Categoría: Blog de Articulos con Novedades de Psicologia

Entrevista a D. Aitor Moreno Fernández, Responsable del Departamento Sistemas Inteligentes de Control y Gestión de Ibermática, quien nos habla de la Inteligencia Artificial.

A continuación trasncribo entrevista a D. Aitor Moreno Fernández, Responsable del Departamento Sistemas Inteligentes de Control y Gestión de Ibermática, quien nos habla qué es y cómo ha evolucionado la Inteligencia Artificial.

– ¿Qué es Inteligencia Artificial y cuál es su objetivo?

En principio, la Inteligencia Artificial se puede definir como la “mecanización” en sistemas artificiales de funciones “inteligentes”, usualmente humanas, con el objetivo que estos mecanismos ayuden en la realización de tareas de poco valor añadido.
Por ejemplo, una calculadora es un ejemplo de “mecanización” de cierta “inteligencia humana”, la matemática, en un sistema de ayuda. Así, un ordenador que calcula nóminas, un ordenador que predice o sugiere los mejores productos a recomendar a un cliente, no difieren mucho de una simple calculadora, y permiten a los humanos abstraerse de la “tediosa” tarea de análisis, para poder aplicar directamente los resultados obtenidos por estos sistemas inteligentes a la mejora de decisiones. ¿Pero es esto Inteligencia Artificial? Evidentemente, no, esto yo lo definiría como sistemas programados, que ejecutan lo flujos que tienen “grabados” en su memoria, o ciertas ecuaciones matemáticas fijas.
Entonces, ¿Qué es realmente la inteligencia Artificial? Seguramente, la pregunta más difícil es definir previamente qué es “Inteligencia”, es decir, decidirnos entre qué es más inteligente: ¿una hormiga o una calculadora?
Claramente, una hormiga, pero una calculadora puede sernos más útil. Según su etimología, inteligencia es un término latino compuesto de inter:“entre” y legere: “escoger”, es decir, es la facultad de “saber elegir”. Pero el “saber”, o el “sabio”, no es aquel que acumula información, sino aquel que ha “aprendido” como dicha información está relacionada entre sí. Así, que, “algo” inteligente, según mi definición personal, es aquello que es capaz de tomar decisiones en entornos desconocidos o nuevos, en base a una serie de observaciones y aprendizajes previos sobre experiencias pasadas, o dicho de otra manera, algo inteligente es aquello que observa el mundo que le rodea, extracta información, la relaciona, y finalmente, es capaz de aplicar este conocimiento en contextos desconocidos, aprovechando al máximo la situación contextual para la obtención de un objetivo.
Esta claro, que esta definición se acerca más a una hormiga, que sabe actuar en situaciones desconocidas, que una calculadora, que directamente, no sabe actuar si no le damos ciertas órdenes preprogramadas. Y precisamente este es el salto tecnológico más importante, innovador y, revolucionario, que está cambiando todo nuestro mundo: la capacidad de los sistemas “mecanizados” para aprender de información pasada o histórica, y aplicarla sobre nuevos casos futuros, sin necesidad de programar previamente que tienen que hacer: son las máquinas las que deciden que hacer en cada caso., en base a su aprendizaje automático.
En definitiva, la Inteligencia Artificial no es más que un conjunto de técnicas y algoritmos que intentan dar respuesta a problemas que son difíciles de resolver por medios de programación clásica. Los problemas que son susceptibles de tratar con estas técnicas son aquellos que son voluminosos, difíciles de caracterizar con exactitud, dónde sus especificaciones y valores de entrada cambian constantemente, y tienen la necesidad de un aprendizaje automático. Así, «estas técnicas ofrecen nuevas oportunidades a cualquier negocio que quiera mejorar la eficiencia de sus operaciones, permitiendo combinar predicción, optimización y adaptabilidad para responder a dos cuestiones fundamentales: ¿Qué es probable que suceda en el futuro? ¿Cuál es la mejor decisión ahora mismo?» (Observatorio Tecnológico de Informática, Agosto, 2009, https://observatorio.iti.upv.es/).
