Inteligencia Artificial y Conocimiento (Por Breogán Gonda)
A veces, la historia parece repetirse: hoy, al igual que en 1984, hay un gran impulso en torno a la Inteligencia Artificial. ¿Inteligencia o conocimiento? ¿Qué es más importante?
“El proyecto GeneXus es el resultado de la imaginación y los esfuerzos de nuestro equipo y de la Inteligencia Artificial. ¿Existiría sin Inteligencia Artificial? Creo que no. La experiencia ha demostrado que nadie, en ninguna organización, tiene suficiente conocimiento objetivo y completo sobre los datos como para usarlo y obtener automáticamente el modelo de datos que necesitamos.” Breogán Gonda, Presidente de Directorio GeneXus. |
El conocimiento es la materia prima sobre la cual actúa la inteligencia. Si no hay conocimiento, poco podemos hacer con la inteligencia. Sin embargo, la inteligencia humana siempre nos ha ayudado a buscar el conocimiento que necesitamos, rompiendo el círculo vicioso.
Desde que el mundo existe como tal el conocimiento siempre fue un valor escaso. La transmisión del conocimiento se ha desarrollado sistemáticamente desde el Renacimiento y se ha centrado en los docentes. Desde mediados del siglo XX, una nueva tendencia ha desarrollado una enseñanza centrada en el "aprendizaje" y no en la "enseñanza", en el estudiante y no en el docente.
Los avances de esta tendencia fueron pequeños durante muchos años, debido a que no había una tecnología adecuada para administrar, buscar y diseminar un gran volumen de conocimiento de una manera simple y directa.
Hoy el conocimiento ya no es escaso: por el contrario, es abundante y la tecnología se utiliza para que las fronteras ya no existan para su transmisión, por lo que se puede estudiar casi cualquier cosa remotamente.
Dentro de este proceso global e imparable, la Inteligencia Artificial ocupa un lugar prominente.
Pero, ¿qué es la Inteligencia Artificial y, fundamentalmente, para qué sirve?
A veces, la historia parece repetirse: hoy, al igual que en 1984, hay un gran impulso en torno a la Inteligencia Artificial. A muchos les parece una panacea capaz de resolver todos los problemas, de modo que los capitalistas de riesgo persiguen a las empresas en el campo para ofrecerles financiación.
¿Por qué tomo como referencia la situación actual con la de 1984?
Para que sea más fácil de entender, me gustaría contar una historia corta.
En 1984, Nicolás Jodal y yo nos enfrentamos al nuevo desafío de la computación corporativa. Para nosotros fue claro que pasar de "bases de datos temáticas" -que contaban con 20, 30 o 40 entidades y que interactuaban con decenas de programas- a bases de datos corporativas -con cientos o miles de entidades e interacciones con miles de programas- implicaba un gran salto, además de dificultades que aún no se habían identificado.
Aquí debo enfatizar que no estábamos especulando sobre problemas futuros. Muy por el contrario, estos problemas existían en ese momento y debían resolverse en cortos períodos de tiempo. Algunos de nuestros clientes habían expresado la necesidad de tener grandes bases de datos corporativas que pudieran interactuar con todos sus sistemas y proporcionarles, en cualquier momento, información empresarial para apoyar la toma de decisiones globales, tácticas y estratégicas, además de abordar los problemas operativos del día a día.
La primera tarea a mano fue construir el modelo de datos de la empresa. Dado el alcance del problema y nuestro conocimiento previo sobre los altos costos de desarrollo, e incluso los costos más elevados de mantenimiento de sistemas grandes, la otra tarea era encontrar métodos y herramientas que permitieran reducir estos costos drásticamente.
Después de confirmar que no existían herramientas que pudieran ayudarnos a resolver el problema en ninguna parte del mundo y que resolverlo con métodos tradicionales no era factible, buscamos formularlo rigurosamente recurriendo a las matemáticas y la lógica.
Por lo tanto, entramos en el campo de la Inteligencia Artificial con la expectativa de que nos permitiera avanzar.
El futuro de la Inteligencia Artificial parecía prometedor. Muchas compañías y grupos de investigación, especialmente en los Estados Unidos, intentaron construir "Sistemas Expertos" para ayudar a los expertos humanos a resolver prontamente problemas muy complejos de diversos campos.
Treinta y tres años después, la mayoría de estos esfuerzos han fallado.
