La próxima frontera de la inteligencia artificial: sistemas que dudan de sí mismos
La combinación del 'deep learning' y modelos probabilísticos permite diseñar algoritmos capaces de lidiar con la incertidumbre
Avanzamos sin darnos cuenta hacia una sociedad en la que las máquinas tomarán decisiones cada vez más complicadas. De su presencia en tareas altamente automatizables hasta su introducción en las llamadas compañías data driven —gobernadas por datos informatizados—, el potencial de los algoritmos para sustituir el control humano es tan enorme que asusta.
Al margen de los miedos que despierta la posibilidad de que sistemas de inteligencia artificial nos quiten el trabajo —y si permitimos sus virtudes en la medida en que nos simplifiquen la vida—, es vital que, al menos, respondan correctamente y de forma eficiente si les vamos a dejar tomar cierto tipo de decisiones. Porque las máquinas también son susceptibles de equivocarse.
Quienes diseñan sus algoritmos parten de suposiciones basadas en sus propios datos sobre cómo deberían hacerlos funcionar, y estas suposiciones no son siempre acertadas. “Como hemos aprendido de los grandes bancos durante el colapso financiero, los modelos matemáticos basados en suposiciones equivocadas pueden ser peligrosos cuando depositamos demasiada confianza en sus predicciones sin considerar lo que podría ir mal”, afirma Jennifer Wortman, investigadora senior en Microsoft especializada en aprendizaje automático y economía algorítmica.
- Afrontando el problema
Pero, ¿qué pasaría si estos sistemas fueran conscientes de ello? ¿Si supieran que pueden haber cometido un error y fueran capaces de enmendarlo? Una de las ramas más interesantes que se están desarrollando actualmente en aprendizaje automático está destinada a este propósito: que las máquinas puedan lidiar con la incertidumbre. Compañías como Uber o Google ya trabajan en modificar los marcos tradicionales de aprendizaje profundo —más conocido por su denominación inglesa, deep learning— para construir programas de inteligencia artificial que midan su confianza en una decisión para saber cuándo deberían dudar de sí mismos y sean menos propensos a fallar.
“Si un automóvil que se conduce solo no sabe que es capaz de equivocarse, puede cometer un error fatal, y eso puede ser catastrófico”, afirmaba durante un congreso en California Dustin Tran, que trabaja en el desarrollo de este tipo de sistemas en Google. Normalmente, el vehículo reconoce objetos en las imágenes que captura por sus cámaras y estima la distancia a la que se encuentran. Con esta nueva aproximación, calcularía la probabilidad de que sus estimaciones fueran correctas y la de cada una de las posibles consecuencias de sus decisiones, y lo tendría en cuenta antes de actuar.
En este sentido, la aplicación de dichas mecánicas también es relevante en ámbitos como la salud, donde los algoritmos podrían determinar la posibilidad de acierto en el diagnóstico de un paciente y sus potenciales respuestas al aplicarle un determinado tratamiento.
Para alcanzar este ideal, que se enmarca como la próxima frontera de la inteligencia artificial —máquinas capaces de realizar labores complejas teniendo en cuenta parámetros de incertidumbre a la hora de establecer sus predicciones— es necesaria la combinación de modelos de aprendizaje profundo con sistemas probabilísticos.
- La unión hace la fuerza
“El aprendizaje profundo es un tipo de machine learning que utiliza redes neuronales. Además de aplicarse en el campo de la investigación, lo emplean Google, Facebook, Microsoft, Amazon, Netflix, Spotify y Uber para describir con lenguaje natural el contenido de una imagen o para el reconocimiento de voz”, ilustra Francisco Rodríguez Ruiz, investigador en las universidades de Columbia y Cambridge con experiencia en estos sistemas. “Su principal ventaja es que permite modelar relaciones complejas entre entradas y salidas (inputs y outputs)”.
