El futuro de la IA se basará en menos datos, no en más

Las empresas que estén pensando en invertir en capacidades de IA deberían entender primero que, en los próximos cinco años, las aplicaciones y las máquinas pasarán a ser menos artificiales y más inteligentes. Se basarán menos en los macrodatos de abajo hacia arriba y más en el razonamiento de arriba hacia abajo, que se parece más a la forma en que los humanos abordan los problemas y las tareas. Esta capacidad de razonamiento general permitirá aplicar la IA de manera más amplia que nunca, lo que creará oportunidades para los primeros en adoptarla, incluso en empresas y actividades para las que antes no parecía adecuada. La IA actual tiene muchas limitaciones. Tiene problemas especialmente para gestionar los casos «extremos», situaciones en las que hay pocos datos para el entrenamiento. Un coche sin conductor que puede circular por los cruces peatonales, los peatones y el tráfico tiene problemas para procesar anomalías, como niños vestidos con inusuales disfraces de Halloween que cruzan la calle al anochecer. Muchos sistemas también se confunden fácilmente. El sistema de reconocimiento facial del iPhone X no reconoce las «caras matutinas», la mirada hinchada y demacrada del usuario al despertarse por primera vez. Pero en los próximos años, los sistemas que aprenden «de arriba hacia abajo» a partir de datos limitados sustituirán a estas aplicaciones de abajo hacia arriba, ávidas de datos. Tendrán un razonamiento más eficiente, experiencia inmediata y sentido común. Las empresas inteligentes apostarán por estos sistemas más «humanos».

••• Las empresas que estén pensando en invertir en capacidades de IA deberían entender primero que, en los próximos cinco años, las aplicaciones y las máquinas pasarán a ser menos artificiales y más inteligentes. Se basarán menos en los macrodatos de abajo hacia arriba y más en el razonamiento de arriba hacia abajo, que se parece más a la forma en que los humanos abordan los problemas y las tareas. Esta capacidad de razonamiento general permitirá aplicar la IA de manera más amplia que nunca, lo que creará oportunidades para los primeros en adoptarla, incluso en empresas y actividades para las que antes no parecía adecuada. En el pasado reciente, la IA avanzó mediante el aprendizaje profundo y el aprendizaje automático, creando sistemas desde abajo entrenándolos con montañas de datos. Por ejemplo, los vehículos sin conductor están entrenados para afrontar tantas situaciones de tráfico como sea posible. Pero estas redes neuronales ávidas de datos, como se las llama, tienen serias limitaciones. Especialmente, tienen problemas para gestionar los casos «extremos», situaciones en las que hay pocos datos. Un coche sin conductor que puede circular por los cruces peatonales, los peatones y el tráfico tiene problemas para procesar anomalías, como niños vestidos con inusuales disfraces de Halloween que cruzan la calle al anochecer. Muchos sistemas también se confunden fácilmente. El sistema de reconocimiento facial del iPhone X[no reconoce las «caras matutinas»](https://slate.com/technology/2018/07/iphone-face-id-struggles-to-recognize-people-in-the-morning.html)—el aspecto hinchado y demacrado del usuario al despertarse por primera vez. Las redes neuronales han derrotado a los campeones de ajedrez y han triunfado en la antigua partida japonesa del Go, pero al poner una imagen boca abajo o alterarla ligeramente, la red puede identificarla erróneamente. O puede proporcionar [identificaciones de «alta confianza»](https://arxiv.org/abs/1412.1897) de objetos irreconocibles. Los sistemas ávidos de datos también se enfrentan a restricciones empresariales y éticas. No todas las empresas tienen el volumen de datos necesario para crear capacidades únicas mediante redes neuronales. El uso de enormes cantidades de datos de los ciudadanos también plantea problemas de privacidad que podrían llevar a más medidas gubernamentales, como el Reglamento General de Protección de Datos (GDPR) de la Unión Europea, que impone requisitos estrictos al