En este punto, parece razonable hacerse algunas preguntas: ¿por qué fracasaron tantos esfuerzos, incluso si fueron llevados a cabo por técnicos y científicos de talla mundial? Y aquellos que no fallaron, ¿por qué tuvieron éxito? ¿No es posible que estemos cometiendo los mismos errores otra vez? ¿Es la llamada Inteligencia Artificial una solución válida para los problemas del mundo real?
Las fuentes del conocimiento
Cuando se abordó el problema inicialmente, creo que todos coincidimos en una cosa: las fuentes de conocimiento para nuestros Sistemas Expertos eran expertos humanos en el dominio del problema a resolver. Estos expertos nos enseñaron y compartieron sus experiencias, y de todo eso capturamos el conocimiento para construir reglas, algoritmos, etc. que conformarían el sistema experto que estábamos tratando de crear.
Pensamos que esta fuente de conocimiento era la correcta porque hablar con un experto humano es mucho más fácil y placentero que hablar con un programa de computadora. Además, se hicieron avances prometedores rápidamente.
¡Y así fue, al principio! Sin embargo, después de la primera etapa de euforia, estos avances serían mucho más lentos. ¿Por qué?
Al examinar el problema, pudimos encontrar gradualmente algunas de sus causas. Por ejemplo, el experto humano tiene "vasto conocimiento" pero no "todo el conocimiento necesario". Su conocimiento no está estructurado ni sistematizado de ninguna manera. El experto "sabe cómo" utilizar el conocimiento por sí mismo o transferirlo a un colega. Por otro lado, transferirlo a una máquina es algo diferente, porque requiere objetividad e integridad, lo que el experto humano difícilmente puede proporcionar.
Entonces, para resolver el problema de la integridad, ¿deberíamos recurrir a un grupo de expertos humanos?
La transferencia de conocimiento implica problemas de objetividad y errores. Al principio, aunque el sistema experto es pequeño, podemos identificar y resolver estos problemas; con el tiempo, cuando crece significativamente y, en particular, cuando involucra a varios expertos humanos, esto es imposible.
En resumen: necesitamos conocimiento confiable, objetivo y completo. De lo contrario, mientras pensamos que estamos solucionando nuestro problema, en realidad estamos introduciendo más subjetividades, inexactitudes e incluso falsedades. ¡Es por eso que no estábamos progresando! ¡Esta forma de obtener conocimiento no permite escalar!
Obviamente, estoy haciendo este diagnóstico 33 años después y con los resultados en frente de mí.
Mientras tanto, nuestro esfuerzo fue exitoso. ¿Por qué? ¿Pudimos ver todo el problema claramente en ese momento? ¡Absolutamente no!
En nuestro caso, que es bastante particular, había un factor simplificador que rápidamente nos mostró que habíamos tomado el camino equivocado. Jugamos dos roles: nuestros antecedentes académicos y nuestra experiencia profesional nos convirtieron en "expertos en el dominio del problema" y, debido a las condiciones en aquel entonces, también éramos los "expertos en inteligencia artificial". Simplemente avanzábamos por ensayo y error, learning by doing. El diálogo entre los dos tipos de expertos fue muy fácil, y así fue como nos dimos cuenta de que capturar el conocimiento de esa manera no nos llevaría muy lejos.
La búsqueda temprana de una solución a este problema nos llevó a intentar capturar el conocimiento de los datos, de manera automática. Fue un gran golpe de suerte.
Captura automática de conocimiento
Durante los últimos 33 años, la humanidad ha realizado grandes esfuerzos para capturar automáticamente los datos involucrados en los problemas y, en particular, el conocimiento contenido en ellos.
¿Los expertos en el dominio del problema ya no son necesarios? ¡Eso no es cierto! Juegan un papel esencial, aunque diferente. Ahora se les exige que proporcionen su conocimiento conceptual, que es necesario para formular el problema con claridad, para interpretar los resultados a medida que capturamos el conocimiento y para evitar dejarnos llevar por los resultados de casos específicos. Incluso si el experto humano se ha convertido en un consultor calificado, él o ella no es la fuente de todo conocimiento.
En este sentido, se ha trabajado mucho en dos opciones: Machine Learning y Deep Learning.
