¿Cómo piensan las máquinas?

Inteligencia artificial para humanos

Fredi Vivas

• Editore: Editorial Galerna
• Anno: 2021
• ISBN:
  9789505568246
• Argomento: Informatique
• Categoria: Intelligence artificielle (IA) et sémantique

Este libro podría haber sido escrito por una inteligencia artificial, y no solamente por un humano en un documento de Word. Aunque, en parte, así fue.Con inteligencia artificial podemos escribir ensayos, incluso libros, y también, entre muchas posibilidades, predecir cuántos pacientes llegarán a un hospital con gripe dentro de quince días, o detectar automáticamente una operación fraudulenta con una tarjeta de crédito. ¿Cuáles son los límites de esta tecnología? ¿Cuáles son sus riesgos? ¿Cuál es la mejor manera de aprovecharla? ¿Cómo desarrollar inteligencia artificial responsablemente?En ¿Cómo piensan las máquinas?, Fredi Vivas te invita a sumarte a un viaje fascinante, una aventura literaria que transita entre la realidad y la ficción para demostrarnos que, independientemente del área o disciplina, la inteligencia artificial está revolucionando la vida humana mucho más de lo que creemos o soñamos.Y como no podía ser de otra forma, este es un libro interactivo, que incorpora tecnología en sus páginas, y que propone al lector una experiencia multiplataforma. Apto para cualquiera que tenga como objetivo entender el mundo que se viene y estar a la vanguardia de la revolución tecnológica, ¿Cómo piensan las máquinas? no requiere conocimientos técnicos previos y apuesta por la curiosidad y el interés por el futuro.

public class NIVEL 1{

public static void main(String[ ] args) {

System.out.println(“Pregunta: ¿PARA QUÉ SIRVEN LOS DATOS?”);

System.out.println(“Objetivo: Comprender por qué y cómo podemos usar datos para tomar mejores decisiones”);

“)

}

}

¿CÓMO PIENSAN LAS MÁQUINAS?

Ésta es la pregunta del millón. En el acelerado siglo XXI en que nos toca vivir, poder dar respuesta a esta pregunta es clave para poder obtener el máximo provecho de las ventajas que ofrece la cuarta revolución industrial. Ya sea para aumentar las ventas de tu compañía o para derrotar a una horda de robots que quieren destruir el universo conocido.

Si queremos entender cómo piensan las máquinas, lo primero que deberíamos hacer es definir qué entendemos por “pensar”, ya que es una de esas palabras que damos por sentadas. Todos estamos convencidos de que sabemos lo que significa, pero si alguna vez alguien nos pidiera que diéramos una definición exacta de la palabra, probablemente no sabríamos qué responder.

El diccionario de la Real Academia Española, que en principio debería darnos una definición rápida, simple, y concisa, tiene al menos siete definiciones distintas para esta palabra. Cada una de ellas representa un uso distinto del concepto en el idioma castellano. Veamos la primera: “Formar o combinar ideas o juicios en la mente”.

Todo parecería indicar —mal que les pese a las máquinas— que la Real Academia Española no las tiene muy en cuenta a la hora de elaborar definiciones. Más bien, por el contrario, esta definición parece hecha a medida de los seres humanos (muy probablemente porque fue hecha, hasta donde sabemos, por seres humanos), pero lo que es peor: no contempla la posibilidad de que haya pensamiento por fuera de nosotros.

¿Tienen mente las computadoras?

—No, por ahora.

¿Es necesaria una mente para pensar?

—A juzgar por lo que dice la RAE,

parecería que sí.

¿Es suficiente esta definición de lo que es pensar? Creo que no. Aunque, honestamente, si fuéramos lo suficientemente exhaustivos, podríamos directamente empezar a escribir todo un libro nuevo y nunca llegaríamos al verdadero objetivo de este capítulo, que es comprender cómo piensan —si es que piensan— las máquinas. Así que, como se suele decir, si algo es breve y bueno, entonces es doblemente bueno. Especialmente teniendo en cuenta que estamos frente a un apocalipsis tecnológico donde la raza humana se encuentra en peligro.

Intentaré ser breve, entonces.

Uno de los primeros que se ocupó de intentar responder esta pregunta es un viejo conocido de la casa: sir Alan Turing, que, a los fines de su estudio, dio una definición muy sencilla y conveniente sobre qué se entiende por el concepto que nos atañe: “Pensar es calcular”.

Esta definición está muy en línea con toda una corriente filosófica que entiende que “pensar es procesar información”.

Tenemos una tendencia a humanizar el pensamiento de las máquinas. De alguna manera, tendemos a creer que, si las máquinas piensan, deberían pensar como lo hacen los humanos. Y, para ser francos, tampoco es de extrañar que veamos las cosas de esa manera: después de todo, nos criamos durante generaciones creyendo que somos el único elemento del universo con capacidad de pensar. Es más. El propio concepto de “pensar” fue desarrollado por y para ese acto que realizan los seres humanos y que bautizamos con ese nombre.

