Deep Learning e Inteligencia Artificial

Desde los años 50 del siglo pasado y hasta hace muy pocos años el terreno habitual de la Inteligencia Artificial (IA) avanzada era mayoritariamente el laboratorio de investigación y la ciencia ficción. (…) Sin embargo, este panorama está cambiando radicalmente en los últimos años.

El gran impulso tecnológico al que solemos referirnos bajo el término Big Data ha revolucionado el entorno empresarial. Las organizaciones sometidas a la necesidad de la transformación digital se han convertido en criaturas sedientas de cantidades ingentes de datos; y por primera vez en la historia de la IA existe una demanda generalizada de sistemas con una inteligencia avanzada, equivalente a la de un humano, que sean capaces de procesar esos datos. Esto está ocurriendo en prácticamente todos los sectores, pues es rara la actividad empresarial o de la administración pública que no se pueda beneficiar de un análisis inteligente y automatizado de los datos.

Vivimos un momento histórico, no porque las organizaciones quieran incorporar algo radicalmente nuevo, sino porque ahora son conscientes de que existe tecnología capaz de procesar todos los datos de los que disponen, hacerlo en escalas de tiempo inferiores a las humanas e incluso proporcionar la inteligencia necesaria.

Podríamos decir que el Big Data ha sido simplemente la primera ola y el gran tsunami está a punto de llegar. Las nuevas arquitecturas Big Data han aparecido de la mano de las grandes compañías de Internet, organizaciones nativas digitales y completamente conectadas desde su concepción. En la actualidad estamos viendo como el Big Data prolifera rápidamente para abarcar todas las organizaciones y todos los sectores, pues en un ecosistema digital y global las compañías que no son nativas digitales también necesitan convertirse en devoradoras de datos.

Machine Learning, el aprendizaje automático

Necesitamos que las máquinas sean capaces de auto-programarse, en otras palabras, queremos máquinas que aprendan de su propia experiencia. La disciplina del Aprendizaje Automático (Machine Learning) se ocupa de este reto y gracias a la tormenta perfecta en la que nos acabamos de adentrar todos los gigantes de Internet han entrado de lleno en el mundo del aprendizaje automático, ofreciendo servicios en la nube para construir aplicaciones que aprenden a partir de los datos que ingieren.

Los humanos son lo que inicialmente saben realmente si un documento es una queja, una instancia, una reclamación, una solicitud de registro, una petición de cambio, etc. Una vez que los algoritmos cuentan con un conjunto de entrenamiento proporcionado por los humanos, entonces son capaces de generalizar y empezar a clasificar documentos de forma automática sin intervención humana.

En la actualidad son las restricciones o limitaciones de entrenamiento de los algoritmos las que en buena medida limitan su potencia, pues se requieren buenos conjuntos de datos de entrenamiento (a menudo, etiquetados de forma manual por humanos) para que los algoritmos aprendan de forma efectiva. En el ámbito de la visión artificial, para que los algoritmos aprendan a detectar objetos en las imágenes de forma automática han de entrenarse previamente con un buen conjunto de imágenes etiquetadas, como por ejemplo Microsoft COCO.

Deep Learning: la aproximación a la percepción humana

En el enfoque Deep Learning se usan estructuras lógicas que se asemejan en mayor medida a la organización del sistema nervioso de los mamíferos, teniendo capas de unidades de proceso (neuronas artificiales) que se especializan en detectar determinadas características existentes en los objetos percibidos. La visión artificial es una de las áreas donde el Deep Learning proporciona una mejora considerable en comparación con algoritmos más tradicionales.

El Deep Learning representa un acercamiento más íntimo al modo de funcionamiento del sistema nervioso humano. Nuestro encéfalo tiene una microarquitectura de gran complejidad, en la que se han descubierto núcleos y áreas diferenciados cuyas redes de neuronas están especializadas para realizar tareas específicas.

Hasta ahora hemos visto que la computación cognitiva se basa en la integración de procesos psicológicos típicamente humanos como el aprendizaje o el lenguaje. En los próximos años veremos como los sistemas cognitivos artificiales se expanden en múltiples aplicaciones en el ecosistema digital.

El valor de la información: la fiebre de los datos

Una vez que las empresas disponen de los datos y los sistemas capaces de procesarlos es el momento de entrar de lleno en la siguiente fase: la comprensión de los datos, la adquisición del conocimiento y la extracción del valor. A pequeña escala esto es algo que tradicionalmente hacemos los humanos, accedemos a los datos, los interpretamos usando nuestro cerebro y tomamos decisiones supuestamente inteligentes. Sin embargo, cuando hablamos de gigabytes, terabytes o incluso petabytes de información, junto con la necesidad de tomar decisiones en escalas temporales del orden de los milisegundos, los humanos estamos literalmente fuera de combate.

No tenemos más remedio que recurrir a máquinas y además necesitamos que estas máquinas sean capaces de interpretar los datos, comprenderlos y sacar conclusiones de forma inteligente. En otras palabras, necesitamos sistemas cognitivos artificiales, cerebros hechos de hardware y software, capaces de tomar decisiones por nosotros, capaces de realizar millones de tareas diferentes que en el pasado sólo podían hacer los humanos.

