Inteligencia artificial y datos: la Gran Revolucion

Antes de continuar, es necesario plantearse una pregunta. ¿Es posible que una máquina sea inteligente? Esta es una cuestión que, en principio, no admite una respuesta sencilla, ya que ni siquiera sabemos definir de forma precisa qué es la inteligencia y mucho menos explicar cómo se origina en los seres vivos. De hecho, en los últimos años se han dedicado grandes esfuerzos a entender el ce- rebro humano, pero aún estamos muy lejos de comprender sus mecanismos de funcionamiento. 

Con todo, es claro que cuando hablamos de comportamiento inteligente o inteligencia, de alguna forma u otra estamos requiriendo capacidades tales como las de percibir, aprender, razonar, actuar en entornos complejos, etc. Además, no podemos olvidar que tan solo disponemos de un ejemplo, la inteligencia humana, con lo que resulta muy difícil distinguir qué es específico de la inteligencia y qué es específico del caso humano, pero no imprescindible para la inteligencia. Por ello, hablar, por ejemplo, de máquinas inteligentes, no implica asumir que dichas máquinas deban ser inteligentes en el mismo sentido que lo es un ser humano. Para entender mejor esta relevante observación, consideremos la forma en que vuelan un pájaro y un avión. Nadie diría que este último lo hace como el primero, aunque las leyes en que se sustenta el vuelo de ambos (leyes físicas en este caso) son las mismas. Análogamente, cabe esperar que una máquina sea inteligente, en todo caso, en sentido máquina, aunque dicha inteligencia se base en unas leyes y conocimientos que actualmente aún no tenemos. 

Así pues, cambiemos el foco de nuestro estudio. Más que discutir si una má- quina es inteligente o no, vamos a plantearnos qué tipo de problemas sería capaz de abordar una máquina inteligente, o, de una manera más general, qué tipo de pro- blemas trata la inteligencia artificial. Resulta imposible una enumeración exhaustiva, pero en una primera aproximación. Más específicamente, la inteligencia artificial estudia métodos que permiten resolver problemas para los que no existe el conoci- miento sistemático para poder plantear una solución analítica. El mejor ejemplo de este tipo de problemas es el conocido problema del viajante: un viajante debe visi- tar una serie de ciudades, pasando por todas ellas una vez y regresando al punto de partida. Para cualesquiera dos ciudades a visitar, se conoce el coste que supone para el viajante ir de una a otra y se desea calcular la ruta que minimiza el coste para el viajante. Pues bien, no existe ningún resultado matemático que establezca cuál es dicha ruta optimal, y la mejor forma de hallarla es por medio de técnicas de in- teligencia artificial conocidas como búsquedas y que están en la base de muchas de las aplicaciones de la inteligencia artificial. Estas técnicas, aunque a veces son poco eficientes, tienen la ventaja de que se pueden aplicar a una gran clase de pro- blemas. Estos problemas pueden clasificarse en dos grandes grupos:

• Problemas que no poseen una definición clara o cuya solución no es exacta o en los que el conocimiento sobre el dominio parece vago e impreciso, como el diagnóstico de enfermedades o el reconocimiento de imágenes.

• Problemas en los que la búsqueda de la solución podría realizarse utili- zando un mecanismo bien definido, pero cuyo coste computacional re- sulta prohibitivo, como el juego del ajedrez.
• Podemos clarificar a qué tipos de problemas nos referimos con algunos ejemplos, aunque en ningún caso pretendemos que la lista sea exhaustiva.
• La conducción automática requiere del procesamiento a tiempo real de una enorme cantidad de datos, en muchas ocasiones imprecisos y que incluyen imágenes, sonidos, etc., y a partir de los que es necesario tomar decisiones (cómo debe desplazarse el vehículo, si debe acelerar o fre- nar,...) [Mey14,Mey15]
• La identificación automática de rostros humanos también implica una gran cantidad de información que, en muchas ocasiones, es imprecisa de- bido a las características inherentes a las propias imágenes [Bus09]
• El desarrollo de algoritmos para juegos complejos como el ajedrez o el go. En estos casos, es necesario, en cada situación del juego, analizar una enorme cantidad de posibles alternativas, determinando sus venta- jas e inconvenientes. Este análisis, en general, se lleva a cabo utilizando métodos de búsqueda como los comentados más  arriba.
• El desarrollo de vehículos autónomos para le exploración espacial. Una sonda en Marte, por ejemplo, tarda varias horas en enviar una comuni- cación a la Tierra y recibir una respuesta. Por tanto, es necesario dotarle de algún tipo de mecanismo que le permita tomar decisiones más o menos complejas, como evitar obstáculos o determinar por sí mismo zonas de interés para la exploración.
• La creación de sistemas expertos de ayuda al diagnóstico médico. No se trata de reemplazar al médico, sino de crear sistemas que liberen al pro- fesional de algunas tareas repetitivas o muy costosas temporalmente, como el análisis de imágenes o la clasificación de pacientes. Pero la in- formación contenida en las imágenes o sobre las pacientes puede ser en muchos casos incompleta, imprecisa o  ambigua.

