Todo el mundo habla de «IA» en estos días. Pero ya sea que esté mirando a Siri, Alexa o simplemente a las funciones de autocorrección que se encuentran en el teclado de su teléfono inteligente, no estamos creando inteligencia artificial de propósito general. Creamos programas que pueden realizar tareas específicas y limitadas.
Las computadoras no pueden «pensar»
Cada vez que una empresa anuncia el lanzamiento de una nueva función de «IA», generalmente significa que está utilizando el aprendizaje automático para construir una red neuronal. El aprendizaje automático es una técnica que permite a una máquina «aprender» cómo realizar mejor una tarea específica.
¡No atacamos el aprendizaje automático aquí! El aprendizaje automático es una tecnología fantástica con muchos usos poderosos. Pero no es inteligencia artificial de propósito general, y comprender los límites del aprendizaje automático lo ayuda a comprender por qué nuestra tecnología de inteligencia artificial actual es tan limitada.
La «inteligencia artificial» de los sueños de ciencia ficción es una especie de cerebro computarizado o robótico que piensa y comprende las cosas como lo hacen los humanos. Tal inteligencia artificial sería una Inteligencia Artificial General (AGI), lo que significa que puede pensar en varias cosas diferentes y aplicar esa inteligencia a varios dominios diferentes. Un concepto relacionado es «IA fuerte», que se dice que es una máquina capaz de experimentar la conciencia humana.
Todavía no tenemos ese tipo de IA. No estamos cerca de eso. Una entidad de TI como Siri, Alexa o Cortana no entiende ni piensa como lo hacemos los humanos. Realmente no «entiende» las cosas en absoluto.
Las inteligencias artificiales que tenemos están capacitadas para realizar una tarea específica muy bien, asumiendo que los humanos pueden proporcionar los datos para ayudarlos a aprender. Aprenden a hacer algo pero aún no lo entienden.
Las computadoras no entienden
Gmail tiene una nueva función de «Respuesta inteligente» que sugiere respuestas a los correos electrónicos. La función de respuesta inteligente identificada «enviado desde mi iPhoneComo respuesta común. También quería sugerir «Te amo» en respuesta a muchos tipos de correos electrónicos, incluidos los correos electrónicos comerciales.
Esto se debe a que la computadora no comprende lo que significan estas respuestas. Nos acabamos de enterar de que muchas personas envían estas frases en correos electrónicos. No sabe si quieres decirle «te amo» a tu jefe o no.
Otro ejemplo, Google Photos armó un collage de fotos accidentales de la alfombra en una de nuestras casas. Luego identificó este collage como un punto culminante reciente en un Google Home Hub. Google Photos sabía que las fotos eran similares, pero no podía entender lo poco importantes que eran.
Las máquinas a menudo aprenden a jugar con el sistema.
El aprendizaje automático consiste en asignar una tarea y dejar que una computadora decida la forma más eficiente de hacerlo. Debido a que no entienden, es fácil terminar con una computadora «aprendiendo» cómo resolver un problema que es diferente de lo que pretendías.
Aquí hay una lista de ejemplos divertidos en los que las «inteligencias artificiales» creadas para jugar y asignadas a objetivos acaban de aprender a jugar con el sistema. Estos ejemplos son todos de esta excelente hoja de cálculo:
- «Las criaturas que tienen una gran velocidad realmente crecen y generan altas velocidades cuando caen».
- «El agente se suicida al final del nivel 1 para evitar perder al nivel 2».
- «El agente interrumpe el juego de forma indefinida para evitar perder».
- «En una simulación de vida artificial en la que la supervivencia requería energía pero el parto no tenía costo energético, una especie desarrolló un estilo de vida sedentario que consistía principalmente en aparearse para producir nuevos hijos que pudieran ser comidos (o utilizados como socios para producir más hijos comestibles). «
- “Dado que era más probable que las IA ‘murieran’ si perdían un juego, la capacidad de bloquear el juego era una ventaja para el proceso de selección genética. Como resultado, varias IA han desarrollado formas de bloquear el juego.
- “Las redes neuronales evolucionaron para clasificar hongos comestibles y venenosos y aprovecharon los datos presentados en orden alterno y, de hecho, no aprendieron ninguna característica de las imágenes de entrada. «
Algunas de estas soluciones pueden parecer inteligentes, pero ninguna de estas redes neuronales se dio cuenta de lo que estaban haciendo. Se les asignó una meta y aprendieron una forma de lograrla. Si el objetivo es evitar perder en un videojuego, presionar el botón de pausa es la solución más fácil y rápida que se les ocurre.
