AI: De la Ciencia Ficción a la realidad
En 1936 Alan Turing, un matemático, científico, informático, criptógrafo, y filósofo británico diseña formalmente una Máquina universal que demuestra la viabilidad de un dispositivo físico para implementar cualquier cómputo formalmente definido.
En 1939 fue convocado al centro del Servicio Británico de Cifrado en donde más de 9,000 personas interpretaban las comunicaciones alemanas cifradas en código morse de la maquina Enigma con el fin de conocer los próximos movimientos de los Nazis. Turing cambió la historia, y según muchos historiadores gracias a su participación, acortó la Segunda Guerra Mundial entre 2 y 4 años, con el diseño de otra maquina a la que llamó BOMBE, un dispositivo electromecánico para descifrar mensajes, decodificando de 39000 mensajes hasta 84,000 mensajes por mes y de esta forma Turing contribuyó a salvar miles de vidas.
Todo lo humanamente computable también puede ser computado por la máquina de Turing — Turing.
Fue también Turing quién introdujo el concepto de Inteligencia Artificial en su documento de 1950 proponiendo la Prueba o Test de Turing, creando un estándar de diseño de Inteligencia para la industria tecnológica. El Test de Turing investiga si las personas pueden detectar si están hablando con máquinas o seres humanos.
La prueba pone a conversar a un grupo de jueces con un interlocutor a través de texto, evitando así que los jueces detecten al computador por su voz generada artificialmente de diferenciar si la interacción se tiene con un humano u otra computadora. Si el interlocutor es confundido con un humano más de 30% del tiempo, éste pasa la prueba.
Así es como surgen los premios Turing, el galardón rinde homenaje a Alan Turing, considerado uno de los padres de la informática, y desde 2014 es patrocinado por Intel y Google, que recompensa con un premio de $1,000,000 de dólares al ganador de las Ciencias de la Computación que es otorgado anualmente por la Asociación para la Maquinaria Computacional (ACM) a quienes hayan contribuido de manera trascendental al campo de las ciencias computacionales.
Em 2018, Geoffrey Hinton, Yann LeCun y Yoshua Bengio fueron reconocidos por su gran trabajo en redes neuronales. Acá puedes puedes leer más sobre ellos.
Empecemos con los términos:
La Inteligencia Artificial es la simulación de procesos de inteligencia humanas por parte de máquinas, especialmente sistemas informáticos, aprendizaje, adquisición de reglas, razonamiento y auto corrección. Cualquier software que replique capacidades humanas.
Hoy en día podemos ver la Inteligencia Artificial en muchos de los productos o servicios que usamos, como recomendación de películas en Netflix, música en Spotify, resultados de búsqueda en Google, anuncios que nos aparecen con productos específicos, reconocimiento facial en nuestros celulares, entre otros.
Es un hecho que las maquinas tienen más capacidad que los humanos para reconocer patrones, pero su definición en reglas de su entrenamiento depende de los humanos para que sean productos que cumplan con sus objetivos.
¿Cómo se programan estas maquinas o sistemas?
Por medio de algoritmos, conjunto de instrucciones proporcionadas para que pueda reconocer patrones y obtener aprendizaje del proceso de análisis.
Stuart Russell y Peter Norvig diferencian estos tipos de la inteligencia artificial:
- Sistemas que piensan como humanos.- Estos sistemas tratan de emular el pensamiento humano; por ejemplo las redes neuronales artificiales (RN), toma de decisiones, resolución de problemas y aprendizaje.
Un ejemplo son las GAN (Redes Generativas Antagónicas), dos redes neuronales compiten en un constante juego de suma cero (la ganancia o pérdida de una de las redes se compensa con la ganancia o pérdida de la opuesta).
Por ejemplo:
- La tarea del Discriminador será decir si una imagen de perro es auténtica o falsa.
- La tarea del Generador será la de crear fotos de perros que parezcan auténticas.
El entrenamiento de este sistema consiste en brindarle datasets de imágenes reales de perros para que tenga imágenes de referencia a nuestro objetivo.
