En mi formación profesional decidí dedicarme a un área aplicada donde por primera vez me hablaron de una materia que involucraba conocimiento más allá de la técnica. Su nombre: Inteligencia Artificial. En ese momento comenzaron a hablarme de la relación de esta disciplina con neurociencias, ciencias cognitivas, psicología, filosofía, medicina, etc. Los métodos que empleaba estaban basados en modelos matemáticos que iban más allá de la interpretación estadística y que modelaban la realidad a un enfoque tecnológico de vanguardia. Por primera vez escuchaba que los problemas que no tenían solución algorítmica podían encontrar una solución que garantizaba que al menos nos era la peor, y que podría ser considerada por la ciencia como aceptable. Sencillamente, descubrí que por primera vez podría canalizar mi rebeldía de juventud a soluciones reales y aplicadas.
Decidí especializarme en esa área y lo primero que descubrí fue que la gran promesa de esas soluciones requería de un estudio de materias a profundidad como la filosofía, estadística, métodos matemáticos formales, siempre de la mano las ciencias computacionales. Tan disruptiva y curiosa era la idea de enterarme de lo que un economista, un psicólogo, un médico y otros diversos científicos, fundadores de la disciplina, podrían haber aportado a la ciencia computacional.
Los descubrimientos de los métodos que empleaban en ese momento estaban basados en sistemas clasificatorios y de búsquedas que requerían de modelos basados en grafos y árboles de decisión. Desde los primeros esfuerzos se trabajaba con la ingeniería de conocimiento para la creación de Sistemas Expertos y su representación; se integraba el análisis semántico para el desarrollo de sistemas basados en Lenguaje Natural con la inclusión de la teoría de juegos; décadas después, se integraban conceptos de programación evolutiva y modelos de algoritmos genéticos, se contaba con un abanico de algoritmos de regresión y predicción, basados en modelos bayesianos, de agrupación, determinísticos, etc. El gran problema que se tenía para encontrar soluciones rápidas estaba limitado a un poder computacional que no podía compararse al que se tiene en la actualidad. De hecho, uno de mis trabajos de aquel momento proponía una solución de agrupación de estaciones de trabajo que pudiera distribuir el trabajo computacional para poder disminuir la carga de procesamiento para al menos encontrar soluciones en tiempos menores de lo que un sistema natural podría lograrlo.
Los estudios nos hacían imaginar la mayor parte de las investigaciones y el idealizar los insípidos resultados iniciales que estaban rodeados de extendidas explicaciones, hacían que creyéramos que algo podrían aportar en el futuro. La gran parte de los esfuerzos estaban basados en modelos teóricos que, con altos costos computacionales, podrían algún día llegar a ser implementados y aplicados en las áreas con las que se estaban vinculando; por lo que un estudiante de Inteligencia Artificial se convertía en el incipiente aprendiz de medicina, física, etología, mecánica, psicología, y cualquier otra área donde podríamos aplicar los modelos que acabamos de descubrir o diseñar.
La promesa parecía que en ese tiempo consistía en persuadir a otros en que en algún momento podrían tener respuesta a problemas que eran irresolubles. Proyectos donde se tenía que hacer una planificación de rutas en un ambiente parcialmente aleatorio que requerían estaciones de trabajo poderosas (y costosas) para ver un recorrido de un par de minutos sobre una pantalla ilusionaban, porque ni remotamente un estudiante podría contar con un teléfono que sirviera para más que hacer llamadas y menos que pudiera permitir moverse mientras lo hacía. La telefonía móvil estaba reservada para unas cuantas personas. Existían otros proyectos, donde se comenzaban a implementar modelos de aprendizaje donde los primitivos repositorios de datos, cuando existían, lo mínimo que requerían era una normalización (procesamiento para volverlos útiles) o en el peor de los casos, se tenían que hacer sistemas de información que pudieran generar datos de manera aleatoria en ambientes controlados. La localización de un error en el proceso de entrenamiento se llevaba días enteros, para siquiera probar si había un tipo de convergencia.
Todo era estructurado, desde el modelo empleado hasta la metodología para lograrlo, y lo único que se encontraba era una serie de interpretaciones que nos motivaban a seguir creyendo que existiría una manera de llegar a probar lo que en algunas mentes imaginaban. Inteligencia Artificial me fue inculcada como una disciplina que requería de un mecanismo intelectual de resistencia y resiliencia, término que en ese momento ni siquiera se empleaba tan frecuentemente como se hace ahora. Era un periodo de sueños donde lo que se tenía, era una serie de modelos que seguían prometiendo, pero que lograban poco y visualmente, aun menos.