En ambos casos, las neuronas artificiales se utilizan como herramientas esenciales, así como el conocimiento se obtiene de la manera más automatizada posible a partir de una gran masa de datos.
El objetivo del aprendizaje automático es que la máquina aprenda de los datos y los resultados que se le proporcionan en una escala masiva. Es aprendizaje supervisado porque los elementos de los que el sistema debería "aprender" se seleccionan de antemano.
¿Qué se espera de eso? A partir de un conjunto de datos y resultados precisos, el sistema puede alcanzar los mismos resultados: cuando lo haga, habrá "aprendido".
Al principio, se está lejos de lograrlo. Entonces, de alguna manera, intervenimos para "ayudarlo" haciendo cambios al sistema desde el exterior. Es un proceso lento; el sistema "aprende" y nosotros los humanos "aprendemos a ayudarlo a aprender". Esto continúa hasta alcanzar una etapa de madurez y estabilidad, cuando el sistema devuelve resultados con una alta probabilidad de precisión.
Idealmente, estos ajustes internos deberían ser hechos automáticamente por el sistema mismo. Al igual que en muchos otros campos, la tenacidad de los principales grupos de investigadores les ha permitido recientemente alcanzar este objetivo y crear Deep Learning. También es un aprendizaje supervisado porque se eligen los datos utilizados y se calculan los resultados, pero el sistema se comporta como una caja negra que evoluciona sola a lo largo del proceso de aprendizaje.
Los algoritmos utilizados en Deep Learning están disponibles públicamente, y es por eso que muchas más personas de diversos campos ahora pueden usar estos recursos.
Un ejemplo: Inteligencia Artificial y GeneXus
El proyecto GeneXus es el resultado de la imaginación y los esfuerzos de nuestro equipo y de la Inteligencia Artificial.
¿Existiría sin Inteligencia Artificial? Creo que no.
La experiencia ha demostrado que nadie, en ninguna organización, tiene suficiente conocimiento objetivo y completo sobre los datos como para usarlo y obtener automáticamente el modelo de datos que necesitamos.
Uno puede preguntarse: ¿este conocimiento existe? ¿Dónde está?
En cada organización, hay múltiples vistas de datos que tienen los diversos usuarios; Además, cada uno de estos usuarios conoce muy bien las vistas que usa todos los días.
¡El conjunto de estos puntos de vista es una excelente fuente de conocimiento!
El problema se puede formular de esta manera: necesitamos un modelo de datos que satisfaga todas estas vistas.
¿Puede haber varios de ellos? Si es así, ¿cuál deberíamos elegir?
En realidad, el modelo más apropiado es este conjunto de vistas. Para trabajar con él a diario, también creamos, a través de una transformación automática, el modelo normalizado correspondiente. Para ayudar a su visualización, también podemos generar el modelo de Entidades y Relaciones correspondiente, etc.
Con este conocimiento, podemos generar y mantener automáticamente los sistemas requeridos por la organización. Este conocimiento no se basa en ningún elemento físico o tecnológico, por lo que puede utilizarse para generar sistemas para cualquier plataforma tecnológica.
Y en particular, puede usarse para tecnologías que puedan surgir en el futuro.
GeneXus es un buen ejemplo de los esfuerzos continuos de un equipo de investigación calificado que utiliza métodos y herramientas de Inteligencia Artificial como elementos esenciales.
El futuro de la Inteligencia Artificial: ¿Dónde está el límite?
Puedo afirmar con confianza que, a pesar de que ya se han alcanzado logros considerables, la Inteligencia Artificial apenas comienza a utilizarse.
Durante muchos años, hemos utilizado grandes esfuerzos, una gran cantidad de energía y una gran imaginación para obtener datos, verificar su consistencia, almacenarlos convenientemente y mantenerlos constantes, para luego explotarlos muy modestamente. Con todos los recursos actualmente disponibles, se debe usar mejor y más imaginativamente.
Cada día aparecen nuevas aplicaciones para Inteligencia Artificial: visión artificial, reconocimiento de cosas o personas, reconocimiento de patrones, traducción automática, educación, entretenimiento, robots, automatización de procesos, ayudas de diagnóstico de todo tipo, automóviles autónomos ...
¿Dónde está el límite? Nuestra imaginación es el límite, y como la imaginación es nuestra mejor característica, ¡no hay límite!
Aquí puedes leer el artículo original y contactarte con Breogán Gonda