uso de los datos personales de las personas. Además, estos sistemas son cajas negras; no está claro cómo utilizan los datos de entrada para obtener resultados, como acciones o decisiones. Esto los deja expuestos a la manipulación por parte de malos actores (como los rusos en las elecciones presidenciales estadounidenses de 2016), y cuando algo sale vergonzosamente mal, las organizaciones tienen dificultades para explicar por qué. Sin embargo, en el futuro tendremos sistemas de arriba hacia abajo que no requieren tantos datos y que son más rápidos, flexibles y, como los humanos, más inteligentes de forma innata. Varias empresas y organizaciones ya están poniendo en marcha estos sistemas más naturales. Para elaborar una visión del rumbo de la IA en los próximos años y, luego, planificar las inversiones y las pruebas en consecuencia, las empresas deberían buscar avances en cuatro áreas: **Más eficiente** **razonamiento robótico.** Cuando los robots tienen una visión conceptual del mundo, como los humanos, es más fácil enseñarles cosas y utilizan muchos menos datos. Vicarious, una empresa emergente de Union City, California, cuyos inversores incluyen a Mark Zuckerberg, Jeff Bezos y Marc Benioff, está trabajando para desarrollar sistemas artificiales[inteligencia general para robots](https://www.vicarious.com/research/), lo que les permite generalizar a partir de algunos ejemplos. Tenga en cuenta esas mezcolanzas de letras y números que utilizan los sitios web para determinar si es un humano o un robot. Llamado _CAPTCHA_ (Pruebas de Turing públicas y completamente automatizadas para diferenciar ordenadores de humanos), son fáciles de resolver para los humanos y difíciles para los ordenadores. Basándose en la neurociencia computacional, los investigadores de Vicarious han desarrollado un modelo que puede [descifrar los CAPTCHAs](http://theobjective.com/wp-content/uploads/2017/10/science.aag-CAPCHA.pdf) a un ritmo mucho mayor que las redes neuronales profundas y con una eficiencia de datos 300 veces mayor. Para analizar los CAPTCHA con una precisión de casi un 67%, el modelo Vicarious solo necesitaba cinco ejemplos de entrenamiento por personaje, mientras que una red neuronal profunda de última generación requería un conjunto de entrenamiento de cadenas CAPTCHA reales mucho mayor. Estos modelos, con su capacidad de entrenar más rápido y generalizar de manera más amplia que los enfoques de IA que se utilizan comúnmente en la actualidad, nos están poniendo en el camino hacia robots que tienen una comprensión conceptual del mundo similar a la humana. **Experiencia lista****.** Al modelar lo que haría un experto humano ante una gran incertidumbre y pocos datos, la inteligencia artificial de arriba hacia abajo puede superar los enfoques ávidos de datos para diseñar y controlar muchos tipos de equipos de fábrica. Siemens utiliza la IA de arriba hacia abajo para controlar el complejo proceso de combustión en las turbinas de gas, en el que el aire y el gas entran en una cámara, se encienden y se queman a temperaturas de hasta 1600 grados Celsius. El volumen de emisiones generadas y, en última instancia, el tiempo que la turbina seguirá funcionando dependen de la interacción de numerosos factores, desde la calidad del gas hasta el flujo de aire y la temperatura interna y externa. Con métodos de aprendizaje automático de abajo hacia arriba, la turbina de gas tendría que funcionar durante un siglo antes de producir datos suficientes para empezar a entrenar. En cambio,[Investigadores de Siemens](https://www.siemens.com/innovation/en/home/pictures-of-the-future/digitalization-and-software/artificial-intelligence-ai-in-gas-turbines.html) Volar Sterzing y Steffen Udluft utilizaron métodos que requerían pocos datos en la fase de aprendizaje de las máquinas. El sistema de monitorización resultante realiza ajustes precisos que optimizan el funcionamiento de las turbinas en términos de emisiones y desgaste, y busca continuamente la mejor solución en tiempo real, como un experto que hace girar varios botones de manera concertada. **Sentido común.