¿Ya es Apocalipsis ahora?
Elon Musk dijo que la inteligencia artificial puede iniciar la Tercera Guerra Mundial. Si el fabricante del automóvil con la inteligencia artificial más avanzada y mercurial del planeta lo dice, significa que hay una base. Hasta hace poco eran muy pocos los que se preocupaban por las consecuencias de la innovación tecnológica que estaba dando un paso furioso. Y estábamos justo al principio, todavía no habíamos visto nada.
Entonces sucedió que el discurso sobre las consecuencias de la tecnología comenzó a filtrarse en todos los sectores de la sociedad, excepto entre los tecnólogos que están convencidos de que están “en una misión para Dios”. La inteligencia artificial es la principal acusada de este cambio de percepción pública.
Cuando se trata de IA, una gran parte de la conversación pública tiende a centrarse en algo más que la pérdida de puestos de trabajo o la ventaja de China. Pero también y sobre todo en el miedo a que las máquinas inteligentes algún día conquisten el mundo convirtiendo al hombre en un mero eslabón de la cadena alimentaria. Eso no es lo que sucede en el Guerra de las palabras por Huxley?
La suposición implícita es que los humanos y las máquinas están en competencia. Una competencia que será ganada por la máquina. Eventualmente, los sistemas inteligentes, con su velocidad superior, poder de procesamiento y resistencia al desgaste, eventualmente nos reemplazarán primero en las profesiones, luego en las organizaciones y finalmente en las decisiones.
Hay un estudio econométrico de 2015 realizado por la Oficina Nacional de Investigación Económica, un centro de investigación que predice las tendencias económicas con suficiente precisión. Este estudio sacó esta conclusión de la investigación sobre el desarrollo de la inteligencia artificial:
"En ausencia de una política fiscal adecuada que redistribuya de ganadores a perdedores, los autos inteligentes significarán más pobreza para todos a largo plazo".
Dos condiciones que de momento parecen lejos de llegar, por no decir siquiera concebidas. Pero una cosa está sucediendo: una parte significativa de la población en los países desarrollados está, de hecho, empobrecida. Y sabemos que el empobrecimiento puede tener consecuencias aún más brutales que la inteligencia artificial.
inteligencia aditiva
Intentemos ver el asunto desde otra perspectiva. Preguntémonos. ¿Y si la operación hombre-máquina del poder no fuera sustractiva, sino aditiva? Esta es la perspectiva que proponen Paul Daugherty y James Wilson en su libro finalmente traducido al italiano humano + máquina. Repensar el trabajo en la era de la inteligencia artificial, Guerini, 2019, pág. 215 (también disponible en ebook en coedición con goWare).
El trabajo de Daugherty y Wilson no es teórico ni narrativo, sino que extrae sus consideraciones de la experiencia de campo adquirida por los dos autores. De hecho, ambos tienen responsabilidades principales en Accenture. Daugherty es directora de tecnología e innovación y supervisa proyectos de I+D e inteligencia artificial a nivel mundial. Wilson dirige el departamento de TI e investigación empresarial.
Accenture es la firma de consultoría de gestión más grande del mundo. Respira el mismo aire que las empresas, sobre todo las grandes, para las que trabaja codo con codo. Es difícil tener un observatorio con una mejor visión de la zona donde se está produciendo la innovación y los cambios.
Daugherty y Wilson realizaron un análisis observacional y estudios de casos de 450 organizaciones en una muestra de 1500 e identificaron una serie de fenómenos relevantes que la investigación cuantitativa ha pasado por alto. Uno es el concepto de "habilidad de fusión": hombres y máquinas juntos forman nuevos tipos de trabajo y experiencias profesionales.
Precisamente esta fusión de conocimientos y habilidades es el “espacio fantasma”. Fantasma en el sentido de que está ausente del polarizador debate sobre el trabajo que ha enfrentado a los hombres contra las máquinas. Y es en este espacio fantasma central donde las empresas de vanguardia han reinventado sus procesos de trabajo, logrando mejoras extraordinarias en el rendimiento.
estoy recapacitando
En su prólogo al libro, Paolo Traverso, director del FBK ICT Fondazione Bruno Kessler Center, resume muy bien la tesis de los dos autores. Escribe:
El sentido de la obra se anuncia en el título: el futuro no está en las máquinas per se, por inteligentes que sean, no está en la pura automatización industrial, aunque llevada al máximo para sustituir un alto porcentaje de las más rutinarias. y componentes de baja creatividad de cada profesión. El futuro de la sociedad, pero también del mercado y de los negocios, es donde las máquinas y las personas trabajen juntas, donde los oficios pero también los modelos de negocios se renueven sustancialmente. La inteligencia artificial no debe reemplazar a las personas, sus habilidades, su creatividad, pero debe mejorarlas, debe aumentarlas.
