Cloud Híbrida
Ciberseguridad & NaaS
AI & Data
IoT y Conectividad
Business Applications
Intelligent Workplace
Consultoría y Servicios Profesionales
Pequeña y Mediana Empresa
Sanidad y Social
Industria
Retail
Turismo y Ocio
Transporte y Logística
Energía y Utilities
El Machine Learning y sus paradojas: ¿Me acabará sustituyendo una máquina?
10 de mayo de 2018
Cuando hablamos de Inteligencia Artificial, y de Machine Learning, solemos tratar temas técnicos. Hablamos de algoritmos, de modelos, de herramientas. Pero seguro que alguna vez te has parado a pensar en alguna de
las paradojas que nos plantea intentar trasladar, de alguna forma, la inteligencia humana a las máquinas, No nos vamos a meter en disquisiciones filosóficas de alto nivel, porque no es ese nuestro objetivo, sino ver cómo estas paradojas tienen un reflejo en nuestra vida cotidiana.
Es evidente cómo los avances tecnológicos han permitido que las máquinas realicen muchas tareas que antes sólo podía llevar a cabo una persona. Este hecho ha producido un desplazamiento de la economía desde un enfoque basado en el
capital humano hacia otro basado en un capital cada día más
tecnológico. Y esto genera una gran inquietud en torno a la pregunta:
¿Desplazarán las máquinas a las personas en la economía del futuro?
Esta cuestión preocupa a muchas y diferentes personas que ven cómo los avances en inteligencia artificial se traducen en máquinas ganando a humanos en juegos de gran carga cognitiva como el ajedrez, o Jeopardy, o en coches, autobuses,incluso trenes que puedan llegar a circular sin conductor. Pero si nos paramos a pensar en las cosas que hacen bien las máquinas, y en las que hacen "no tan bien", nos encontraremos con la primera paradoja.
La paradoja de Moravec.
En los años 80,
Hans Moravec, Rodney Brooks y Marvin Minsky. investigadores en el campo de la inteligencia artificial y la robótica plantearon lo que se conoce como
paradoja de Moravec. Esta paradoja plasma el contrasentido inherente al hecho de que actividades que implican un alto nivel de razonamiento, como jugar al ajedrez, o hacer un test de inteligencia, requieran muy poca carga computacional, mientras que otras actividades de bajo nivel cognitivo, como identificar un rostro conocido, requieran una enorme cantidad de estos recursos. En palabras del propio Moravec:
Es relativamente fácil conseguir que una máquina muestre el rendimiento de un adulto en un test de inteligencia. o jugando a las damas; sin embargo, es mucho más difícil o incluso imposible que alcance el nivel de habilidad de un niño de un año, cuando se trata de percepción y movilidad.
Claro está que el abaratamiento y crecimiento exponencial de los recursos de computación disponibles puede hacer que hasta esas habilidades sensomotoras lleguen ser realizadas por una IA en un futuro. Sin embargo, aquí enlazamos aquí con otra paradoja, anterior a la de Moravec, pero muy estrechamente relacionada con ella:
la paradoja de Polanyi.
La paradoja de Polanyi
Michael Polanyi fue un erudito y filósofo anglo-húngaro que ya en 1966 planteó en su libro
"The Tacit Dimension", que el conocimiento humano se basa, en gran parte, en reglas y habilidades que nos han sido transmitidas por la cultura, tradición, evolución etc, y que, por tanto, no somos siempre del todo conscientes de éste. Definió lo que se llama el
"conocimiento tácito", y lo resumió en esta frase:
¿Cómo "Esquivar" la paradoja de Polanyi?
We can know more than we can tell = Sabemos más de lo que podemos contar
Lo que quería decir con esto Polanyi, es que muchas de las tareas que realizamos se basan en un conocimiento tácito, intuitivo, y que por tanto, son muy difíciles de codificar o automatizar. ¿Por qué? Porque nosotros mismos no sabemos explicar cómo lo hacemos. Por ejemplo,
¿has intentado alguna vez explicar a un niño cómo saltar a la comba? ¿En qué momento tiene que entrar para no pisar la cuerda ni enredarse con ella?. Parece sencillo, ¿verdad?. Pues no lo es. Imagina ahora cómo se lo tendrías que explicar a un robot.
La paradoja de Polanyi es de 1966, y no es verdaderamente una paradoja, ya que lo que refleja, más que una contradicción, es una dificultad, una barrera a superar en el desarrollo de la inteligencia artificial y la automatización. Y desde 1966 ha llovido mucho. Han tenido lugar importantes avances tecnológicos y se han probado distintas estrategias para intentar superar esta dificultad.
Ya hemos visto que la paradoja de Polanyi muestra la dificultad de automatizar una tarea que a nosotros nos resulta sencillo realizar, pero difícil de explicar. Ha habido dos estrategias principales de superar esta dificultad.
- Controlar el entorno, de forma que a una máquina le resulte más fácil realizar una tarea. Las máquinas funcionan con rutinas relativamente simples, pero les cuesta adaptarse a los cambios de entorno. Si simplifico el entorno, facilito la automatización. Un ejemplo sencillo de "simplificación del entorno" pueden ser las vías del tren. El tren no tiene que superar obstáculos del terreno, tan sólo circular sobre las vías. Otro ejemplo interesante son los robots Kiva que emplea Amazon para sus almacenes. En el vídeo vemos cómo se ha simplificado el entorno del almacén para que los robots puedan transportar las estanterías que contienen los productos. Sin embargo, son trabajadores humanos los que cargan los productos en estas estanterías, o bien eligen de cada una de ellas el producto que hay que añadir a un determinado pedido.
- La segunda estrategia, consiste en intentar "enseñar" a la máquina a tomar decisiones como lo haría un experto humano. ¿Cómo?. Frente a las estrategias de programación "top-down" (de las reglas a los resultados), pasamos a las estrategias "bottom-up" propias del Machine Learning (a partir de los datos de ejemplo, entrenamos a las máquinas para inferir las reglas). En la nueva economía basada en los datos, podemos encontrar ejemplos de aplicación del ML prácticamente por todas partes. Sistemas de recomendación, reconocimiento de imágenes, texto o sonidos etc. Mientras la primera estrategia trataba de adaptar el entorno a las limitaciones de la máquina, en esta segunda, es la máquina la que se adapta a las dificultades del entorno, "aprende" de él, entrenándose por medio de los datos. Este desarrollo ha sido posible por la mayor disponibilidad de datos de entrenamiento y capacidad de procesamiento de los sistemas.
Sin embargo, aunque las máquinas puedan realizar tareas que son imposibles para los humanos, como procesar ingentes cantidades de datos para ,por ejemplo, correlacionar nuestro genoma con el de otras especies, o determinadas variables biológicas con fármacos que puedan curar determinada enfermedad, todo esto no es más que una pequeña parte de lo que puede llamarse
inteligencia humana real.
¿Es posible dar a una máquina la capacidad de pensar...
... como pretendían John McCarthy, Marvin Minsky y los primeros creadores de la inteligencia artificial hace ya más de 60 años?
Según dijo
Yann Le Cun, director de IA de Facebook en una conferencia sobre el
Futuro del Trabajo que tuvo lugar en Novienbre del 2017 en el
MIT, que las máquinas aún están lejos de llegar a la
"esencia de la inteligencia" que consiste en:
"La habilidad para comprender el mundo físico lo suficientemente bien para poder hacer predicciones sencillas sobre aspectos básicos de éste como observar un objeto y usar conocimientos anteriores para poder inferir que otras cosas tienen que ser ciertas"
Otra forma de decirlo es decir que:
Las máquinas no tienen sentido común
