Los verdaderos éxitos de la inteligencia artificial entre chips y código

A pesar del revuelo mediático, especialmente en torno a los vehículos autónomos, la inteligencia artificial está escribiendo código, diseñando chips y diciéndonos hasta qué punto debemos confiar en ella.

0
14
Custom Text

Dado que cuando se habla de inteligencia artificial, también se habla mucho de «hype» (y a menudo de forma inapropiada), es fácil olvidar que una amplia gama de empresas están teniendo un éxito real con la IA. No, no estoy hablando del continuo y martilleo de marketing de Tesla sobre la conducción totalmente autónoma impregnada por la IA. Como escribe el analista Benedict Evans, «la nueva versión de la conducción autónoma completa de Tesla estará pronto disponible (en fase beta) y, sin embargo, no será un sistema totalmente autónomo, ni nada parecido». Más bien me refiero a ejemplos más reales y concretos.

Para que la inteligencia artificial funcione realmente, se necesitan, entre otras cosas, grandes inversiones y datos de buena calidad. Suponiendo que se cumplan estos dos requisitos, echemos un vistazo a algunas áreas en las que la inteligencia artificial está avanzando para mejorar nuestras vidas y no sólo nuestro marketing.

Escribe el código por mí
El experimento reciente más visible para mejorar la productividad humana con la inteligencia de las máquinas es Copilot de GitHub. Al igual que el teléfono inteligente puede sugerir palabras o frases a medida que se escribe, Copilot ayuda a los desarrolladores sugiriéndoles líneas de código o funciones a utilizar. Formado sobre miles de millones de líneas de código en GitHub, Copilot promete mejorar la productividad de los desarrolladores permitiéndoles escribir menos código, y mejor.

Es demasiado pronto para saber si Copilot funcionará.

No voy a decir si puede o no hacer lo que dice hacer; muchos desarrolladores se han apresurado a probarlo y han alabado su potencial. Sin embargo, también hay algunas preocupaciones, como señala Simon Bisson:

«No hay que esperar que el código producido por Copilot sea correcto. Por un lado, todavía está en sus inicios para este tipo de aplicaciones, con poca formación más allá del conjunto de datos básicos. A medida que más y más personas utilizan Copilot, sus sugerencias deberían seguir mejorando con el tiempo. Sin embargo, tendrá que tomar decisiones sobre los fragmentos que utiliza y cómo los utiliza. También hay que prestar atención al código generado por Copilot por razones de seguridad».

También hay preocupación por los derechos de autor y el código abierto, entre otras cosas. La clave será si los desarrolladores encontrarán útiles las sugerencias de Copilot en escenarios reales de programación, y no sólo el hecho (por muy interesante y revolucionario que sea) de que pueda hacer lo que promete.

La mejor inteligencia artificial siempre debe potenciar la creatividad humana en lugar de suplantarla.

Verdadera conducción autónoma
La realidad de los vehículos autodirigidos actuales es que no se conducen solos, sino que pueden asistir a los conductores haciendo algunas tareas por ellos (¡si Elon Musk describiera así la IA de sus Teslas!). La promesa de los vehículos autónomos se ha visto en cierto modo obstaculizada por su dependencia del GPS, que no es nada infalible. Pero, como se describe en la revista Science Robotics, los científicos de Caltech han ideado «una profunda transformación independiente de la estación para la navegación visual con relación con el terreno». En el lenguaje humano, esto significa que los sistemas autónomos (como los automóviles) pueden tomar señales del terreno que les rodea para determinar su ubicación, ya sea que ese terreno esté cubierto de nieve, de hojas caídas o de la exuberante hierba de la primavera.

Los métodos actuales requieren que los datos de la cartografía/del terreno coincidan casi exactamente con lo que «ve» el vehículo, pero la nieve y otros elementos pueden dificultar todo el sistema. Los científicos de Caltech adoptaron un enfoque diferente, denominado aprendizaje autosupervisado. «Mientras que la mayoría de las estrategias de visión por ordenador dependen de personas que analizan cuidadosamente grandes conjuntos de datos para enseñar a un algoritmo a reconocer lo que está viendo, este sistema hace que el algoritmo se enseñe a sí mismo. La inteligencia artificial busca patrones en las imágenes detectando detalles y características que los humanos probablemente pasarían por alto. Mediante este enfoque de aprendizaje profundo, los científicos han creado una forma muy precisa de mejorar la forma en que las máquinas ven y reaccionan al mundo que las rodea.

No es de extrañar que muchas de las cosas que rodean a un vehículo sean otros vehículos. El enfoque de Caltech no ayuda en este frente, pero una nueva investigación de un científico de la Facultad de Ingeniería e Informática de la Universidad Atlántica de Florida pretende aprender de las emociones de los conductores humanos y modificar la conducción en consecuencia. Nadie está utilizando todavía esta reciente patente en la producción, pero apunta a un enfoque holístico de la seguridad y la confianza en la conducción autónoma.

Una cuestión de confianza
Y ahora enfoquémonos a la gran «G». Tal y como se describe en Nature, los ingenieros de Google han adoptado un nuevo enfoque para diseñar la disposición física de un chip informático (el llamado floorplanning). Los ingenieros llevan décadas intentando automatizar este paso de la producción sin éxito. Pero finalmente, utilizando el aprendizaje automático, los diseñadores de chips de Google han logrado resultados en menos de seis horas para un trabajo que solía llevar meses. ¿Cómo? El truco consistía en abordar el proceso de diseño de la disposición física de un chip «desarrollando una arquitectura de red neuronal convolucional basada en gráficos edge-based capaces de aprender representaciones ricas de detalles del chip».

Para conseguirlo, los ingenieros «preinstruyeron» un «agente» utilizando un conjunto de 10.000 «planos» de chips. A continuación, mediante el aprendizaje por refuerzo, el agente «aprende» de los éxitos pasados para sugerir los siguientes bloques a colocar: «En cada fase de planificación, el agente entrenado evalúa el estado del chip que se está desarrollando, incluido el plano parcial que ha construido hasta el momento, y luego aplica la estrategia aprendida para identificar la mejor acción a realizar, es decir, dónde colocar el siguiente macrobloque. Es algo impresionante y, lo que es más sorprendente, es un proceso que actualmente está siendo utilizado en producción por Google.

Esto me lleva al proyecto final: IBM Uncertainty Quantification 360 (UQ360). Uno de los retos de la IA es nuestra (in)disposición a confiar en sus resultados. Una cosa es dejarse llevar por los datos, pero si no confiamos plenamente en esos datos o en lo que la máquina hará con ellos, resulta imposible dejar que la IA tome el timón. UQ360 es un «conjunto de herramientas de código abierto que proporciona a los profesionales de la ciencia de datos y a los desarrolladores acceso a algoritmos de última generación para simplificar el proceso de estimación, evaluación, mejora y comunicación de la incertidumbre de los modelos de aprendizaje automático para la transparencia de la IA.»

En otras palabras, utiliza la IA para estimar hasta qué punto se puede confiar en lo que la IA quiere hacer. Se trata de un gran paso adelante porque debería generar más confianza en que la IA conduzca cada vez más el mundo que nos rodea. Llevamos años diciéndonos que los robots se están imponiendo, aunque nuestra experiencia real es la (mucho más triste y limitada) de la publicidad en línea, que sigue sin adecuar nuestros intereses a las oportunidades de compra.

Redaccón CambioDigital OnLine – CWI.it

Artículo anteriorLas ventas de comunicaciones unificadas se disparan en Europa
Artículo siguienteMicrosoft comienza la era del ‘PC en la nube’ con Windows 365