Independientemente de lo que podría verse sobre esos resultados, los modelos teóricos se fueron fortaleciendo y pareciera que estaban dando tiempo a que la capacidad computacional fuera incrementándose, de tal manera que, una disciplina que, parecía que por años estuvo dormida, pudo modificar por fin la forma para demostrar sus resultados.
Tal fue la evolución del poder computacional, que la posibilidad de probar los modelos que surgieron de la Inteligencia Artificial se volvía extremadamente popular. El poder del cómputo está fácilmente alcanzable en nuestras manos y de los modelos complejos que surgieron en años anteriores se pudieron implementar. Las promesas que se tuvieron durante años anteriores podían hacerse por fin realidad. De hecho, en la actualidad, la ciencia de datos prueba con destreza estos modelos.
El mundo comenzó a hablar de Inteligencia Artificial, el Aprendizaje Automático o Machine Learning que se escucha en cualquier sitio y contexto emplea diversos modelos, siendo hoy las redes neuronales su principal representante: simples, multicapa, convolucionales (que son propuestas por el Deep Learning o Aprendizaje Profundo), pulsativas, etc. La visión computacional hace reconocimiento en tiempo real, lo que ha permitido encontrar las agujas en millones de pajares que existen en el planeta. Los datos generados en nuestros comportamientos de acceso a cualquier dispositivo, entiéndase desde el teléfono hasta el transporte, se almacenan en cualquier lugar en la nube porque servirán de entrenamiento para nuevos sistemas basados en Inteligencia Artificial. Se descubren nuevos caminos, más rápidos y eficientes, para ir de un lugar a otro, se crean máquinas que pueden adaptarse a entornos complejos. Se logra volver a hacer a un músico tocar un piano, a un atleta correr, o a un niño escuchar, cuando los tres lo único que compartan es una parálisis total, y se logra a través de prótesis inteligentes cada vez más accesibles. Y así, innumerables aplicaciones que reducen u optimizan procesos.
Cada uno de estos avances tienen costos de los que también la Inteligencia Artificial ha comenzado a hablar, tales como la privacidad de los datos y acciones, la capacidad de decisión o la diversificación de opiniones en sociedades que pareciera que buscan la unificación de pensamiento y homologación de comportamiento. El valor que se le da a las soluciones “inteligentes” es tan significativo que existen nuevos entornos de ética y gobernanza para el uso de las técnicas de Inteligencia Artificial y surgen áreas como la Inteligencia Artificial Explicable que tiene el objetivo de analizar, revelar y determinar el porqué de las soluciones de estas tendencias.
Con todo lo anterior, aun me pregunto si será vigente esta primicia de mis primeras clases donde me cuestionaban cuál solución era la mejor. La mayoría de los modelos que se emplean en la actualidad, están basados en la historia de nuestras acciones pasadas. Muchos de esos datos han sido obtenidos por mecanismos que ni siquiera hemos permitido que sean accesibles y tampoco se conoce el contexto de su obtención. Independientemente de la relevancia que se tenga sobre la valoración de la tecnología en nuestra vida, debemos recordar que tomar una decisión basada por la Inteligencia Artificial debe involucrar el conocimiento de lo que implica el mecanismo de entrenamiento y los datos que contribuyen a esa decisión y sus posibles sesgos. Es complicado aprender a vivir de sueños, pero también lo es aprender a vivir la realidad de los sueños y lo que algunos quisiéramos, es seguir creyendo en nuevos sueños. Supongo que vivir en el romanticismo de creer que una disciplina deje de ser un ideal para convertirse en un método, debiese integrar la reflexión del alcance real de lo que puede resolver y lo que puede ayudar a facilitar la vida y hacerla más humana. Inteligencia Artificial está resolviendo problemas que hasta hace años no tenían solución, los reflectores vuelven a estar sobre ella y está cumpliendo con expectativas pasadas, pero requiere que moderemos el entusiasmo de los resultados actuales y que se acompañe de la reflexión del conocimiento sin temor a lo que pueda darnos en el futuro porque ante todo, su crecimiento siempre ha sido acompañado de conocimiento multidisciplinario.
| ESTHER MARTÍNEZ