La palanca fundamental para que esto suceda está en lo que los autores llaman re-skilling, es decir, en preparar a millones de personas de todas las edades para trabajar con las nuevas tecnologías. Una empresa titánica pero inevitable.
Incluso una tecnóloga arrepentida como Arianna Huffington, que ahora aboga por la desconexión, apreció mucho el trabajo de los dos autores que, en última instancia, va en la dirección de una absorción de la tecnología dentro de la condición humana hasta que se convierte en parte integral de ella. Así es como Huffington lo dice sobre el libro:
«En Human + Machine, Daugherty y Wilson aportan un modelo del futuro en el que la inteligencia artificial potencia nuestro lado humano. Lleno de ejemplos, instrucciones e inspiración, el libro es una guía práctica para comprender la inteligencia artificial: lo que significa para nuestras vidas y cómo podemos aprovecharla al máximo".
A continuación ofrecemos dos breves extractos del libro de Daugherty y Wilson. El primero trata sobre una breve historia de la inteligencia artificial. La historia siempre sirve para comprender. El segundo, sin embargo, llega al meollo del asunto al discutir el conjunto de constelaciones tecnológicas que componen la inteligencia artificial en la actualidad. En esencia, la inteligencia artificial en esta etapa de desarrollo es básicamente un aprendizaje profundo. Todavía podemos controlarlo.
Feliz lectura
. . .
Una breve historia de la inteligencia artificial
1956
La tecnología impulsora detrás de la era actual de procesos adaptativos es la inteligencia artificial, que ha evolucionado en las últimas dos décadas. Su historia en breve nos proporcionará un contexto en el que enmarcar sus características y potencialidades más avanzadas.
El campo de la inteligencia artificial nació oficialmente en 1956, cuando un pequeño grupo de informáticos e investigadores liderados por John McCarthy, y que incluía a Claude Shannon, Marvin Minsky y otros, se reunieron en Dartmouth College para la primera conferencia dedicada a la posibilidad de que la máquina la inteligencia puede imitar la inteligencia humana.
La conferencia, esencialmente una sesión prolongada de lluvia de ideas, se basó en la suposición de que todos los aspectos del aprendizaje y la creatividad podrían describirse de una manera tan precisa que podría convertirse en un modelo matemático, por lo tanto, replicado por máquinas. Los objetivos eran ambiciosos, partiendo de la propuesta de diseño: "Se hará cualquier intento de averiguar cómo hacer que una máquina sea capaz de usar el lenguaje, la forma, las abstracciones y los conceptos, resolver tipos de problemas actualmente limitados a los seres humanos y mejorarse a sí misma". . Por supuesto, eso fue solo el comienzo.
La conferencia logró de inmediato reducir el campo y unificar muchas de las ideas matemáticas que giran en torno al concepto de inteligencia artificial.
los pioneros
Y en las décadas que siguieron, inspiró áreas de investigación completamente nuevas. Por ejemplo, Minsky, junto con Seymour Papert, escribió el que se considera el libro fundacional sobre los límites y posibilidades de las redes neuronales, un tipo de inteligencia artificial que utiliza como modelo las neuronas biológicas. En este evento también se pueden rastrear otras ideas como los sistemas expertos -en los que un ordenador está dotado de profundas reservas de "conocimiento" relacionado con campos específicos como la arquitectura o el diagnóstico médico- o el procesamiento del lenguaje natural, la visión artificial y la robótica portátil.
Entre los asistentes a la conferencia estaba Arthur Samuel, un ingeniero de IBM que estaba construyendo un programa de computadora para jugar a las damas. Su programa evaluó el estado de un tablero y calculó las posibilidades de que una determinada posición pudiera conducir a la victoria.
En 1959, Samuel acuñó la expresión machine-learning, «aprendizaje automático»: es decir, ese sector de la investigación que atribuye a los ordenadores la capacidad de aprender sin ser programados explícitamente. En 1961, su programa de aprendizaje automático se utilizó para derrotar al cuarto jugador de damas más grande de los Estados Unidos.
Pero dado que Samuel era una persona privada y no practicaba la política de autopromoción, no fue hasta su retiro de IBM en 1966 que la importancia de su trabajo sobre el aprendizaje automático se hizo de conocimiento público.
Aprendizaje automático
En las décadas que siguieron a la conferencia, el aprendizaje automático permaneció oscuro a medida que la atención se centró en otros modelos de IA. En particular, la investigación realizada en las décadas de XNUMX y XNUMX se centró en un concepto de inteligencia basado en símbolos físicos y manipulado por reglas lógicas. Estos sistemas simbólicos, sin embargo, no tuvieron éxito en la práctica, y su fracaso condujo a un período conocido como "el invierno de la inteligencia artificial".
