entrenamiento y mejorar el rendimiento en nuevos dominios con datos limitados. El aprendizaje profundo ha demostrado ser especialmente efectivo en la transferencia de aprendizaje, lo que ha permitido aplicaciones en áreas como el reconocimiento de objetos, la traducción automática y la detección de anomalías.
En resumen, el aprendizaje profundo y las redes neuronales son fundamentales para el desarrollo de la IA. Se espera que en el futuro, continúen evolucionando y mejorando.
IA EXPLICATIVA Y TRANSPARENTE
A medida que la IA se vuelve más omnipresente en nuestra sociedad, es crucial comprender cómo toma decisiones. Se espera un enfoque en el desarrollo de algoritmos y modelos de IA más transparentes y explicables, lo que permitirá comprender y justificar las decisiones tomadas por los sistemas de IA. Esto es especialmente importante en áreas como la atención médica, el derecho y la seguridad (Rajkomar; Dean & Kohane, 2019). Por lo tanto, a medida que la Inteligencia Artificial (IA) se vuelve más omnipresente en nuestra sociedad, la transparencia y la explicabilidad de los sistemas de IA se vuelven aspectos críticos. Aquí se detalla el concepto de la IA explicativa y transparente:
- Explicabilidad de la IA: La explicabilidad se refiere a la capacidad de comprender y de explicar cómo los sistemas basados en la IA, toman decisiones y/o generan resultados. Es importante que las personas afectadas y/o beneficiadas por las decisiones de la IA —como los usuarios, los profesionales de dominios específicos, e/o incluso, los reguladores—, puedan entender y confiar en las acciones tomadas por los sistemas de IA. La explicabilidad ayuda a abordar la falta de transparencia inherente a algunos algoritmos de la IA, como las redes neuronales profundas.
- Transparencia de la IA: La transparencia se refiere a la apertura y a la accesibilidad de la información, sobre cómo se desarrolla, se entrena y se utiliza un sistema de IA. Esto incluye, proporcionar información clara sobre los datos utilizados, los algoritmos empleados, los procesos en la toma de decisiones, y las limitaciones inherentes a los sistemas basados en la IA. La transparencia contribuye a generar confianza, y a mitigar las preocupaciones sobre el sesgo algorítmico, la privacidad de los datos, y la responsabilidad en caso de errores y/o en las consecuencias negativas.
- Técnicas para la Explicabilidad: Existen varias técnicas y enfoques para lograr la explicabilidad en los sistemas basados en la IA. Algunos métodos incluyen el uso de modelos interpretables, donde las decisiones se pueden seguir y comprender paso a paso. También, se pueden utilizar técnicas de generación de explicaciones, como la generación de texto y/o de visualizaciones, que expliquen el razonamiento detrás de una decisión específica tomada por la IA. Además, el diseño de sistemas de IA que sean inherentemente más interpretables, como las redes neuronales con estructuras más simples, puede aumentar la explicabilidad.
- Normativas y Regulaciones: A medida que la IA se integra en diferentes sectores —y afecta áreas críticas de la sociedad—, se están desarrollando normativas y regulaciones para garantizar la transparencia y la explicabilidad. Algunas jurisdicciones han implementado requisitos legales que exigen explicaciones claras y comprensibles para las decisiones tomadas por los sistemas de IA, especialmente en áreas como la atención médica, las finanzas y el empleo.
- Beneficios de la Explicabilidad: La explicabilidad no sólo promueve la confianza en los sistemas de IA, sino que también permite la detección y la corrección de sesgos, y/o de fallas en el rendimiento de los modelos de IA. Además, la explicabilidad ayuda a los usuarios y a los expertos a mejorar la interacción con los sistemas de IA, lo que a su vez puede llevar a un mayor uso y aceptación de estas tecnologías.
En resumen, la IA explicativa y transparente busca garantizar que los sistemas de IA sean comprensibles y abiertos, permitiendo una toma de decisiones informada y confiable. La explicabilidad y la transparencia, son aspectos clave para abordar preocupaciones éticas, sociales y legales asociadas con la IA.
Amigos(as) lectores(as), no perdamos la capacidad de asombro; porque aún existen espacios en donde la IA, comenzará a incluirse, y con el paso de los meses, la tendremos en prácticamente, todos los ámbitos de nuestra cotidianidad. La próxima semana, veremos tres áreas más, y en quince días, concluiremos con esta saga. (Continuará…)
Referencias:
Brynjolfsson, E. & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. USA: WW Norton & Company.
Goodfellow, I.; Bengio, Y. & Courville, A. (2016). Deep Learning. USA: MIT Press.
Rajkomar, A.; Dean, J. & Kohane, I. (2019). Machine learning in medicine. New England. Journal of Medicine, vol. 380, num. 14; p.p. 1 347-1 358.