Así, una de las redes, en el caso de la imagen superior “DL Generator”, va produciendo muestras de aquello que queramos crear ya sea imagenes, textos o sonidos.
2. Sistemas que actúan como humanos.- Estos sistemas tratan de actuar como humanos; es decir, imitan el comportamiento humano; por ejemplo la robótica, que los computadores realicen tareas que, por el momento, los humanos hacen mejor.
3. Sistemas que piensan racionalmente.- Es decir, con lógica (idealmente), tratan de imitar el pensamiento racional del ser humano; por ejemplo los sistemas expertos, cálculos que hacen posible percibir, razonar y actuar por medio de hechos y reglas.
4. Sistemas que actúan racionalmente.– Tratan de emular de forma racional el comportamiento humano de acuerdo a objetivos, conocimientos previos, valores y creencias; por ejemplo los agentes inteligentes, conductas inteligentes en artefactos.
Acá el glosario completo de AI.
Ahora bien, el Machine Learning es el proceso de aprendizaje que se basa en exponer a la computadora a muchos datos para que pueda procesarlos, analizarlos y aprender de ellos.
la diferencia entre inteligencia artificial y machine learning es que la IA es la capacidad de las computadoras de mostrar un comportamiento “inteligente”. Mientras que machine learning es una técnica que se utiliza para crear y mejorar dicho comportamiento. Esto mediante entrenamientos automáticos basados en la exposición a datos.
Se podría ejemplificar de la siguiente forma:
Inteligencia artificial: capacidad de jugar pacman.
Machine Learning: técnica de entrenamiento para enseñar a jugar pacman.
Para implementar machine learning hay tres estrategias principales:
- Aprendizaje supervisado: Consiste en que cada dato que entra en el sistema corresponde a un dato que sale y esto lo proveemos a la máquina mediante miles de ejemplos. Por ejemplo, introducimos miles de fotos de animales a los que llamamos dataset y le decimos en cada caso si se trata de un perro o no agregando un label o etiqueta. Después de procesar los ejemplos y nuestras indicaciones (perro si, perro no), la inteligencia artificial tendrá suficientes datos para reconocer los perros que le enseñemos a partir de ese momento y realizar una clasificación.
- Aprendizaje no supervisado: En este caso no hace falta decir si cada foto es un perro o no. Solamente proporcionamos las fotos y el ordenador hace agrupaciones o clustering y descubre patrones, uno puede ser la forma de perro (tamaño, colores, ojos, nariz). Después le diremos con una etiqueta que eso se llama perro.
- Aprendizaje por refuerzo: Consiste en dar recompensas o castigos de acuerdo a las acciones que el algoritmo toma y de esta forma enviar observaciones de acuerdo a la decisión e ir reforzándolo para mejorar el algoritmo.
Por otro lado, el deep learning es el nombre que se le da a las técnicas de machine learning que emplean redes neuronales.
Si estás interesado en conocer más e inspirarte sobre Inteligencia Artificial te recomiendo leas sobre la edad de oro de la Ciencia Ficción, ahí es donde empezó todo y ha inspirado a personas clave de la industria a crear productos y servicios innovadores. De hecho, podrás leer que los mejores programadores son rusos y ucranianos, y ahí encontrarás gran parte de la raíz. Puedes empezar con Cuentos Completos I.
Es muy importante mencionar que con las preocupaciones sobre su impacto en los seres humanos y la sociedad han formado una pequeña parte del debate público y científico. Varias iniciativas de muchas instituciones y comunidades están interesadas en discutir cuestiones éticas, legales y económicas relacionadas con la IA.
Un gran ejemplo de ello es IBM y Microsoft, quienes ha creado principios éticos respecto a la Inteligencia Artificial:
Fairness — Tecnología justa sin discriminación, garantía de que se trate con igualdad los datos. ¿Cómo se pueden compartir insights sin que haya discriminación en salud, hogar, leyes y empleos? ¿Cómo podemos balancear la necesidad de eficiencia y exploración con justicia y sensibilidad a los usuarios? ¿Cómo podemos crear un sistema en el que las personas y comunidades puedan confiar?
