Autoría compartida:

Nerea Ezeiza (Profesora de la UPV/EHU)

Itziar Irigoien (Profesora de la UPV/EHU)

Alexander Mendiburu (Decano de la Facultad de Informática de la UPV/EHU)

Jesús María Pérez (Profesor de la UPV/EHU)

Pintura Algorítmica «Nous (11)»: Jaime de los Ríos

Pese a que la definición y referencias a la Inteligencia Artificial están presentes desde mediados del siglo pasado¹, su protagonismo en el ámbito científico, industrial o social se ha hecho cada vez más notable en estos últimos años²³⁴. Con el adjetivo de disruptiva, se presenta como una tecnología que marcará un antes y un después, un salto cualitativo y cuantitativo en todos los aspectos de nuestra vida. Y, efectivamente, nos abre un sinfín de posibilidades, pero como sucede y ha sucedido con otras tecnologías, su diseño, desarrollo y aplicación estarán condicionadas por intereses concretos y orientadas hacia determinados objetivos. En nuestra mano está, como sociedad, aprovechar esta oportunidad para colocar a las personas en el centro de esta revolución tecnológica (todas ellas, sin sesgo alguno)⁵, haciéndolas partícipes de sus beneficios. Pese a que se ha escrito mucho sobre los miedos y amenazas⁶⁷⁸, los beneficios de la Inteligencia Artificial y sus efectos sobre nuestra sociedad son y serán, sin lugar a duda, impresionantes.

Pero, ¿sabemos qué es la inteligencia artificial? Como punto de partida, podríamos consultar un diccionario o acceder a un recurso digital habitual, como Wikipedia⁹. En esta última, se define como: “La inteligencia artificial (IA) es la inteligencia llevada a cabo por máquinas”, y más adelante, “Coloquialmente, el término inteligencia artificial se aplica cuando una máquina imita las funciones «cognitivas» que los humanos asocian con otras mentes humanas, como, por ejemplo: «percibir», «razonar», «aprender» y «resolver problemas»”.

Esta definición más coloquial es un buen punto de partida para comprender mejor lo que implica, y significa, la inteligencia artificial. Centrémonos en la primera palabra: inteligencia. Si, nuevamente, consultamos su significado, podemos obtener, entre otras, las siguientes definiciones: «Capacidad de entender o comprender», «capacidad de resolver problemas», «conocimiento, comprensión, acto de entender», «sentido en que se puede tomar una proposición, un dicho o una expresión», o «habilidad, destreza y experiencia».

¿Podemos identificar estas capacidades en nuestro día a día? La respuesta es afirmativa: podemos observar habilidades o destrezas cuando manipulamos objetos, escribimos o pintamos. La comunicación también, cuando nos coordinarnos para conseguir un fin común en un deporte, en el trabajo, en los estudios, etc.

Más ejemplos, como la capacidad para el desarrollo del lenguaje y el habla. Desde que nacemos, nos vamos impregnando de sonidos, dándoles forma, identificando patrones, tratando también de generar sonidos, inicialmente gritos, gorjeos, hasta llegar a hablar. Conocimiento, saber, sabiduría; información que vamos recopilando, asimilando y organizando a lo largo de nuestra vida. Planificación, organización de tareas de menor o mayor complejidad que realizamos de manera cotidiana. Estrategia, la que aprendemos y aplicamos por ejemplo en los juegos, bien sean juegos de mesa clásicos o juegos por ordenador.

Y por citar un último ejemplo, razonamiento o capacidad para organizar y relacionar ideas o información, con el fin de extraer conclusiones “válidas”.

Como podemos observar, existen muchas habilidades y destrezas asociadas con la inteligencia. Si añadimos el término artificial, estaríamos refiriéndonos a las habilidades y destrezas observadas en las máquinas (físicas) o programas de ordenador. Así, en base a esta aproximación, parece más sencillo presentar e identificar ejemplos y aplicaciones concretas de inteligencia artificial. Algunas de ellas llevan años entre nosotras/os, otras son más recientes, y muchas de ellas, están por llegar, condicionadas en cierto modo por el (todavía) bajo o medio nivel de digitalización de nuestra sociedad.

La manipulación artificial, la que podemos observar en robots cirujanos. Robots que principalmente funcionan bajo las órdenes de un cirujano, pero aportando un gran valor añadido: visión artificial en 3D, precisión y seguridad en los movimientos, o movilidad extendida. Pensemos ahora en los asistentes virtuales, en sus diferentes formas: robot, altavoz, o app. Sistemas capaces de interpretar los sonidos que emitimos, identificar las palabras, y extraer el significado de nuestra consulta o pregunta (comunicación). Además, podríamos incluir el conocimiento, pues dichos sistemas son capaces de responder con éxito preguntas tales como: ¿quién inventó la radio o cuántos habitantes tiene la tierra? A día de hoy, estos sistemas resuelven con éxito preguntas o solicitudes simples, pero su funcionalidad y capacidad siguen mejorando a pasos agigantados.

