La Inteligencia Artificial, IA, por muchos años ha sido objeto de debates. Que le quitará a la gente sus empleos, que hará que los conductores de vehículos pierdan su trabajo, por ejemplo, cuando los automóviles y camiones autónomos terminen por hacer inútil la presencia del chofer. Pero ahora parece irse un paso más allá, pues investigaciones actuales muestran que se puede escribir software que puede aprender a hacer algo asombroso, el diseñar software para aprendizaje de máquinas.
De hecho, en estos meses, otros grupos de investigación han reportado sus propios progresos en escribir software que aprende a escribir software que aprende. Esto incluye al instituto OpenAI (co-fundado por Elon Musk), el MIT, la Universidad de California en Berkeley y el grupo de DeepMind, que pertenece a Google.
Si esta iniciativa de software se convierte en algo práctico, podría incrementarse el ritmo con el que se está implementando el software de aprendizaje de máquina. Hoy las compañías que hacen software inteligente están encontrándose con falta de expertos en la materia y pagan mucho mejor a los que se están dedicando a estos temas de aprendizaje de máquinas.
Jeff Dean, quien lidera el grupo de investigación Google Brain, indicó la semana pasada que parte del trabajo humano que se hace ahí podría ser suplantado por software. Describió lo que dijo es «aprendizaje automático de máquinas», como una de las principales ramas de investigación que su equipo está explorando. «Hoy en día la manera en como se resuelven problemas depende si se tienen los datos, la computación y los expertos necesarios», comentó Dean en la Conferencia AI Frontiers, que se llevó a cabo en Santa Clara, California. «¿Podemos eliminar la necesidad de los expertos en aprendizaje de máquinas?», se pregunta.
DeepMind, por ejemplo, ha hecho una serie de experimentos que sugieren que lo que los expertos llaman «aprender a aprender», podría ayudar a minimizar el problema del software de aprendizaje de máquinas que requiere enormes cantidades de datos en una tarea específica para funcionar adecuadamente.
Los investigadores están pues poniendo a prueba sus programas para crear sistemas que aprenden para colecciones de todo tipo, pero en problemas relacionados todos, como por ejemplo, en navegar por laberintos. Se llegó a un diseño que mostró que la capacidad para generalizar y de hacer nuevas tareas con menos entrenamiento podría ser lo usual.
La idea de crear software que aprende a aprender lleva cierto tiempo entre nosotros, pero experimentos anteriores no produjeron los resultados esperados, por ejemplo, que fuesen competitivos contra el desempeño que pueden realizar los humanos. Pero ahora «es emocionante», como dijo Yoshua Bengio, un profesor de la Universidad de Montreal, quien previamente exploró esta idea en los años 1990s.
Bengio piensa que ahora que hay mucho mayor poder de cómputo, el advenimiento de una técnica llamada «aprendizaje profundo», podría encender la imaginación de lo que pudiese hacer la IA en los siguientes años, haciendo que este enfoque se vuelva preponderante. Pero hace notar que aún se requiere mucho poder de cómputo y no es práctico aún el pensar en reemplazar a los expertos en aprendizaje de máquinas humanos.
De hecho, desde las primeras computadoras de 8 bits ya se hablaba de programas que pudiesen escribir software, lo cual era en el mejor de los casos una buena intención de parte de los creadores de este tipo de programas, como «The Last One«.
Por otra parte, los investigadores de Google Brain describen el uso de 800 procesadores gráficos para correr software de reconocimiento de imágenes que parecen ser tan buenos como los mejores programas diseñados por los seres humanos.
Otkrist Gupta, un investigador del MIT Media Lab, cree que esto cambiará. Él y sus colegas en el MIT planean hacer software de código abierto detrás de sus propios experimentos, en donde el software de aprendizaje diseñado para los sistemas de aprendizaje profundo puedan competir con los que hacen los seres humanos en tareas como la de reconocer objetos. Gupta se ha inspirado en la frustración de horas gastadas diseñando y probando modelos de aprendizaje de máquinas. Piensa que las compañías e investigadores están muy motivados ahora para hacer que el aprendizaje de máquinas se automatice.