De hecho, todos estos ejemplos se refieren a campos en los que en la ac- tualidad la inteligencia artificial ha supuesto una revolución, hasta el punto de que algunos de ellos, como la conducción automática, no habrían podido desarrollarse si no fuera por los grandes avances recientes en inteligencia artificial, en particu- lar en la manipulación inteligente de los datos. Aquí también sería necesario hacer una mención a la robótica, pero un estudio siquiera somero requeriría un nuevo artículo al respecto. 

La siguiente pregunta surge de forma natural. ¿Cómo puede abordar la inteligencia artificial estos problemas? Sin entrar en grandes detalles, que discuti- remos posteriormente, existen dos maneras fundamentales de enfocar el abordaje de estos problemas, denominados  paradigmas:

• El paradigma simbólico considera los sistemas inteligentes como “cajas negras” que reciben datos y proporcionan una respuesta a par- tir de dichos datos. Los motivos que conducen a dicha respuesta no son relevantes en este para- digma, puesto que el interés se centra en la respuesta en sí. Desde este punto de vista, la inteligencia artificial desarrolla herramientas específicas para la resolución de problemas concretos, denomina- das algoritmos.

• El paradigma conexionista parte de la tesis de que el único sistema inteligente que conocemos es el cerebro y, por tanto, los sistemas inteligentes deben imitar el sis- tema nervioso. Este paradigma se centra en la forma en que puede resolverse el problema y no solo en la solución en sí. 
• Cabe destacar que el origen de ambos paradigmas se halla en los trabajos de un mismo autor, el célebre Alan Turing, a lo largo de la década de los 30 y los 40, si bien sus trabajos seminales sobre neuronas artificiales permanecieron ol- vidados en un cajón durante muchos años.

1.2.Inteligencia Computacional o Soft Computing

En este punto, es interesante hacer un breve inciso sobre uno de los campos esenciales de la inteligencia artificial de la actualidad: la inteligencia computacio- nal (tal y como se denomina en Estados Unidos) o soft computing (según la de- nominación europea).

La inteligencia computacional parte de la idea ya comentada de que la apli- cación de la inteligencia artificial es natu- ral en aquellos problemas para los que no existe una respuesta precisa o un meca- nismo concreto de resolución fijado. La inexistencia de tal solución o tal respuesta puede deberse a la incertidumbre inhe- rente al problema o a la imposibilidad de abordar una solución sistemática por la gran complejidad de los datos considera- dos. En estas situaciones, la inteligencia computacional propone la combinación de técnicas de tres campos distintos para proporcionar respuestas aproximadas pero válidas a estos problemas. Más con- cretamente, las tres técnicas que confor- man la inteligencia computacional o soft computing son:

• La lógica difusa, propuesta por Lofti Zadeh en 1965, y que permite mo- delar matemáticamente la imprecisión inherente al lenguaje humano. Así, frente a la dicotomía verdadero/falso (1/0) de la lógica tradicional, la ló- gica difusa establece la existencia de grados de verdad (entre 0 y 1) de forma que es posible tratar desde un punto de vista computacional ex- presiones como “hace mucho calor aquí”, cuyo sentido puede ser dife- rente en un mismo contexto para diferentes personas.
• Las redes neuronales artificiales, que, a partir del paradigma conexionista, imitan la estructura del sistema nervioso por medio de neuronas artifi- ciales que forman estructuras complejas capaces de aprender. Precisa- mente estas redes neuronales, unidas a la capacidad de cómputo actual, han dado lugar, como ya hemos dicho, a la idea de aprendizaje profundo o deep learning que está en la base de muchas de las aplicaciones inte- ligentes desarrolladas por Google, por ejemplo, o de los últimos prototi- pos de coche autónomo.
• Los algoritmos bioinspirados y evolutivos, que imitan estructuras y com- portamientos existentes en la naturaleza a la hora de resolver problemas concretos. Así, los algoritmos genéticos, por ejemplo, “copian” los me- canismos de transmisión de la herencia genética para resolver problemas de optimización complejos. Los algoritmos hormiga, por su parte, imitan el comportamiento de un hormiguero en la búsqueda de comida para encontrar un óptimo de una función. Esto es, cada partícula (hormiga) re- corre el espacio aleatoriamente dejando un rastro de feromonas. Cuando una partícula encuentra un óptimo (la comida), regresa al hormiguero re- forzando el rastro de feromonas de la ruta seguida. Así se señala la ruta a seguir hasta el óptimo.

¿Por qué es relevante el punto de vista del soft computing? Fundamental- mente porque no trata de anular la incertidumbre o imprecisión, sino que asume que este es intrínsecamente parte de muchos problemas y que como tal debe ser tenida en cuenta. En este sentido es muy clarificador el razonamiento aproximado basado en la lógica difusa. Frente a los silogismos clásicos (si x es A entonces x es B; y es A luego y debe ser B), consideremos la siguiente afirmación: 

Si el tomate es rojo, ENTONCES está maduro Supongamos ahora que se nos plantea el hecho siguiente: El tomate es muy rojo 

Desde el punto de vista del silogismo clásico considerado anteriormente no llegamos a ninguna conlcusión, puesto que los antecedentes no son iguales (“el tomate es rojo” frente a “el tomate es muy rojo”). Sin embargo, parece razonable asumir una conclusión del tipo “el tomate está muy maduro”, que es precisa- mente lo que la lógica difusa permite describir para una máquina. Más aún, su- pongamos ahora una regla como la que sigue: 

Si hace calor, ENTONCES abre la ventana

Ningún ser humano tendría problema en entender y aplicar esta norma. Pero, si tratamos de que sea una máquina quien la aplique, surge un problema.

¿Qué significa “hacer calor”? Esta es una expresión imprecisa, cuyo significado varía de persona a persona y de situación a situación, y aunque obviamente po- dríamos tratar de reducirla a una descripción analítica (“si la temperatura supera los 26º, entonces abre la ventana”) estaríamos perdiendo generalidad además de introducir un nuevo tipo de incertidumbre en la propia expresión (¿se abre la ventana con 26º pero no con 25,9º?).

La mayor parte del razonamiento humano se basa precisamente en expre- siones imprecisas de este tipo y la inteligencia computacional, y más específica- mente la lógica difusa en este caso, proporciona un método para manejarlas y obtener conclusiones. Ahora bien, dado que partimos de imprecisión, las solucio- nes obtenidas no son, en la mayor parte de los casos, específicas y precisas. Pero es que tampoco lo son las soluciones requeridas para los problemas considerados. Por ejemplo, en el caso de la conducción autónoma, puede resultar más apropiado que el controlador del vehículo responsa a reglas de la forma “si la distancia al ve- hículo anterior es pequeña, entonces reducir moderadamente la velocidad” que a otras como “si la distancia al vehículo precedente es inferior a 25 metros y la ve- locidad es superior a 60 kilómetros por hora, entonces reducir la velocidad a 50 kilómetros por hora”. Por supuesto, esto no quiere decir que reglas como la última señalada deban ser completamente ignoradas. Al contrario, ambos tipos de reglas deben ser combinadas para obtener la mejor solución posible en cada situación.

Además, la inteligencia computacional también considera que ninguna técnica es la mejor para todos los problemas que pueden plantearse. Por el contrario, los resultados óptimos se obtienen por medio de una hibridación de diferentes técnicas, esto es, mediante la combinación en un mismo plantea- miento de las diferentes herramientas mencionadas más arriba e incluso de otras que pueden resultar de interés, siempre en función del problema específico  considerado.