Hoy en día multitud de productos y servicios, así como las estrategias demarketing que los envuelven, dependen de que las máquinas realicen de forma automática tareas como leer páginas web (con una excelente comprensión lectora), reconocer los rostros que aparecen en las imágenes publicadas en redes sociales, comprender la emoción contenida en el tono de voz de una conversación telefónica, contestar a las preguntas de un cliente en un chat, entender la dinámica y los motivos de los movimientos geográficos de las personas, predecir el gasto energético de una fábrica, inferir qué películas o canciones gustarán más a cada persona, recomendar la dieta y el ejercicio más saludable para cada persona en función de su estado actual de salud y su genotipo, etc.

Todas estas tareas tienen algo en común. Todas requieren percibir lo que pasa en el entorno mediante la adquisición de datos y todas requieren realizar un procesamiento de la información para interpretar la realidad y extraer el significado (de forma que posteriormente se pueda razonar sobre este significado y tomar decisiones para realizar acciones adaptativas). Precisamente por esto se produce una fiebre de los datos en todas las industrias. Al igual que en la fiebre del oro, existe un gran valor oculto en los millones y millones de toneladas de datos que una organización puede recabar.

El primer objetivo es por lo tanto llegar a poder manejar cantidades tan ingentes de datos. Una vez que las modernas arquitecturas Big Data permiten almacenar y procesar decenas o cientos de petabytes de datos, el reto pasa a las fases de adquisición de datos y de interpretación de los mismos para la extracción de conocimiento.

Internet Cognitiva y Ubicua, el siguiente paso

El internet de las cosas (IoT) supone un gran avance en el reto de la adquisición de los datos, mientras que la computación cognitiva aporta la inteligencia necesaria para la extracción del conocimiento. El momento que vivimos en la actualidad es de gran relevancia para el desarrollo de los sistemas inteligentes, pues nos encontramos ante una “tormenta perfecta”, originada gracias a la convergencia de las tecnologías Cloud, Móvil, IoT, Big Data y Computación Cognitiva.

Para entender la envergadura y las implicaciones de esta tormenta perfecta podemos pensar en estas tecnologías como partes integrantes de un súper organismo de gran complejidad. Esta nueva Internet Cognitiva y Ubicua cuenta con un sistema sensorial que no para de extenderse gracias a los miles de millones de sensores conectados y desplegados por todas partes.

La nueva red devora incesantemente volúmenes ingentes de datos que le permiten obtener información sobre el mundo. Gracias a esto aparecen multitud de nuevas oportunidades de negocio, basadas en la disponibilidad y explotación de estas nuevas fuentes de datos.

El auge de los sistemas M2M (Machine to Machine) en el marco del Internet de las Cosas ha promovido un crecimiento exponencial del intercambio de datos entre las propias máquinas. Hemos pasado de un modelo tradicional, en el que los sensores obtenían información que luego usaban los humanos a un modelo en el que las máquinas ganan autonomía, pues los datos de los sensores ya no los consumen directamente los humanos, sino que pasan a formar parte del sistema perceptivo de la Red.

Computación cognitiva, la revolución en el procesado de la información

Una vez que los entornos IoT permiten obtener información en tiempo real de las más variadas fuentes tenemos el problema de la interpretación y la comprensión de los datos. Aquí es donde se hacen necesarios los enfoques de computación cognitiva, pues las máquinas han de ser capaces de dar sentido y extraer el significado que se oculta tras los trillones de bytes que se mueven por la red.

Los datos de los sensores M2M son fuentes de datos relativamente modernas, pero existe además una gran cantidad de conocimiento disponible en la propia web y las redes sociales. Se trata de cantidades ingentes de texto, audio y vídeo que contienen mucha información de interés.

Uno de los principales motivos del auge de la computación cognitiva es que para acceder de forma efectiva a todas estas fuentes de información necesitamos máquinas capaces de leer millones y millones de documentos por nosotros. En los últimos años, gracias a nuevos avances como Watson de IBM, se suele identificar la computación cognitiva con la capacidad de las máquinas de procesar el lenguaje natural (el lenguaje natural es el que usamos los humanos, como por ejemplo el español o el inglés, que es bastante más complejo y rico que los lenguajes y códigos que usan los ordenadores tradicionales).

En esta tormenta perfecta tecnológica que estamos viviendo el impacto va mucho más allá de las máquinas. Estamos viendo como nuestra forma de relacionarnos con otras personas ha cambiado radicalmente en pocos años debido a la invasión de los dispositivos móviles. Con la llegada de tecnologías como el Deep Learning y la Computación Cognitiva nuestra forma de aprender, de relacionarnos y de entender el mundo va a cambiar también de forma radical.

La inteligencia se produce cada vez de forma más distribuida, para dar solución a nuestros problemas ahora podemos preguntar directamente a nuestras máquinas y esperar una respuesta cada vez más inteligente. La gran responsabilidad que nos queda a los humanos es hacer las preguntas adecuadas.

Dr. Raúl Arrabales Moreno
Analytics Senior Manager
Accenture Advanced Analytics

Artículo escrito para Xataca. Completo aquí