Sin embargo, en la década de 1990, el aprendizaje automático comenzó a florecer nuevamente y sus defensores adoptaron la estadística integrada y la teoría de la probabilidad en su enfoque. Al mismo tiempo, comenzó la revolución de la computadora personal. Durante la próxima década, los sistemas digitales, los sensores, Internet y los teléfonos celulares se convertirían en algo común, proporcionando todo tipo de datos a los expertos en aprendizaje automático a medida que desarrollaban sus sistemas adaptativos.
Hoy pensamos en un programa de aprendizaje automático como un generador de modelos basado en conjuntos de datos que los ingenieros y especialistas usan para entrenar el sistema. Es un marcado contraste con la programación informática tradicional. Los algoritmos estándar seguían caminos predeterminados puestos en marcha por instrucciones estáticas o por el código del programador. Un sistema de aprendizaje automático, por otro lado, puede aprender mientras funciona. Con cada nuevo conjunto de datos, actualiza sus modelos y cómo "ve" el mundo. En una era en la que las máquinas pueden aprender y cambiar a través de la experiencia y la información, los programadores se han convertido cada vez menos en legisladores y dictadores, y cada vez más en maestros y entrenadores.
hoy como hoy
Hoy en día, los sistemas de inteligencia artificial que emplean el aprendizaje automático están en todas partes. Los bancos los usan para protegerse del fraude; los sitios de citas los utilizan para sugerir posibles coincidencias; los especialistas en marketing los usan para predecir quién responderá favorablemente a un anuncio; y los sitios para compartir fotos los utilizan para el reconocimiento automático de rostros. Ha recorrido un largo camino desde el primer juego de damas. En 2016, Google AlphaGo marcó un avance significativo en el campo. Por primera vez, una computadora ha vencido a un campeón de Go, un juego mucho más complejo que las damas o el ajedrez. Como una señal de los tiempos, AlphaGo ha producido movimientos tan inesperados que algunos observadores los han llamado creativos, incluso "hermosos".
El crecimiento de la inteligencia artificial y el aprendizaje automático ha sido intermitente a lo largo de los años, pero la forma en que ambos se han introducido recientemente en productos y operaciones comerciales muestra que están más que listos para un papel protagónico. Según Danny Lange, exjefe de aprendizaje automático de Uber, la tecnología finalmente ha abandonado las paredes de los laboratorios de investigación y se está convirtiendo rápidamente en "la piedra angular de esta nueva y tormentosa transformación industrial".
Tecnologías y aplicaciones inteligentes: ¿cómo pueden coexistir?
Aquí hay un glosario de la constelación de tecnologías de inteligencia artificial que debe conocer hoy. Estas tecnologías corresponden a aprendizaje automático, capacidades de inteligencia artificial y capas de aplicación como se muestra en la figura a continuación.
Componentes del aprendizaje automático
— Aprendizaje automático (ML). El campo de la informática que se ocupa de los algoritmos que aprenden de los datos y de los datos hacen predicciones sin necesidad de ser programados explícitamente. Es un área que tiene sus raíces en la investigación de Arthur Samuel de IBM, quien acuñó el término en 1959 y usó los principios del aprendizaje automático en su trabajo sobre juegos de computadora. Gracias a la explosión de datos disponibles para entrenar algoritmos, el aprendizaje automático se está utilizando actualmente en campos tan diversos como la investigación de visión artificial, la investigación de fraudes, la predicción de precios, el procesamiento del lenguaje natural y aún más.
- Aprendizaje supervisado. Un tipo de aprendizaje automático en el que los datos preclasificados y seleccionados (en la jerga técnica, datos etiquetados) compuestos de entradas ejemplares y salidas deseadas se presentan a un algoritmo. El objetivo del algoritmo es aprender las reglas generales que conectan las entradas con las salidas y usar estas reglas para predecir eventos futuros solo a partir de los datos de entrada.
- Aprendizaje sin supervisión. El algoritmo no se suministra con etiquetas, dejándolo solo para encontrar estructuras y modelos de entrada. El aprendizaje no supervisado puede ser un fin en sí mismo (en términos de descubrir patrones ocultos en los datos) o apuntar a algo específico (p. ej., extraer rasgos relevantes de los datos). El aprendizaje no supervisado se centra menos en la salida que el aprendizaje supervisado y se centra más en explorar los datos de entrada e inferir estructuras ocultas y datos no marcados.
- Aprendizaje semisupervisado. Use datos etiquetados y sin etiquetar, generalmente más segundos. Muchos investigadores han descubierto que la combinación de los dos conjuntos de datos aumenta considerablemente la precisión del proceso de aprendizaje.
- Aprendizaje reforzado. Este es un tipo de entrenamiento en el que a un algoritmo se le asigna un objetivo específico, como operar un brazo mecánico o jugar al Go. Cada movimiento que hace el algoritmo es recompensado o castigado. La retroalimentación permite que el algoritmo construya el camino más eficiente hacia la meta.