1.3.inteligencia artificial fuerte vs. inteligencia artificial débil

Al considerar el tipo de problemas que trata la inteligencia artificial y, en particu- lar, el Soft Computing, se observa que hablamos fundamentalmente de problemas “materiales”. Es decir, problemas que encajan o pueden encajar dentro de lo que habitualmente se considera ciencia o ingeniería. La inteligencia artificial que trata este tipo de problemas es la denominada inteligencia artificial débil, y se trata de la que ha experimentado el espectacular desarrollo que hemos observado en los últimos años.

Sin embargo, existe otro tipo de problemas y otro tipo de inteligencia artifi- cial. Estamos hablando del manejo, la comprensión y la imitación de las emocio- nes humanas. No debemos olvidar que hace ya mucho tiempo que se superó la idea de que la inteligencia en el ser humano solo incluye los aspectos racionales y lógicos. Por el contrario, la psicología actual reconoce que la inteligencia es un concepto con múltiples facetas: inteligencia social, inteligencia emocional,   etc.

Dado que la inteligencia artificial, según la definición de Minsky, también de- bería tratar de hacer el tipo de acciones que estas inteligencias llevan a cabo, surge el concepto de inteligencia artificial fuerte, como aquella parte de la inteli- gencia artificial que trata de imitar las emociones y sentimientos humanos. Y aquí es donde surge un problema importante. Conocemos bastante acerca de los me- canismos formales de razonamiento, y sabemos expresarlos por medio de un apa- rato matemático adecuado. Sin embargo, en materia de sentimientos y emociones, nuestro conocimiento es a día de hoy muy escaso.

Es cierto que se están llevando a cabo intensos trabajos, y que reciente- mente la medicina y más específicamente, las neurociencias, han llevado a cabo interesantes descubrimientos sobre los mecanismos que generan las emocio- nes. No obstante, actualmente no existe ninguna forma de trasladar a la má- quina los sentimientos o emociones. Y es necesario comprender que este es un problema crucial, porque la gran mayoría de las decisiones que tomamos a lo largo del día están influenciadas si no determinadas por aspectos emocionales y/o afectivos, y no solo racionales. De hecho, investigadores de la talla del pro- pio Zadeh señalan que el gran obstáculo para el desarrollo de la inteligencia ar- tificial en la actualidad es precisamente la ausencia de mecanismos apropiados para la toma de decisiones.

Nótese que cuando hablamos de aspectos emocionales nos referimos a cuestiones tan simples pero tan fundamentales como entender por qué nos gusta una cosa y nos disgusta otra o cómo empatizamos con los demás. Sin embargo, es conveniente incluir una nota de prudencia. Los estudios y avances en este campo podrían propiciar que este tipo de problemas fueran tratables en un futuro próximo, aunque en la actualidad aún no tengamos muy claro cómo.

1.4.Historia reciente de la inteligencia artificial 

Antes de centrarnos en la situación actual de la inteligencia artificial, vamos a lle- var a cabo un breve “paseo” por su historia reciente. Como ya hemos indicado, el origen de la inteligencia artificial moderna puede fijarse convencionalmente en la conferencia de Dartmooth de 1956. A partir de ese momento se produce una rá- pida evolución. Sin embargo, ya anteriormente se habían producido desarrollos im- portantes, como la introducción de la idea de neurona artificial (por McCulloch y Pitts en 1943) o la máquina universal de Turing (en 1936) , concepto teórico clave para toda la computación posterior. En todo caso, es a partir de 1956 cuando se produce el rápido desarrollo de la nueva disciplina. Solo por citar algunos ejem- plos, en 1958 Rosenblatt presenta el perceptrón, una neurona artificial con la ca- pacidad clave de aprender a partir de los datos de un problema de clasificación (o regresión) concreto para encontrar una respuesta al mismo. Ese mismo año, McCarthy introduce el lenguaje de programación LISP, lenguaje funcional espe- cialmente diseñado para abordar problemas de inteligencia  artificial. 