Aprendizaje automático y redes neuronales
Con el aprendizaje automático, una computadora no está programada para realizar una tarea específica. En su lugar, se alimentan de datos y se evalúa su desempeño en el trabajo.
Un ejemplo básico de aprendizaje automático es el reconocimiento de imágenes. Digamos que queremos entrenar un programa de computadora para identificar fotos que contienen un perro. Podemos darle a una computadora millones de imágenes, algunas de las cuales contienen perros y otras no. Las imágenes se etiquetan independientemente de que contengan un perro o no. El programa informático se «entrena» a sí mismo para reconocer el aspecto de los perros basándose en este conjunto de datos.
El proceso de aprendizaje automático se utiliza para entrenar una red neuronal, que es un programa de computadora con múltiples capas por las que pasa cada entrada de datos, y cada capa les asigna diferentes pesos y probabilidades antes de finalmente tomar una decisión. Se basa en cómo pensamos que podría funcionar el cerebro, con diferentes capas de neuronas involucradas en pensar en una tarea. El aprendizaje profundo generalmente se refiere a redes neuronales con muchas capas apiladas entre la entrada y la salida.
Como sabemos qué fotos del conjunto de datos tienen perros y cuáles no, podemos ejecutar las fotos a través de la red neuronal y ver si dan la respuesta correcta. Si la red decide que una foto en particular no tiene un perro cuando lo tiene, por ejemplo, hay un mecanismo para decirle a la red que estaba mal, ajustar algunas cosas y volver a intentarlo. La computadora sigue mejorando para identificar si las fotos contienen un perro.
Todo sucede de forma automática. Con el software adecuado y una gran cantidad de datos estructurados para que la computadora entrene, la computadora puede sintonizar su red neuronal para identificar a los perros en las fotos. A esto lo llamamos «IA».
Pero, al final del día, no tienes un programa de computadora inteligente que entienda lo que es un perro. Tienes una computadora que ha aprendido a decidir si un perro está o no en una foto. Sigue siendo bastante impresionante, pero eso es todo lo que puede hacer.
Y, dependiendo de la entrada que le haya dado, es posible que esta red neuronal no sea tan inteligente como parece. Por ejemplo, si no hubiera fotos de gatos en su conjunto de datos, es posible que la red neuronal no vea una diferencia entre gatos y perros y podría marcar a todos los gatos como perros cuando lo publique en las fotos reales de las personas.
¿Para qué se utiliza el aprendizaje automático?
El aprendizaje automático se utiliza para todo tipo de tareas, incluido el reconocimiento de voz. Los asistentes de voz como Google, Alexa y Siri son muy buenos para comprender las voces humanas a través de técnicas de aprendizaje automático que los han capacitado para comprender el habla humana. Se han entrenado con una gran cantidad de muestras de habla humana y están mejorando en la comprensión de qué sonidos corresponden a qué palabras.
Los automóviles autónomos utilizan técnicas de aprendizaje automático que capacitan a la computadora para identificar objetos en la carretera y responder a ellos correctamente. Google Photos está repleto de funciones como los álbumes en vivo que identifican automáticamente a las personas y los animales en las fotos mediante el aprendizaje automático.
DeepMind de Alphabet utilizó el aprendizaje automático para crear AlphaGo, un programa de computadora que podría jugar al complejo juego de mesa Go y vencer a los mejores humanos del mundo. El aprendizaje automático también se ha utilizado para crear computadoras capaces de jugar a otros juegos, desde ajedrez hasta DOTA 2.
El aprendizaje automático incluso se utiliza para Identidad facial en los últimos iPhones. Tu iPhone crea una red neuronal que aprende a identificar tu rostro, y Apple incluye un chip de «motor neuronal» dedicado que hace todos los cálculos para esta y otras tareas de aprendizaje automático.
El aprendizaje automático se puede utilizar para muchas otras cosas, desde identificar fraudes con tarjetas de crédito hasta recomendaciones personalizadas de productos en sitios web de compras.
Pero las redes neuronales creadas con el aprendizaje automático realmente no entienden nada. Estos son programas beneficiosos que pueden realizar las tareas limitadas para las que fueron capacitados, y eso es todo.
Credito de imagen: Foto de Phonlamai/Shutterstock.com, Tatiana Shepeleva/Shutterstock.com, Varias fotografías/Shutterstock.com.