- Red neuronal. Un tipo de aprendizaje automático en el que un algoritmo, aprendiendo de los datos de observación, procesa la información de manera similar al sistema nervioso humano. En 1957, Frank Rosenblatt de la Universidad de Cornell inventó la primera red neuronal, una arquitectura simple de un solo nivel (conocida como red de superficie).
- Aprendizaje profundo y subconjuntos: redes neuronales profundas (DNN), redes neuronales recurrentes (rnn) y redes neuronales feedforward (FNN). Conjunto de técnicas para el entrenamiento de una red neuronal multinivel. En la dnn los datos "percibidos" se procesan a través de diferentes niveles; cada nivel utiliza las salidas del anterior como entrada. El rnn permite que los datos fluyan entre niveles, a diferencia de fnn, donde los datos son unidireccionales.
Componentes de habilidades inteligentes
— Sistema predictivo. Sistema que encuentra relaciones entre variables en conjuntos de datos históricos con resultados relacionados. Las relaciones se utilizan para desarrollar modelos, que a su vez se utilizan para predecir escenarios futuros.
— Búsqueda local (optimización). Un enfoque matemático para la resolución de problemas que hace uso de un gran conjunto de posibles soluciones. El algoritmo busca la solución óptima partiendo de un punto de la serie y desplazándose iterativamente y sistemáticamente a soluciones vecinas hasta encontrar la solución óptima.
— Representación del conocimiento. Un campo de inteligencia artificial dedicado a representar información sobre el mundo en una forma que la computadora pueda usar para realizar tareas, como hacer un diagnóstico médico o mantener una conversación con una persona.
— Sistemas expertos (inferencia). Un sistema que utiliza conocimiento sectorial (medicina, química, derecho) combinado con un motor basado en reglas que decide cómo se aplica ese conocimiento. El sistema mejora a medida que se agrega nueva información o se actualizan o aumentan las reglas.
- Visión por computador. Un campo dedicado a enseñar a las computadoras a identificar, categorizar y comprender el contenido de imágenes y videos, imitando e implementando la visión humana.
— Procesamiento de señales de audio. Aprendizaje automático que se puede utilizar para analizar audio y otras señales digitales, especialmente en entornos con alta saturación de sonido. Las aplicaciones incluyen procesamiento computacional de voz y audio y audiovisual.
Dictado a texto. Redes neuronales que convierten señales de audio en señales de texto en una variedad de lenguajes naturales. Las aplicaciones incluyen traducción, comando y control de voz, transcripción de audio y más.
- Procesamiento natural del lenguaje (PNL, procesamiento del lenguaje natural). Un dominio en el que las computadoras procesan lenguajes humanos (naturales). Las aplicaciones incluyen reconocimiento de voz, traducción automática, análisis de sentimientos.
Componentes de aplicaciones de IA
- Agentes inteligentes. Agentes que interactúan con las personas a través del lenguaje natural. Se pueden usar para implementar mano de obra humana en servicio al cliente, recursos humanos, pasantías y otras áreas del negocio donde se manejan solicitudes de plantillas de preguntas frecuentes.
— Robótica colaborativa (cobots). Robots que operan a velocidades más lentas y están equipados con sensores que permiten una interacción segura con colegas humanos.
— Reconocimiento biométrico, facial y de gestos. Identificar personas, gestos o tendencias en medidas biométricas (estrés, actividad, etc.) para la interacción hombre-máquina, o con fines de identificación y verificación.
— Automatización inteligente. Transfiere algunas tareas del hombre a la máquina para cambiar drásticamente la operación tradicional. A través del potencial y las habilidades de las máquinas (velocidad, amplitud, capacidad de eludir la complejidad), estas herramientas complementan el trabajo humano y lo amplían donde sea posible.
— Sistemas de recomendación. Proporcionan recomendaciones basadas en patrones sutiles identificados a lo largo del tiempo por algoritmos. Pueden dirigirse a los clientes para sugerir nuevos productos o utilizarse internamente para sugerencias estratégicas.
— Productos inteligentes. La inteligencia está integrada en el diseño para que puedan evolucionar constantemente para satisfacer y anticipar las necesidades y preferencias de los clientes.
— Personalización. Analice tendencias y patrones para clientes y empleados para optimizar herramientas y productos para usuarios o clientes individuales.
— Reconocimiento de texto, voz, imagen y video. Interpreta datos de texto, voz, imágenes y video y crea asociaciones que pueden usarse para ampliar las actividades analíticas y habilitar aplicaciones avanzadas para la interacción y la visión.
- Realidad aumentada. Combine el poder de la IA con tecnologías de realidad virtual, aumentada y mixta para agregar inteligencia a la capacitación, el mantenimiento y otras tareas.