Un ejemplo típico es el reconocimiento óptico de caracteres. Imagínense que tienen que desarrollar un sistema que reconozca las matrículas en un recinto de seguridad. A priori, no sería demasiado complicado seleccionar las letras, y en función de su forma, por medio de algún algoritmo, para determinar la letra que recogemos. Pero el problema surge cuando las matrículas no están todas en perfecto estado, sino que algunas están dobladas, otras sucias, otras tienen pegatinas cerca, etc… Entonces, el algoritmo se puede complicar. Y a cada caso nuevo, debemos modificar el programa para que lo vuelva a tener en cuenta en futuras evaluaciones. Sin embargo, con técnicas de I.A., simplemente debemos «activar» un sistema mostrándole distintas letras de entrada (matrículas perfectas, sucias, rotas, con distintos grados de luminosidad…), y especificándole para cada entrada cual es su salida deseada. De esta forma, una vez entrenado el sistema, este será capaz de reconocer muy bien las matrículas que le hemos enseñado, y además, será capaz de inferir cuáles son los caracteres de una matrícula defectuosa, aunque jamás la haya «visto» en el pasado. Y una vez creado este sistema de matrículas, podemos reutilizarlo para la validación de usuarios en función de su cara, sin tener que obligar al individuo a atarlo en la silla para que siempre ofrezca el mismo perfil facial, sino que las pequeñas variaciones laterales o de aspecto no son relevantes para la identificación. Pero además, si el sistema fallase, podemos realimentarlo con los nuevos valores de entrada y sus salidas respectivas, de forma que el sistema «aprende» de dichos errores, y progresivamente, va mejorando sus resultados.
Esta propiedad de predicción, en realidad, es básicamente la capacidad que estos sistemas tienen de clasificar entradas desconocidas dentro de clases determinadas o «aprendidas», de forma que, por ejemplo, podemos utilizar conjuntos de grandes cantidades de información devueltas por un sinfín de sensores «enchufados» a una máquina a lo largo de un periodo de tiempo, y los distintos estados por los que ha pasado dicho dispositivo, para, de forma automática (sin manipulación humana), asignar los valores de los sensores a los estados de salida (incidencia, funcionamiento normal, paro, etc…). Este aprendizaje implica que el sistema clasificará los valores de salida de los sensores en función de los estados por los que ha pasado la máquina, agrupando salidas similares a entradas sensoriales diferentes, y creando un «mapa» de valores de entradas sensoriales que, posteriormente, servirá para clasificar un nuevo conjunto de valores de entrada jamás mostrado al sistema. Tenemos, por lo tanto, un sistema de predicción, que puede servir, por ejemplo, para determinar problemas de mantenimiento preventivo antes de que ocurran las averías, para detectar células cancerígenas en función a las imágenes de un escáner, o simplemente, para encontrar relaciones relevantes en un universo de datos aparentemente no conectadas, como lo pueda ser la venta de productos en función de la zona geográfica, el estado civil del comprador y su edad (la venta de motos se dispara entre los perfiles de casados mayores de 40 años).
Esta es la verdadera revolución. Máquinas que aprenden solas en base a experiencias pasadas, y que pueden aplicar este aprendizaje sobre nuevos datos desconocidos, y siempre nos dan una salida, por similitud a lo aprendido. En el fondo, es lo que hace nuestro cerebro. Y esta facultad está siendo aplicada hoy en día, constantemente, en todo nuestros entornos, sin que nos demos cuenta.