En 1968 se alcanza otro de los hitos de la inteligencia artificial, cuando Hart publica el algoritmo de búsqueda A*. Hablando de forma muy general, este algoritmo considera las posibles soluciones de un problema como puntos en el es- pacio y va trazando un camino de punto a punto hasta la solución teniendo en cuenta en cada momento la información disponible sobre la posible solución en ese instante. La relevancia del algoritmo A* queda de manifiesto si recordamos que fue este precisamente el algoritmo que permitió al ordenador Deep Blue ven cer al campeón mundial de ajedrez Gary Kasparov en una sonada (y polémica) competición en 1998. 

Volviendo a los últimos años sesenta, existía la convicción de que la inteli- gencia artificial sería capaz, en un plazo más o menos breve, de resolver todo tipo de problemas. De hecho, en ese mismo año 1968 se estrena la película 2001: una odisea en el espacio, de Stanley Kubrick, basada en la novela homónima de Arthur C. Clarke. El auténtico protagonista de la película, considerada el inicio de la ciencia ficción moderna en el cine, es el ordenador HAL 9000, que controla la nave, interactúa utilizando lenguaje natural con los astronautas y llega a tomar de- cisiones por sí mismo. Este es precisamente el objetivo imperante en la inteli- gencia artificial de esos años: el desarrollo de una máquina inteligente “universal”, entendiendo como tal una máquina capaz de abordar cualquier problema o si- tuación de la misma forma que un humano. De todas formas, no debemos olvi- dar que al año siguiente, 1969, el hombre llega a la Luna utilizando un ordenador de a bordo con una memoria de tan solo 32K, muy inferior a la de cualquier smartphone o reloj inteligente actuales, por ejemplo. 

A principios de los años 70, sin embargo, se hizo evidente que las expec- tativas creadas por la inteligencia artificial eran excesivas. Las grandes inversiones de dinero llevadas a cabo no produjeron los resultados esperados y los gobiernos retiran su financiación y apoyo a muchos de los proyectos en marcha. Se produce una pérdida de confianza en la misma, y se abandona la idea de crear sistemas capaces de afrontar cualquier problema. Pero la investigación no se abandona completamente, y de hecho es en la década de 1970 cuando se presenta el algoritmo de retropropagación, algoritmo de aprendizaje que posteriormente habrá de permitir el desarrollo de redes neuronales multicapa y del actual deep learning. En estos mismos años 70 se abre paso la idea de que tiene más sentido desarrollar sistemas enfocados a la resolución de problemas muy específicos. Así, por ejemplo, surge el programa MYCIN (Shortliffe, 1975), que diagnostica enfer- medades infecciosas, en particular infecciones sanguíneas. MYCIN es utilizado por médicos en prácticas para obtener ayuda en sus diagnósticos. El sistema se actualiza con los hechos y reglas de inferencia que proporcionan los propios es- pecialistas. También en 1982 aparece PROSPECTOR, un sistema experto para la detección de yacimientos de molibdeno. 

A mediados de los 80 se produce un hecho fundamental, con la recupera- ción y aplicación del algoritmo de retropropagación para el aprendizaje de redes neuronales multicapa. En particular, se logra probar que bajo condiciones muy ge- nerales, una red neuronal de este tipo siempre encuentra solución. Paralelamente, desde el punto de vista institucional empieza a recobrarse un cierto interés, im- pulsado por iniciativas fundamentalmente militares como el programa de Guerra de las Galaxias de defensa frente a misiles. Todo ello hace que la inteligencia ar- tificial entre en un período de rápido desarrollo. Por señalar simplemente algunos hitos:

• En 1989 se utiliza por primera vez el término Big Data. En esta fecha esta empezando ya a desarrollarse la explosión de datos que va a marcar el de- sarrollo de la inteligencia artificial. Sin embargo, es importante recalcar que la idea detrás del término puede rastrearse hasta bastante atrás, con el desarrollo, por ejemplo, de la mecánica estadística para el tratamiento de grandes volúmenes de partículas a comienzos del siglo XX.
• En 1997 se presenta el ordenador Deep Blue, del que ya hemos hablado. Se trata de la primera vez que una máquina es capaz de vencer al ser hu- mano en un juego “intelectual” como el ajedrez. De todas formas, la forma en que se logró la victoria dio lugar a una importante controversia y en ocasiones se ha discutido la validez de la misma, por considerarse que Deep Blue habría “jugado con ventaja”.
• También en 1997, Google lanza su buscador. La búsqueda de información en internet es un problema muy relevante, puesto que implica determi- nar la relevancia de una gran cantidad de posibles documentos (páginas) para una búsqueda concreta y hacerlo a tiempo real. No es por tanto de extrañar que es en estos mismos años cuando los conceptos de minería de datos y aprendizaje máquina empiecen a cobrar relevancia.