** Varias organizaciones están trabajando para enseñar a las máquinas a navegar por el mundo con el sentido común, para entender los objetos y las acciones del día a día, comunicarse de forma natural, gestionar situaciones imprevistas y aprender de las experiencias. Pero lo que les resulta natural a los humanos, sin formación ni datos explícitos, es tremendamente difícil para las máquinas. Dice Oren Etzioni, director ejecutivo del Instituto Allen de Inteligencia Artificial ([AI2](https://allenai.org/)**)**, «Ningún sistema de IA implementado actualmente puede responder de forma fiable a una amplia gama de preguntas sencillas, como: 'Si pongo mis calcetines en un cajón, ¿seguirán ahí mañana? ' o '¿Cómo puede saber si un cartón de leche está lleno?'» Para ayudar a definir lo que significa que las máquinas tengan sentido común, la AI2 está desarrollando un[cartera de tareas](https://mosaic.allenai.org/projects/mosaic-commonsense-benchmarks) con el que se puede medir el progreso. DARPA invierte 2000 millones de dólares en la investigación de la IA. En su[Programa Machine Common Sense (MCS)](https://www.darpa.mil/news-events/2018-10-11), los investigadores crearán modelos que imiten los dominios principales de la cognición humana, incluidos «los dominios de _objetos_ (física intuitiva), _lugares_ (navegación espacial) y _agentes_ (actores intencionales).» [Investigadores](http://aclweb.org/anthology/D18-1220) en Microsoft y la Universidad McGill han desarrollado conjuntamente un sistema que se ha mostrado muy prometedor para resolver las ambigüedades del lenguaje natural, un problema que requiere diversas formas de inferencia y conocimiento. **Hacer mejores apuestas.** Los humanos clasifican las probabilidades de forma rutinaria, y a menudo sin esfuerzo, y actúan según las probabilidades más probables, incluso con relativamente poca experiencia previa. Ahora se enseña a las máquinas a imitar ese razonamiento mediante la aplicación de[Procesos gaussianos](http://www.gaussianprocess.org/gpml/chapters/RW.pdf)—modelos probabilísticos que pueden hacer frente a una gran incertidumbre, actuar sobre la base de datos dispersos y aprender de la experiencia. Lanzamiento de Alphabet, la compañía madre de Google [Proyecto Loon](https://www.wired.com/2017/02/machine-learning-drifting-real-world-internet-balloons/) , diseñado para proporcionar servicio de Internet a las regiones desatendidas del mundo a través de un sistema de globos gigantes que flotan en la estratosfera. Sus sistemas de navegación emplean procesos gaussianos para predecir hacia dónde, con los vientos estratificados y muy variables que se elevan, tienen que ir los globos. Luego, cada globo se mueve hacia una capa de viento que sopla en la dirección correcta y se organiza para formar una gran red de comunicación. Los globos no solo pueden hacer predicciones razonablemente precisas analizando los datos de vuelos anteriores, sino que también pueden analizar los datos durante un vuelo y ajustar sus predicciones en consecuencia. Estos procesos gaussianos son muy prometedores. No requieren enormes cantidades de datos para reconocer los patrones; los cálculos necesarios para la inferencia y el aprendizaje son fáciles desde el punto de vista de la relatividad y, si algo sale mal, se puede rastrear la causa, a diferencia de las cajas negras de las redes neuronales. Aunque todos estos avances son relativamente recientes, se remontan a los inicios de la IA en la década de 1950, cuando varios investigadores comenzaron a buscar modelos de arriba hacia abajo para imitar la inteligencia humana. Pero cuando el progreso resultó difícil de alcanzar y se hizo evidente el gran potencial de los métodos de aprendizaje automático de abajo hacia arriba, se abandonó en gran medida el enfoque descendente. Sin embargo, hoy en día, gracias a nuevas y poderosas técnicas de investigación y computación, la IA de arriba hacia abajo ha renacido. A medida que su gran promesa comience a cumplirse, las empresas inteligentes pondrán su dinero donde esté la mente.