La planificación englobará seguramente los ejemplos más familiares: sistemas inteligentes de transporte de viajeros y mercancías, almacenes robotizados, etc. Estrategia, como la utilizada por sistemas artificiales en juegos como el ajedrez. Hace 25 años, el superordenador Deep Blue ganó su primera partida al entonces campeón mundial de ajedrez, Garry Kasparov. Otro sistema más actual, el programa de ordenador Alpha Go Zero, desarrollado por Google DeepMind para el juego de mesa Go, capaz de derrotar a jugadores profesionales. Un detalle a resaltar en este sistema es que, a diferencia de otras aproximaciones en las que los programas son entrenados jugando partidas contra personas (expertas/os), AlphaGo Zero aprendió jugando contra sí mismo, millones de partidas (aprendizaje por refuerzo).

El razonamiento o la capacidad de razonar abre un debate muy interesante. ¿Tenemos sistemas capaces de razonar? La respuesta sería, no, por el momento. En la actualidad existen multitud de sistemas más o menos complejos, que resuelven con solvencia problemas específicos: identificación de objetos o personas en imágenes, logística, vehículos auto-pilotados, traducción automática de textos, sistemas de ayuda a la decisión en medicina, concesión de créditos bancarios, etc. Pero un sistema global, autónomo e independiente, capaz de gestionar datos de entrada, estructurarlos y aprender a resolver problemas de diferentes tipos, no es, a día de hoy, una realidad. Pero…

Todos los sistemas mencionados, aún de diverso tipo y diseñados para objetivos diferentes, tienen algo en común: entrenamiento, repetición y experiencia. Al igual que los seres vivos, las habilidades o capacidades innatas de estos sistemas y modelos matemáticos se van perfeccionando gracias a estos ciclos de entrenamiento, repetición y experiencia.

De la Inteligencia Artificial al Big Data.

Una de las áreas de la Inteligencia Artificial que más se ha desarrollado y aplicado es la relacionada con el Big Data, o análisis de grandes volúmenes de datos (aunque en la realidad no siempre se dispongan o se utilicen grandes cantidades de datos). El objetivo es diseñar y desarrollar un modelo, generalmente mediante técnicas de aprendizaje automático, que, una vez entrenado y ajustado con los datos disponibles, sea capaz de proporcionar respuestas correctas (o lo más acertadas posibles) ante nuevos casos.

De cara a entender los problemas que se pueden afrontar con este tipo de técnicas, citaremos y explicaremos a continuación algunas de las tareas más habituales: aprendizaje supervisado (clasificación y regresión) y aprendizaje no supervisado.

El aprendizaje supervisado (en su versión de clasificación) se aplica a aquellos problemas en los que el objetivo es obtener como respuesta una clase o etiqueta. Un ejemplo muy habitual es el de desarrollar un sistema capaz de discernir si el animal que se observa en una fotografía es un perro o un gato. En este caso, tendríamos dos etiquetas posibles (perro o gato), y el sistema, ante una nueva fotografía, responderá si lo que observa (podría confundirse) es un perro o un gato. Esta aproximación sería aplicable a cualquier problema en el que el resultado sea una categoría: detección de spam en correos electrónicos, identificación de mensajes ofensivos en redes sociales, detección de tumores en imágenes médicas, detección de fraude, identificar situaciones de riesgo o accidentes en viviendas (fuego, caídas), etc. De cara a entrenar el modelo, hay un aspecto fundamental a tener en cuenta: deben existir suficientes datos, de calidad y etiquetados. Es decir, volviendo al ejemplo de los perros y los gatos, necesitaremos un conjunto de fotos etiquetadas, donde hemos indicado si se trata de un perro o un gato.

Como se puede observar, esta aproximación tiene sus limitaciones y variantes: ¿existe, para cualquier problema, un experto o experta capaz de etiquetar casos con total seguridad? ¿y si sólo soy capaz de etiquetar algunos casos? ¿Qué coste supondría disponer de una base de datos con un número suficiente de casos (cantidad y calidad)? Estas y otras situaciones han llevado a la comunidad científica a investigar y desarrollar nuevas técnicas y modelos que puedan ser aplicados con éxito en escenarios alejados de la situación ideal (algo muy común en los problemas reales).