Por su parte, los sistemas probabilísticos son modelos estadísticos que introducen una serie de parámetros para estimar la incertidumbre. “Esto es particularmente útil a la hora de entender lo que puede pasar. Si el modelo duda de sí mismo, este hecho se reflejará en sus predicciones para que puedan tenerlo en cuenta”, aclara Rodríguez.
Pero estos sistemas no encajan tan fácilmente y su combinación presenta varios retos técnicos en el medio plazo. La complejidad que añade el aprendizaje automático cuando se aplica a modelos probabilísticos dificulta que el cálculo sobre la incertidumbre de los parámetros fijados sea preciso. “Esto representa un problema en aplicaciones en tiempo real donde sea necesaria una respuesta en un período limitado de tiempo”, expone Rodríguez. “Por ejemplo, un vehículo autónomo necesitaría responder a determinados estímulos en cuestión de una fracción de segundo”.
El camino a recorrer se antoja largo y empinado. El tiempo determinará si este enfoque permitirá disfrutar de las ventajas de ambos modelos y desarrollar sistemas cuyas dudas les ayuden a ser más eficientes.
- Aprendizaje automático
- Uber
- Transformación digital
- Carsharing
- Apps
- Transporte privado
- Inteligencia artificial
- Transporte sostenible
- Computación
- Hábitos consumo
- Tecnología digital
- Consumidores
- Telefonía móvil multimedia
- Software
- Telefonía móvil
- Consumo
- Informática
- Empresas
- Tecnología
- Economía
- Telecomunicaciones
- Transporte
- Industria
- Comunicaciones
- Ciencia
Más información
Retina
25/03/2018En realidad, ¿qué [...] es exactamente un algoritmo?
Es la palabra tecnológica de moda, aunque se usa con gran desconocimiento. Intentamos explicarte qué significa... y cómo se complica cuando añadimos la computación.
Ciborgs: ¿un futuro de carne y chips?
Entre el mito fantástico y la realidad científica, la tecnología se infiltra poco a poco en nuestros cuerpos. Pero, ¿hasta qué punto seremos cíborgs en un futuro?
La próxima frontera de la inteligencia artificial: sistemas que dudan de sí mismos
La combinación del 'deep learning' y modelos probabilísticos permite diseñar algoritmos capaces de lidiar con la incertidumbre.
Lo de Facebook es más grave de lo que parece
Lo peor no es que se hayan utilizado mal los datos de 50 millones de usuarios, sino que se ha dañado la confianza en el 'big data' y la inteligencia artificial.
Cinco redes sociales alternativas para escapar de los tentáculos de Facebook
Son más pequeñas, no se ha hecho una peli sobre ellas y no se van a hacer de oro con tus datos
¿Por qué damos nuestros datos a empresas como Facebook?
La falsa sensación de seguridad que nos transmite el entorno digital se sostiene por la costumbre y la inmediatez a pesar de la falta de transparencia de las plataformas.
Guía básica para entender de una vez qué es eso del ‘blockchain’
¿Harto de escuchar que el 'blockchain' va a suponer una revolución? Te explicamos por qué puede ser clave en el futuro.
Qué es un minero de bitcoin... y por qué llegas tarde al negocio
Trabajan en 'blockchain', cobran en bitcoins y son mayoritariamente chinos. Presentamos a los mineros de las criptomonedas, el elemento clave para que todo funcione.
Los sistemas de recomendación te van a conocer como si te hubieran parido
BBVA busca recrear el pensamiento no lineal que nos diferencia de las máquinas y que traería una nueva generación de algoritmos como los que emplean Netflix o Spotify
Análisis conductual: así han cambiado Facebook y Cambridge Analytica la forma de analizar datos
Cómo Cambridge Analytica utilizó los datos durante la reciente campaña presidencial de los EE UU es, de hecho, la parte más interesante de la historia, asegura el director del Centro de Transformación Digital de IMD
Tags:
March 25, 2018 at 11:05AM
Open in Evernote
