a te Retina #StartMeApp en colaboracién con Startmeapp El aprendizaje automatico no creara maquinas mas inteligentes que nosotros Por José Angel Plaza Lopez La quimera de un futuro con robots que piensan se desinfla para dar paso auna inteligencia artificial que aprende por si misma, pero que s6lo supera alos humanos en las tareas especificas para las que se ha creado. Madrid 26 DIC 2017 - 08:40 CET LG My 2270752" como los humanos, ya estamos los humans” A yi in Top @ fcognitivo Ratil Arrabales, director de Inteligencia Artificial en Psicobotica, cuando le preguntamos si falta mucho para lograr robots que razonen como nosotros. Lo mismo opina Alfonso Rodriguez-Paton, director del Grupo de Inteligencia Artificial de la Universidad Politécnica de Madrid: “Hemos conseguido que las maquinas actien como si tuviesen inteligencia resolviendo tareas complejas, pero en realidad no entienden nada. Para que un sistema ‘piense’ faltan muchos afios y antes debemos hacer ingenierfa inversa de nuestro cerebro para saber como funciona y, a partir de ahi, inspirarnos para construir esas maquinas realmente inteligentes”. El anhelo de que un robot se exprima las neuronas igual que un organismo vivo se enmarca en la llamada Strong Al, traducida al espafiol como Rama Dura de la Inteligencia Artificial (IA) 0 IA Fuerte, que sostiene que una maquina puede llegar a ser igual o mas inteligente y consciente que un humano. Este futurible tuvo su maximo apogeo en los afios 5O del siglo pasado, pero las expectativas se desinflaron al ver que no se conseguia nada parecido. Asi se lleg6 a un enfoque mas pragmatico, elde la Weak AIoIA Aplicada, una rama débil que defiende que podemos crear aplicaciones de inteligencia artificial que sobrepasan con creces a los humanos, pero s6lo en tareas especificas. Este seria el caso, por ejemplo, de Deep Blue, Watson 0 AlphaGo. Seguin Arrabales, aunque la IA Fuerte llegue a existir dentro de muchos arios, "sus capacidades no seran las mismas que las de los humanos a no ser que hablemos de algo parecido a Blade Runner, donde se construyen mezclas de personas y maquinas que ya nos sittian en un escenario ciborg, al estilo de lo que plantea Elon Musk con su proyecto Neuralink”. Sin embargo, la IA Aplicada si esta avanzando en los tltimos arios y no sélo se estan consiguiendo maquinas que realizan tareas de forma auténoma, sino que ademas estamos cerca de lograr que hagan este trabajo especifico de manera agradable y ajustada a las emociones de los humanos con los que interaccionan. Cémo aprende una maquina Para lograr esa empatia y esa capacidad para adaptarse a los cambios de su entorno, es necesario entrenar a los robots mediante un conjunto de técnicas conocidas como Machine Learning, cuya traduccién idénea es “aprendizaje A yin tor ®modalidades dependen de datos recabados a través de sensores que después son utilizados para realizar una determina accion. “Pero entre la recogida de datos y las ismos de acciones realizadas se sittian, entre otros muchos procesos, los mecat aprendizaje’, sefiala Arrabales. Por ejemplo, una maquina puede aprender que mostrar un determinado producto a un usuario concreto en una tienda online es bueno porque ese usuario acaba comprdndolo. En este caso, ese robot se basa en algoritmos de aprendizaje automatico supervisado que usan premios y sanciones para ajustar el comportamiento y realizar acciones cada vez mas inteligentes. “Gracias al refuerzo a través de recompensas y castigos, hay algoritmos que han aprendido a jugar mejor que los humanos a un determinado juego y de manera similar se esta entrenando a los coches autonomos para resolver situaciones no programadas a priori’, comenta Rodriguez-Paton. Por lo que respecta a los algoritmos de aprendizaje automatico no supervisados, descubren patrones “ocultos’ en los datos, es decir, regularidades entre lo que en principio parece un universo caético de datos, para sacar conclusiones, como por ejemplo clasificar los distintos tipos de clientes que tiene un banco. Segtin apunta Arrabales, la principal ventaja del Machine Learning es que el robot se ajusta por si mismo a los cambios del entorno, sin intervencion del programador. Es decir, se codifican una tinica vez las reglas de aprendizaje y a partir de ahi el sistema se va adaptando de forma automatica en funcién de los datos de entrada que recibe, en vez de tener que reprogramarlo a mano cada vez que dejan de servir las reglas fijas preprogramadas. En todo este entramado, durante los tiltimos afios ha cobrado protagonismo el Deep Learning, una subdisciplina del Machine Learning cuya particularidad reside en que utiliza unas técnicas de aprendizaje mas parecidas a las de los temas biolégicos. Asi, con este método el procesamiento de los datos se lleva a cabo en diferentes etapas “ocultas o profundas' con el fin de ir descubriendo relaciones jerarquicas en las caracteristicas de los estimulos percibidos. Estas técnicas se usan para procesar datos muy complejos y desestructurados como las imagenes, los videos y el lenguaje natural. Por ejemplo, el Deep Learning se emplea para que un movil identifique objetos concretos en imagenes, para lo cual los algoritmos han de aprender primero a distinguir dichos objetos mediante la exposicion a millones de ejemplos diferentes ya etiquetados. yin tor ®