La regresión sería otra aproximación del ámbito del aprendizaje supervisado, donde el planteamiento es similar al anterior, pero en este caso el modelo no proporciona una etiqueta o categoría, sino un valor numérico. Por ejemplo, ¿cuanto tiempo necesitaré para recorrer un trayecto? ¿qué tamaño de olas se espera en la costa? ¿cuánto subirá la cotización en bolsa de una acción? ¿cuál será el nivel de ocupación de UCIs en los próximos días debido a la COVID-19?.

Finalmente, el aprendizaje no supervisado se aplica a problemas en los que no existe una etiqueta, y en los que el objetivo es, por decirlo de forma coloquial, agrupar los casos por afinidad. Este concepto de afinidad no es sencillo de definir, y es un factor determinante para el buen funcionamiento del algoritmo. Un ejemplo de este tipo de problemas podría ser los recomendadores presentes en las plataformas de películas y canciones bajo demanda. Según disfrutamos de canciones o películas, el sistema va aprendiendo nuestras preferencias (y las de otras usuarias y usuarios). En paralelo, busca y agrupa personas que comparten gustos similares, sugiriendo posteriormente películas o canciones afines a dichos gustos.

Además del Big Data, la Inteligencia Artificial abarca muchas otras áreas, tales como la robótica, el procesamiento del lenguaje natural, la visión artificial o el aprendizaje por refuerzo, y nos va a brindar oportunidades únicas para nuestro beneficio y desarrollo como sociedad. En nuestra mano está hacer un uso adecuado de ella.

En esta línea, no quisiéramos terminar este artículo sin mencionar los debates abiertos en torno al tratamiento (privacidad) de los datos, la relevancia de los sistemas explicables (que un experto o experta entienda la decisión tomada por el sistema) o la ética: evitar situaciones de sesgo por género, raza u otros; controlar la capacidad de manipulación de la realidad virtual, la responsabilidad en las decisiones tomadas por sistemas de inteligencia artificial, etc.

A este último respecto, un problema de decisión muy manido dice así: si un coche autónomo se encuentra ante un potencial accidente, y debe decidir si girar a un lado, atropellando a un peatón, o a otro, chocando contra un muro, ¿cuál sería la decisión a tomar? ¿la debería tomar el vehículo? Ciertamente, da pie a un debate muy interesante, que lamentablemente no abordaremos en este artículo, pero planteamos otra pregunta añadida: ¿y si el factor humano no está presente en la ecuación? Pensemos en un parque automovilístico compuesto únicamente por vehículos auto-pilotados: respetarían las normas de circulación, circularían a una velocidad prudente, se comunicarían entre sí (las señales viales clásicas no serían necesarias), identificarían y se comunicarían con los peatones, etc. En esta situación, ¿sería probable el escenario que acabamos de presentar?

Bibliografía, notas y fuentes:

1 McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955, Agosto 31). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.

2 Comisión Europea. (2018, abril 25). Artificial Intelligence for Europe. Retrieved from https://ec.europa.eu/digital-single-market/en/news/communication-artificial-intelligence-europe

3 España. (2020, diciembre 2). Estrategia Nacional de Inteligencia Artificial. Retrieved from https://www.lamoncloa.gob.es/presidente/actividades/Paginas/2020/021220-sanchezenia.aspx

4 PCTI 2030. (2019, Diciembre). Líneas estratégicas y económicas básicas. Retrieved from https://www.euskadi.eus/contenidos/informacion/despliegue_pcti_euskadi/es_def/adjuntos/Bases_PCTI_Euskadi_2030_documento.pdf

5 Cabinet Office, J. (2020, febrero 19). Science and Technology Policy. Council for Science, Technology and Innovation. Society 5.0. Retrieved from https://www8.cao.go.jp/cstp/english/society5_0/index.html

6 Tegmark, M. (2018). Vida 3.0. Ser humano en la era de la inteligencia artificial. TAURUS

7 European Parliament, N. (2020, octubre 20). Artificial intelligence: threats and opportunities. Retrieved from https://www.europarl.europa.eu/news/en/headlines/society/20200918STO87404/artificial-intelligence-threats-and-opportunities

8 Marr, B. (2020, marzo 2). Forbes. Is Artificial Intelligence (AI) A Threat To Humans? Retrieved from https://www.forbes.com/sites/bernardmarr/2020/03/02/is-artificial-intelligence-ai-a-threat-to-humans/?sh=7d813adf205d

9 Inteligencia Artificial, W. (2021, febrero 1). Recuperado el 1 de febrero de 2021. Retrieved from https://es.wikipedia.org/wiki/Inteligencia_artificial