En una faceta quizás poco conocida de su pensamiento, el filósofo Immanuel Kant, se encontraba muy interesado en la vida extraterrestre, tanto que llegó a desarrollar toda una teoría sobre la progresiva evolución de las razas alienígenas a medida que se iban alejando del sol. Bajo esta idea, los marcianos (de Marte) serían superiores a los terrícolas, pero inferiores a los saturnianos. La medida que usó Kant para esta clasificación —a tono con su época— tiene que ver con el nivel de ilustración y la capacidad de razonamiento entre unos y otros. O sea, que cuanto más evolucionada sea una determinada raza alienígena, tendría mayor capacidad de utilizar la razón. Dicho de otra forma, hace 250 años, cuando Kant se refirió a la inteligencia extraterrestre, cayó en el mismo problema que tenemos hoy cuando analizamos la inteligencia de las máquinas: la pensamos desde los parámetros de la humanidad o, mejor dicho, de la humanidad del planeta Tierra.

Pero la pregunta de fondo que tenemos que hacernos es: ¿es realmente conveniente querer antropomorfizar a las máquinas? O, lo que es lo mismo, ¿por qué creemos que las máquinas “piensan” de la misma forma que lo hacen los humanos?

Ahora bien, si vamos a quedarnos con esa definición de lo que es “pensar”, deberíamos decir, para ser exactos, que, más que pensar, las máquinas aprenden. Y lo hacen mediante un método particular de aprendizaje, basado en probabilidades. Veámoslo con el siguiente ejemplo:

<e> / :

Imaginemos a un bebe robot con su pequeña inteligencia artificial. Como es un “bebé” y está recién creado, no cuenta con ningún tipo de información precargada, pero está lleno de sensores que le permiten percibir lo que sucede en su entorno. Entre muchas otras cosas, una de las que percibe es que, en un momento de ese primer día de vida, se asoma en el cielo una bola de fuego gigante que provoca que algunos de sus sensores detecten que subió la temperatura, y otros que hay un poco más de luz. Sin embargo, en otro momento determinado de ese día, esa bola de fuego —que por si todavía queda algún distraído, ya podemos bautizar como sol— se oculta.

Para nuestra pequeña inteligencia artificial, hay un 50 % de probabilidades de que el sol vuelva a salir al otro día. A medida que los días van pasando y el sol sale y luego se oculta, esa probabilidad se va haciendo cada vez más alta, hasta llegar a un 99.99 % de certeza de que el sol va a salir cada día. Luego, a medida que vayan pasando los años, aprenderá cada vez con mayor precisión que en determinados momentos el sol está más tiempo a la vista, y menos tiempo oculto, y que luego de algunas veces, se dará la relación contraria.

Ya convertida en una inteligencia artificial adulta, la máquina podrá predecir casi a la perfección el momento exacto de salida y ocultamiento de esa bola de fuego gigante, pero no necesariamente sabe que la bola en cuestión es el sol, que el sol es un cuerpo celeste, o que los momentos en que el sol está más tiempo visible se llaman “verano”.

Esto es lo que se conoce como aprendizaje por probabilidades, y es la forma que tienen las máquinas de pensar, o más bien de aprender.

<e> /

Del ejemplo anterior se desprenden algunas ideas interesantes para nuestro objetivo de comprender cómo piensan las máquinas. De lo más evidente a lo más complejo, podríamos decir que:

1_ Las máquinas no piensan ni aprenden cómo los seres humanos, sino que lo hacen de una forma diferente. Aunque puedan llegar por vías distintas al mismo resultado.

2_ Esa forma en la que las máquinas incorporan “conocimiento” tiene una naturaleza totalmente distinta a la utilizada por los humanos, ya que se basa en un aprendizaje cuantitativo y no cualitativo. Es decir que, técnicamente, hablamos de un aprendizaje basado en la optimización de una función de error.

3_ Por esto, cuanta más información consuma nuestro pequeño robot, menor va a ser su margen de error y, en consecuencia, mayor su posibilidad de “aprender”. Dicho de otro modo, el principal insumo para que las máquinas aprendan, son los datos: cuantos más datos tenga una máquina para procesar, más inteligente será, lo que le permitiría poder “pensar” mejor.

En los últimos años, la cantidad de datos que circula en el mundo se multiplicó enormemente, lo que, como veremos más adelante, permitió que las máquinas piensen mejor, o sean “más inteligentes”. Pero eso no habría sido posible si no se hubieran desarrollado al mismo tiempo tecnologías con capacidad de procesar ese gran volumen de nuevos datos que ahora tenemos a disposición. Cantidad de datos, capacidad de procesamiento, y mayor inteligencia: así completamos el triángulo que sostiene la cuarta revolución industrial y la gran transformación que viene generando en personas y organizaciones en los últimos años.