– ¿Cómo surge Inteligencia Artificial?

La historia de la Inteligencia Artificial (actualmente denominada Inteligencia Computacional) es un vaivén de expectativas y decepciones. En los años sesenta, se creo, desde el mundo académico, una burbuja desmesurada de publicidad en favor de las posibilidades de la Inteligencia Artificial, que fue poco a poco desinflándose a medida que dichas técnicas se intentaron traducir al mundo productivo real. Sin embargo, en los últimos años, el auge de estas técnicas está creciendo de forma exponencial, debido principalmente al enorme incremento de la velocidad de proceso y almacenamiento masivo de los sistemas actuales, así como a la cada vez, mayor demanda, del tratamiento de grandes volúmenes de información de forma automatizada (BigData). La presencia de nuevos paradigmas en el tratamiento de la información que generan las empresas, el procesamiento masivo de esta información, una marcada tendencia hacia la globalización de los mercados, unidos al riesgo y la incertidumbre en la toma de decisiones empresariales, han contribuido a dicho avance. De esta forma, grandes empresas como SAP, SPSS, Oracle, Microsoft, Google, Yahoo están, incorporando como parte de su oferta de productos, módulos que contienen algoritmos de Inteligencia Artificial, especializándose en el tratamiento masivo de información. Todos los días recibimos noticias referentes a la «guerra» entre Google, Microsoft y Yahoo en el desarrollo del mejor buscador semántico de la Web, o de cómo Google comienza a determinar los perfiles de crédito de los usuarios que entran en sus páginas, o que SAP ha comprado software de terceros para competir con otros fabricantes en el desarrollo de técnicas de DataMining. Sin darnos cuenta, a diario nos rodea software «inteligente» como parte de las herramientas con las que trabajamos habitualmente. Así, utilizamos buscadores para discriminar la información en Internet, dispositivos móviles que nos calculan la mejor ruta de viaje en función de la rapidez, comodidad, o gustos gastronómicos, sistemas de reconocimiento automático que chequean nuestras matrículas a la hora de acceder a los garajes, sistemas de vigilancia automática que revisan movimientos «anómalos» en los aeropuertos y terminales de carga, un sinfín de robots fabrican y chequean con control visual la calidad de los productos. Nuestros frigoríficos regulan su temperatura y el estado de los contenidos mediante algoritmos de lógica difusa, teleoperadores virtuales toman notas de nuestras incidencias o de nuestras reservas de forma desasistida, los videojuegos simulan contrincantes con mejores estrategias que nosotros, e incluso nos permiten interactuar con la pantalla en función de nuestros movimientos, las entidades bancarias conceden o deniegan créditos en función del perfil del cliente, cortejándolo con un histórico del éxito o fracaso basado en la vida de cientos de empresas similares, los sistemas médicos generan alarmas de forma automática en función del análisis automático de los sensores vitales del paciente, y sugieren diagnósticos y tratamientos, las comunicaciones eliminan el ruido de sus transmisiones en función de la detección de unos patrones anómalos a la señal aprendida, y así, un largo etcétera.

– ¿Participa Ibermatica en algún proyecto de investigación?

Gran parte del actual éxito de la Inteligencia Computacional reside en el enorme esfuerzo que se ha realizado, (y se está desarrollando), desde el mundo académico y desde los Centros Tecnológicos para innovar, depurar y mejorar dichos algoritmos de razonamiento. Sin embargo, muchas veces, dichas aplicaciones se quedan en ese mundo, y no transcienden al tejido empresarial y productivo. Es por ello que Ibermática, desde el 2009, apostó por la creación de una nueva Área de Conocimiento, dentro de su Instituto de Innovación (I3B), cuyo objetivo primordial ha sido poner a disposición empresarial y pública la potencia de los últimos avances en la rama tecnológica denominada «Inteligencia Computacional», en sus distintas vertientes (Supervisado, No supervisado, Semántica, y Sistemas Expertos, y de Optimización. Estas corrientes estaban siendo utilizadas mayoritariamente para soluciones académicas, con poca integración en los flujos y procesos empresariales, y sin embargo, dan soluciones sencillas y rápidas a problemas tradicionalmente muy complejos de solucionar por métodos de programación clásicos. Ahora, la situación ha cambiado drásticamente, y cada vez es mayor la inclusión de estas tecnologías en el Negocio empresarial de los clientes de Ibermática, principalmente por el aumento de la demanda de sistemas de decisión en tiempo real sobre un volumen cada vez mayor de datos a tratar, y a su vez, cada vez menos estructurados (texto, xml, rdf, etc…) Además, como parte integral de los servicios de este nuevo área, se oferta soporte funcional y técnico a otros departamentos internos y a clientes finales que necesiten implementar soluciones complejas, a través de formación en esta nueva tecnología a personal interno de Ibermática, confección de análisis, diseño y realización de proyectos de Inteligencia Artificial a clientes finales, bajo la figura de soluciones a medida, y la colaboración con Universidades y Centros de Investigación con el objetivo de difundir y adquirir conocimiento del estado del arte de las técnicas actuales de Inteligencia Artificial, realizando proyectos conjuntos, e incluso ofreciendo la oportunidad de integrar a alumnos universitarios en proyectos del departamento.

– ¿En qué se diferencia la inteligencia artificial de la inteligencia humana?

