Datos, algoritmos y políticas: la redefinición del mundo digital
Capítulo VII
de máquina, que no aplica reglas gramaticales como lo haría un sistema experto, sino que se alimenta con un cuerpo (corpus) de texto bilingüe (o colección paralela) de más de 150 a 200 millones de palabras y dos cuerpos monolingües de más de 1.000 millones de palabras cada uno (Och, 2005). La máquina aprende las relaciones por sí misma. Como resultado, Google Translate admite más de 100 idiomas en varios niveles y atiende a más de 500 millones de usuarios a diario. La distinción de relaciones entre conceptos también permite al aprendizaje de máquina interpretar significado: en la medida en que la semántica surge de relaciones entre conceptos puede ser aprendida por una máquina. Un ejemplo son los modelos de espacio vectorial, que tienen una larga historia en el procesamiento del lenguaje natural y representan entidades en un espacio vectorial continuo, donde las entidades semánticamente parecidas se representan en puntos cercanos. La similitud se revela estadísticamente, por ejemplo, prediciendo las palabras o frases siguientes sobre la base de las frases previas.3 En general, el algoritmo de aprendizaje puede ser supervisado o no supervisado. Se dice que una IA aprende de manera supervisada si se conoce el resultado deseado. Así como un niño aprende a asociar palabras a conceptos, se enseña a una máquina a convertir ciertos insumos en determinados resultados. El detalle de la relación insumo-producto depende de la máquina. Por ejemplo, se proporcionan imágenes de un individuo a la IA y la máquina asocia las características faciales de la persona con ese individuo. El aprendizaje no supervisado no tiene resultados preestablecidos. Se pide a la máquina que seleccione patrones indefinidos dentro de un marco teórico determinado. Por ejemplo, se proporcionan a la IA distintas imágenes y esta descubrirá que muchas de ellas corresponden a la misma persona.
c) Perspectivas de la inteligencia artificial El aprendizaje de máquina supone que estas pueden encontrar patrones diferentes de los generalmente asimilados por los cerebros humanos. Así, la IA moderna es básicamente una caja negra, que logra un desempeño superior al humano sin que las personas comprendan cabalmente como se obtiene ese resultado. Por una parte, la ingeniería inversa (reverse engineering) del contenido de esas cajas negras puede llevar a algunos descubrimientos: por ejemplo, el programa AlphaGo de Google venció a los mejores jugadores de Go del mundo en 2015 y 2016, teniendo en cuenta más jugadas que el número de átomos del universo (Silver y otros, 2017). El campeón de Go Fan Hui afirmó categóricamente que al menos un movimiento decisivo no fue humano, pues nunca vio a una persona hacer esa jugada (Metz, 2016). Como reacción a esa jugada el campeón abandonó confundido el recinto, al que regresó 15 minutos después, para perder el juego. Así, gracias a una máquina inteligente, la sofisticada comunidad de jugadores de Go ganó una nueva visión de un juego con más de 2.500 años de historia. Por otra parte, la proliferación de soluciones de IA también lleva a entender que existen otros tipos de inteligencia además de la inteligencia humana. Utilizando una analogía, la inteligencia humana es el resultado de una selección evolutiva, al igual que el vuelo de las aves. Históricamente, solo los pájaros podían volar. Con la revolución tecnológica de la aviación, se comenzó a comprender mejor el campo de la aerodinámica y se descubrieron muchas alternativas para volar, incluidos los helicópteros, los aviones de reacción y los cohetes espaciales. En la naturaleza no existía un medio para viajar a la Luna. El progreso tecnológico lo logró en los escasos 60 años transcurridos desde los vuelos de los hermanos Wright hasta el alunizaje de la Administración Nacional de Aeronáutica y del Espacio (NASA) en 1969. No debería sorprender que se descubra que la forma en que las presiones evolutivas diseñaron la inteligencia humana es solo una de las muchas implementaciones posibles de un concepto mucho más amplio. Las máquinas están descubriendo formas alternativas de ser inteligentes e impulsando la creciente complementariedad entre la inteligencia humana y la artificial.
3
Mikolov y otros (2013) presentan una representación del algoritmo Word2Vec implementada como la biblioteca de aprendizaje de máquina TensorFlow de Google. Por ejemplo, las 60 palabras más cercanas a la palabra “Colombia” corresponden a otros países, mayoritariamente latinoamericanos. También se encuentran los nombres de algunos países asiáticos y europeos y las palabras “Andes”, “Caribe” y “república”. El algoritmo aprendió el contexto del significado de “Colombia” y la relación entre las palabras de manera autosupervisada.
171