Accountability — Atribución de responsabilidad
Trasparency — Legible y comprensible — ¿Cómo se usan los datos? La IA, debe ser accesible y fácil de usar para el consumidor.
Ethics — Asegurarse que los usos y aplicaciones están alineados con el conjunto de valores y principios éticos.
User Data rights — Empoderar con control sobre todas las interacciones a los usuarios relacionadas con su información.
Explainability — Explicar con claridad a los usuarios de tal forma que entiendan lo que están tratando con Inteligencia Artificial.
La IA imperceptible no es una IA ética. — IBM
Por otro lado, Michelle Diaz realizó una traducción de “Principled Artificial Intelligence: Mapping Consensus in Ethical and Rights-based Approaches to Principles for AI” en donde se mencionan conceptos como privacidad, responsabilidad, seguridad, justicia, valores humanos, no discriminación y transparencia. Necesarios para poder implementar AI reduciendo los daños y aprovechando los beneficios de esta tecnología. Puedes leer la traducción aquí.
¿Por qué es importante?
De no tomar en cuenta los principios, se generan sesgos, brechas, discriminaciones y errores, grandes errores, como Tay Tweets.
Recursos para entender y aprender más sobre AI
Herramientas para Arte con Inteligencia Artificial. Experimenta.
DW Documental: ¿De qué es capaz la inteligencia artificial?
¿Proyectos que inspiran?
El cubo de Rubik resuelto por una mano robot
¿A quién seguir?
Michelle Díaz Saiph Savage Claudia Flores-Saviaga Jéssica Costa Paula Martinez Rosy Murillo Africa Sahara Nikte Requejo Lesly Zerna Yesi Days Mario Klingemann acá les dejo un hilo sobre algunos conceptos que aprendí de una charla.
Final thoughts: La inteligencia artificial está al alcance de todos y por ello debemos de mejorar la experiencia de usuario y evitar sesgos.
Toma de decisiones bajo diagnóstico:
Agregar opciones de respuesta basadas en probabilidad, para tener un mejor entendimiento de la respuesta:
Actual: “Probable, poco probable, cero probable”
Ideal: “0%, 10%, 25%, 50%, 75%, 100%”
Datasets:
Se necesitan millones de datos para que un algoritmo obtenga los resultados esperados, entre más grande sea el dataset, mucho mejor. Que personas de todo el mundo, razas, géneros, ideologías, orientación, preferencias, niveles socioeconómicos puedan tener acceso a sumar/agregar datos a las librerías enriquecerá el algoritmo y disminuirá sesgos.
Interacción:
¿Cómo puedes crear una mejor experiencia de usuario? — Integrar a los diseñadores en todo el proceso, el research es muy importante.
Voz:
Evitar sesgos de género. Siri es un ejemplo. ¿Por qué una voz de mujer? Mensajes dirigidos a un “público en específico”. Siempre tomar en cuenta en crear una voz según las audiencias. Uso correcto de vocabulario, tono, forma son partes clave de la fórmula.
Datos cualitativos:
Analizar los pensamientos, sentimientos, painpoints y AHA! moments de un usuario que interactúa con AI.
Fácil escape de un 404:
Cuando existe algún error — Diseña la experiencia para que las personas puedan escapar de ellos.
Líder de producto: Si estás involucrado en un producto o servicio de Inteligencia Artificial es necesario e indispensable conocer los principios éticos y diseñar el proceso de creación pensando en cada uno de ellos para tener un producto no sólo exitoso, si no ético. Sumamente importante involucrar y comunicar los principios con todo tu equipo, de esta forma también mejorarás la experiencia de usuario.
Usuario: No tengas miedo, todos los días usas productos y servicios que usen Inteligencia Artificial para facilitarte la vida. It’s not rocket science.
¡Tú también puedes crear experiencias y experimentar con AI!