La inteligencia humana es un compendio de diversas inteligencias (en concreto, ocho, la Matemática, la Lingüística, la Visual, la Cinética, la Musical, la Interpersonal, la Intrapersonal, y la Naturalista), y nuestro motor de razonamiento (el cerebro), es capaz de trabajar con todas a la vez en cada instante de nuestra vida. La Inteligencia Artificial, por el contrario, está muy especializada en algunas de estas inteligencias (por ejemplo, en la Matemática, probablemente supere con creces los razonamientos humanos, o en la Visual, e incluso en la Musical), pero aún no es posible que una máquina por si misma cree hipótesis matemática (pueden verificar hipótesis, pero no crearlas), o crear una partitura (aunque ya hay máquinas que lo hacen), puesto que las máquinas no son capaces de trabajar con las distintas inteligencias a la vez. En primer lugar, la diferencia radica en la estructura del razonador, el cerebro es lento, pero trabaja en paralelo, activando millones de conexiones neuronales a la vez por cada estímulo, impulso, o pensamiento. Los sistemas electrónicos actuales son muy rápidos, pero no son paralelos, trabajan de forma secuencial, con lo que no pueden realizar operaciones en paralelo de forma masiva, aunque esto está cambiando gracias a nuevas tecnologías del tipo “map-reduce”, que involucran a cientos de ordenadores trabajando en paralelo, y sobre estructuras de redes neuronales virtuales. Por otro lado, los sistemas de Inteligencia Artificial están enfocados para dar solución a problemas concretos, (predicción, segmentación de clientes, clasificación, detección de anomalías), pero no a problemas generalistas, como lo son las interrelaciones personales, la supervivencia en un grupo social, o la destreza profesional. Los mecanismos de razonamiento artificiales son una “simplificación” y copia de los mecanismos naturales, que funcionan muy bien para contextos concretos, pero no podemos competir contra los millones de años de evolución del cerebro, aún. Primero debemos entender bien cómo funcionamos, para después, poder aplicarlo a las máquinas. Pero estamos dando grandes pasos en este sentido, con proyectos multidisciplinares, en donde neurólogos e ingenieros informáticos trabajamos codo a codo. Y por último, la gran diferencia entre las dos inteligencias es la imaginación y la intuición humana, que son las que permiten crear conceptos abstractos (y a menudo absurdos), pero que permiten dar el “salto”, (“evitar mínimos locales”), entre lo conocido y lo desconocido, para poder crear nuevos pensamientos, y poder evolucionar a futuro. Sin embargo, cuanto más nos conocemos, más cerca estamos de crear máquinas a nuestra semejanza, aunando las distintas inteligencias en un sistema artificial autónomo.

– ¿Es capaz de equivocarse y aprender de sus errores la Inteligencia Artificial?

De hecho, una de las capacidades más sorprendentes y diferenciales de las técnicas de IA con respecto a la programación clásica, como ya se ha explicado, es su capacidad de aprender de los datos históricos.
Y el aprendizaje implica un proceso de validación comparativa, que indica lo bueno o malo que es el sistema de IA para predecir y clasificar los datos conocidos, y además, si los datos “convergen”, es decir, no estamos mezclando “peras con manzanas”, nos explica con reglas las relaciones entre la información, y en qué condiciones se cumplen ciertos resultados (acción-reacción). Por otro lado, si el sistema de IA no sabe extraer conclusiones, nos está indicando que nuestra hipótesis inicial es falsa, lo cuál, también es de mucha ayuda.
Por ejemplo, que ciertas incidencias en producción se producen en los turnos de tarde, los miércoles, y cuando la temperatura ambiente supera los 26 grados centígrados, y otras incidencias se producen cuando las piezas vienen de un determinado proveedor, y los fines de mes, en los turnos de mañana. Esto implica que el resto de datos que tenemos en nuestro sistema “sobran” para explicar las incidencias, puesto que los patrones de comportamiento son extraídos automáticamente, con las reglas que los modelan, y con los indicadores necesarios para justificar dichas reglas, y sólo esos indicadores.
Pero como este proceso es cíclico, es decir, con cada nueva incidencia el sistema vuelve a reprocesar su memoria de aprendizaje, los sistemas de IA son capaces de aprender, es decir, de modificar las reglas de comportamiento en base a nuevos descubrimientos, o modificar los indicadores y los valores de las reglas. En el ejemplo anterior, si nunca se había dado una incidencia por rotura de stock, imaginemos, y estás comienzan a darse, el sistema memorizará estas nuevas incidencias, e intentará generar una regla genérica (inducción), que sea capaz de modelarla, si las incidencias por este tipo son relevantes con respecto al universo de muestras total.
Por otro lado, si las deducciones obtenidas en la aplicación de las reglas generales sobre nuevas transacciones son erróneas, un humano puede indicar esta situación al sistema, de forma que el sistema recalcule de nuevo sus enlaces, y modifique las reglas. De este modo, efectivamente, los sistemas de IA son capaces de aprender de sus errores, es más, son capaces de mostrar dichos resultados poco fiables a los humanos, para que estos decidan qué hacer con ellos, de forma que el aprendizaje es mutuo.