En la historia reciente, 2003 es una fecha crucial para el desarrollo de la inteligencia artificial. Ese año se completa la secuenciación del genoma humano. Aunque la secuenciación en sí misma no fue llevada cabo utilizando específica- mente técnicas de inteligencia artificial, la gran cantidad de información y la ne- cesidad de desarrollar técnicas apropiadas para sacar provecho de ella abrieron la puerta a la aplicación de técnicas inteligentes para el desarrollo de la genómica y, de una forma aún más general, de la denominada medicina personalizada o medicina de precisión.

Por otra parte, en abril de ese mismo año 2003, la pérdida de una placa de protección en el despegue provoca la explosión del transbordador espacial Co- lumbia cuando trata de llevar a cabo la reentrada en la atmósfera. Este hecho pone de manifiesto la necesidad de desarrollar sistemas de salud máquina, ca- paces de detectar y prevenir fallos técnicos mediante el escaneo permanente de los sistemas, escaneo que, por supuesto, debe llevarse a cabo en tiempo real.

Finalmente, también en ese año 2003, Google, ante la creciente cantidad de información que deben procesar sus buscadores, se ve forzado a replantearse los mecanismos habituales de diseño de la programación. Ello lle lleva a la introducción del nuevo paradigma de programación Map Reduce y, con él, a la aparición del Big Data tal y como lo entendemos en la actualidad. Esto es, el procesamiento de gran- des cantidades de datos de naturaleza muy variada y a gran velocidad.

En 2011, con Watson surge la primera máquina capaz de realizar varias ta- reas inteligentes “al mismo tiempo”. De hecho, Watson, desarrollado por IBM, lleva a cabo estas tareas de forma secuencial, pero tan rápidamente que parece que los hace simultáneamente. Esta capacidad le permitió ganar un concurso de televisión de preguntas y respuestas frente a participantes humanos. Para poder ganar, no es suficiente con que el ordenador tenga acceso a grandes cantidades de información. Debe, además, contextualizar las preguntas, que son formuladas en lenguaje natural humano, y establecer relaciones entre conceptos para poder contestar en un tiempo razonable.

Por último, la otra gran fecha reciente que es necesario destacar es 2013. En ese año, entre otras cosas debido al desarrollo del Big Data, pero a la necesi- dad de crear nuevos modelos empresariales y nuevas técnicas de explotación y análisis de la información, surge el concepto de Ciencia de Datos, como la cien- cia que trata de extraer información inteligente a partir de los datos disponibles. Actualmente, la inteligencia artificial no puede concebirse sin la Ciencia de Datos y viceversa.

1.5.La Inteligencia Artificial hoy

La inteligencia artificial vive hoy en día una auténtica edad de oro, no exenta de graves problemas éticos y legales debido a le enorme incertidumbre sobre su evolución más inmediata. Porque, si bien el desarrollo de técnicas de inteligen- cia artificial han permitido resolver problemas de forma inimaginable hace ape- nas unos años (pensemos que la conducción automática es ya una realidad, que la medicina vive una revolución de la mano de la ciencia de datos, o que los robots ya son capaces de colaborar entre ellos en las fábricas, yendo mucho más allá de la mera repetición mecánica de acciones), también es verdad que la inteligencia artificial ha introducido grandes retos a nivel social y que incluso per- sonalidades intelectuales muy relevantes han expresado su temor e incluso su rechazo a un desarrollo no controlado de la inteligencia artificial. Más aún, de- sarrollos recientes como el uso de bots para la difusión de noticias falsas, las fil- traciones de datos o los ataques informáticos sistematizados a empresas y estructuras sensibles ponen de manifiesto que nos encontramos ante un escenario nuevo de evolución incierta todavía.