Por eso, para entender cómo las máquinas fueron desarrollando una gran capacidad de aprendizaje, tenemos que comprender primero cómo pudieron procesar una gran cantidad de datos.

¿QUÉ ES BIG DATA Y QUÉ NO?

Muy probablemente hayas escuchado alguna vez hablar sobre big data. Y al mismo tiempo, también es probable que no te sea del todo sencillo definirlo, y esto tiene que ver con que es un término demasiado general, que intentaremos precisar lo más posible en estas páginas.

Si el mundo fuera un lugar sencillo, este capítulo podría ser el más corto de todo el libro. Cualquier persona que pueda comprender la frase “the cat is under the table”, también podría hacer una sencilla traducción. Literalmente big data significa “grandes datos” o “datos en grandes cantidades”, y con esto se terminaría el asunto. Pero tampoco es tan así. Como dice Walter Sosa Escudero, una de las personas que más sabe sobre big data en América Latina, “el término big data es en sí mismo jerga”. Es decir que es un concepto técnico, casi imposible de traducir y muy difícil de explicar, que solo puede ser comprendido en su contexto y que una buena parte de la gente que lo utiliza, lo hace para parecer un poco más inteligente.

Ahora bien, otra opción cuando escuchemos que alguien habla de big data, es que nos da la sensación de que está haciendo referencia a una tecnología. O más bien, de una innovación tecnológica que está atada a la cuarta revolución industrial y a la economía 4.0 y cuya particularidad sería que permite analizar datos en grandes cantidades.

Ambas definiciones son correctas, y son indisociables una de la otra. Sí, big data son muchos datos. Y, sí, big data también es una tecnología. Justamente porque el concepto técnico de big data hace referencia tanto al volumen de los datos (muchos, muchísimos, demasiados) y al tipo de los datos (obtenidos por medio de tecnologías relacionadas a la cuarta revolución industrial). Dicho de otro modo: tres datos obtenidos por un celular no son big data, como tampoco es big data un millón de datos anotados a mano en una gran planilla. Pero la combinación de ambos fenómenos sí lo es.

Por eso, para hablar de big data necesitamos tanto la cantidad o el volumen, como la tecnología que le da origen y permite administrarlo.

El siguiente ejemplo lo vuelve un poco más claro:

<e> / :

Volvamos a la vida de nuestro amigo, el pequeño robot con inteligencia artificial que aprendió qué es el sol. En los primeros momentos de su robótica vida, habrá guardado información en una base de datos muy sencilla.

Tranquilamente podría haber sido algo como esto:

Día	Hora	¿Está la bola de fuego gigante en el cielo?
1	06:31	No
1	06:32	No
1	06:33	Sí

En el primer día de su vida, nuestro amigo se dedicó a recolectar algunos datos que se reflejan en la tabla de arriba. Relevando información a razón de una vez por minuto, nuestra tabla hubiera alcanzado las 1440 filas en un solo día. Ahora pensémoslo en un año: un poco más de medio millón de filas.

Con esos 525.000 datos, nuestro robot tendría información suficiente para observar con gran precisión a qué hora sale y a qué hora se pone el sol en una vuelta de la tierra a ese astro. Sí, son muchos datos, pero aún no es técnicamente big data.

Pensemos ahora si el robot no solamente obtiene datos sobre la presencia o no del sol en el cielo a cada minuto, sino también sobre la temperatura del momento, la presión atmosférica, el estado del clima, precipitaciones, la dirección, la intensidad del viento o la humedad. Eso multiplicaría considerablemente los datos, como parece evi...

Indice dei contenuti

• Portadilla
• Legales
• Prólogo. Por IA GPT-3
• Un diálogo con la inteligencia artificial
• Prefacio. las tres preguntas mágicas
• Primera parte. El universo de los datos
• Nivel 1 ¿Para qué sirven los datos?
• NIVEL 2 ¿Cómo pensar en un mundo de datos?
• Nivel 3 ¿Cómo construir tu primer algoritmo?
• Segunda parte. El universo de la inteligencia artificial
• Nivel 4 develando los secretos de la IA
• VII. Al cabo de unas pocas semanas más…
• VIII. Efectivamente, en unos días teníamos el algoritmo…
• IX. Los resultados iban cada vez mejor…
• Nivel 5 ¿Las máquinas pueden vernos?
• Nivel 6 El futuro de la inteligencia artificial
• Epílogo ¿Cómo hacer ia responsablemente?
• Agradecimientos