– ¿Son fiables los resultados alcanzados por la Inteligencia Artificial?

El objetivo final de los sistemas IA, (al igual que nosotros), son ser capaces de tomar decisiones en un entorno impreciso, en dónde la información de entrada para dar un resultado no es perfecta, tiene ruido, imperfecciones, o no siempre es exactamente igual. Y como estos sistemas son capaces de clasificar muy bien por similitud con lo aprendido, pues su eficiencia depende de lo bueno o malo que haya sido su entrenamiento previo, en definitiva, igual que los humanos. ¿Es fiable un cirujano en ciertas operaciones? Pues dependiendo de su experiencia, que no deja de ser más que un conjunto de entrenamientos previos… Pues con los sistemas de Inteligencia Artificial es exactamente igual. Cuanto más entrenemos un sistema con distintos datos de entrada y valorando sus decisiones de salida, mayor porcentaje de éxito tendrá ese sistema en entornos de actuación reales. Y la prueba de que son eficientes, (más que fiables), es que tenemos sistemas IA a nuestro alrededor continuamente, desde recomendadores de rutas o productos, pasando por sistemas de control de tráfico, biomarcadores, sistemas autorregulados en energía, marketing, interacción por voz en los coches, análisis de huellas biométricas, predicciones, hasta sistemas de diagnósticos precoz de cáncer de mama, por ejemplo… Son tan usuales, que ni siquiera nos planteamos que son sistemas inteligentes…

– ¿Cuáles son los límites de la Inteligencia Artificial?

La IA es el resultado de la “productificación” en entornos reales de los últimos avances en matemáticas, estadística, ingeniería y tecnología, en sistemas aplicados a la gestión del conocimiento. Y puesto que la necesidad de gestionar e incrementar el conocimiento es inherente a la naturaleza humana, y no tiene límites, tampoco los tiene la Inteligencia Artificial.

– ¿Cuáles son los logros alcanzados por la Inteligencia Artificial?

Según mi opinión, el mayor logro conseguido con la IA es el de permitirnos abstraernos del análisis de la información, dejando a las máquinas que son muy buenas trabajando con correlaciones entre los datos esa tarea ingrata y de poco valor añadido, para dejarnos a nosotros con el conocimiento relevante, y sólo el relevante, y ya modelado, tomar decisiones o dedicarnos a tareas que necesiten una reflexión posterior sobre las posibles mejoras que podamos aplicar a lo que está ocurriendo. La intuición, reflexión y la propuesta de nuevas ideas “imaginativas” sobre lo que está ocurriendo con el conocimiento delante, es algo que, aún, hoy en día, las máquinas no pueden realizar. Por ello, cuanto más “inteligentes” sean las máquinas, y menos tiempo dediquemos los “expertos humanos” a analizar los datos, y lo apliquemos a mejorar “los resultados de los análisis automáticos”, más efectivos seremos en el futuro.

– ¿Cuáles son los objetivos a alcanzar en un futuro por la Inteligencia Artificial?

En el futuro (y ya en el presente), tendremos sistemas que en sabrán en todo momento la “situación contextual” en la que nos encontramos, y cuáles son nuestras preferencias de actuación en dichos momentos y situaciones, con lo que los sistemas automáticos, sin pedírselo, nos ayudarán a agilizar las decisiones que debemos de tomar, e incluso tomarán decisiones por nosotros. Esto permitirá que podamos “delegar” en sistemas automáticos, permitiéndonos una mejor gestión de nuestro tiempo… cuanto más sabemos de sistemas de razonamiento, más conocemos de nosotros mismos, y al revés. Cuanto mejor implantamos sistemas neuronales artificiales, más conocemos cómo funciona nuestro cerebro, pero para simularlo, necesitamos también conocer más en profundidad su funcionamiento. Esta interacción esta generando resultados importantes en el estudio de enfermedades neurocognitivas, por ejemplo… Así que, en cierta forma, el objetivo final de la IA es generar un sistema que funciona, al menos, tan bien como nuestro cerebro, si no mejor…

Más información pueden consultar la web institucional de Ibermatica en www.ibermatica.com

Desde aquí mi más sentido agradecimiento a D. Aitor Moreno Fernández, Responsable del Departamento Sistemas Inteligentes de Control y Gestión de Ibermática, por explicarnos sobre los avances y límites de la Inteligencia Artificial.