¿Realmente inteligentes? El crecimiento de la inteligencia artificial y sus desafíos

La Inteligencia Artificial (IA) está creciendo y convirtiéndose en un gran negocio. El aprendizaje automático, un subconjunto de la IA, se espera que alcance los $8.81 mil millones para 2022. Después de milenios de sueños con autómatas y décadas de expectativas sobre la IA, la capacidad de automatizar tareas se está convirtiendo en realidad para una gama cada vez más amplia de aplicaciones.

Cada vez más, los investigadores están aplicando el aprendizaje automático para impulsar su IA, desde la avalancha de chatbots centrados en el cliente y recomendaciones de productos hasta automóviles autónomos y predicciones de escenarios futuros.

En la ciencia de la computación, una computadora se programa con un algoritmo, un conjunto de instrucciones a seguir para lograr una tarea. El aprendizaje automático es el uso de algoritmos para permitir que una máquina aprenda eficazmente a partir de los datos que se le proporcionan. A menudo, cuanto más algoritmos tenga programados una máquina y más datos se le alimenten, más compleja podrá volverse. Por lo tanto, la máquina parecerá más (artificialmente) inteligente para los seres humanos.

La expectativa que rodea a la IA en general y al aprendizaje automático en particular se debe en gran parte al auge del big data. Con el big data, hablamos de conjuntos de datos muy grandes, especialmente aquellos generados a partir de internet. Así, las máquinas son capaces de reconocer patrones más complejos, y por lo tanto, son más útiles para las industrias.

Existen múltiples formas de programar una máquina con algoritmos para el aprendizaje automático. Los métodos principales (aunque hay un par de otros) son:

Los algoritmos se dirigen hacia una respuesta específica. Por ejemplo, si un automóvil pasa una línea en la intersección mientras la luz aún está amarilla, tome una foto. Si la placa de matrícula es identificable, busque una dirección. Si se encuentra la dirección, envíe una multa de tráfico.

La máquina recibe datos para procesar e identificar patrones con pocas o ninguna instrucción. Funciona muy bien con pagos minoristas para identificar demografía de clientes según sus compras. Por lo general, esta información se aplica a un algoritmo que predecirá el comportamiento futuro del cliente. Tales predicciones suelen ser más precisas que si no se hubiera realizado el aprendizaje no supervisado.

Los cerebros humanos se simulan artificialmente en una máquina utilizando grupos completos de algoritmos. Estos cerebros simulados son capaces de procesar información de conjuntos de datos más grandes a velocidades más rápidas. Lo más importante, las máquinas de aprendizaje profundo son capaces de reconocer imágenes y sonidos. Así, el aprendizaje profundo impulsa automóviles autónomos y traducción automática de idiomas.

Algunas personas argumentan que el término es solo un término comercial. Sin embargo, los científicos han combinado nuestro actual entendimiento de la ciencia cognitiva con el aprendizaje profundo, la visión por computadora y otros campos. IBM’s Watson, que ganó en Jeopardy, es el ejemplo principal.

En lugar de depender tan fuertemente de la IA, muchos expertos llaman a la inteligencia híbrida, una relación entre humanos y máquinas que mejorará el pensamiento de ambos. En otras palabras, una IA impulsa el automóvil mientras mantenemos nuestras manos en el volante y nuestro pie en el pedal del freno. La directiva principal del automóvil es la seguridad, y por lo tanto, conducirá a una velocidad adecuada para toda la información que recibe. Sin embargo, el conductor sigue estando alerta ante cualquier peligro que el automóvil pueda no reconocer.

Durante milenios, la humanidad ha creado autómatas para mostrar nuestras habilidades divinas de creación. Los pronosticadores y autores de ciencia ficción han ayudado a fomentar la narrativa de que la IA salvará o destruirá a la humanidad. Y ahora, algunas personas incluso quieren crear dioses de IA. Una vez que la sociedad ha deificado o demonizado algo, es mucho más difícil pensar en ello como un igual.

Los investigadores no comprenden completamente cómo funcionan los algoritmos más avanzados. Muchos de estos algoritmos son aprendices no supervisados, después de todo. Este problema es fundamental porque los algoritmos podrían fácilmente cometer errores. Un automóvil impulsado por aprendizaje profundo o computación cognitiva podría atropellar a un peatón, o una casa inteligente podría permitir que un asesino entrara por la puerta principal. Estos son hipotéticos, pero es probable que se cometan errores de algún tipo. ¿Quién asume la responsabilidad por esos errores? ¿Cómo podrían los investigadores abordar tales errores si ni siquiera comprenden el proceso que llevó a la máquina a tomar tales decisiones?

La pregunta fundamental de toda esta investigación, por supuesto, es si cualquiera de las técnicas de aprendizaje automático crea máquinas que sean realmente inteligentes. Según Douglas Hofstadter, no lo son porque no imitan el pensamiento, incluso si imitan la mente humana. Él cree que el pensamiento depende en gran medida de las analogías que como individuos usamos para ver el mundo y nuestro lugar en él. Si Hofstadter está en lo cierto, quizás debamos esperar antes de aplicar estas técnicas de IA a dominios peligrosos como la conducción, hasta que nuestras máquinas puedan entender nuestras perspectivas culturales.