Artículo escrito por Ricardo Diez. CEO en ANALYTICS.TOWN, fanático del Analytics, Big Data y Machine Learning.

Actualmente, Machine Learning es una disciplina que presenta incontables usos y posibilidades para eficientizar a las personas y sus empresas. ¿Qué pueden aprender las máquinas? Muchas cosas más de las que creemos posibles. Pueden aprender los movimientos de la bolsa de valores para interpretar qué activos financieros debemos adquirir y cuál es la mejor estrategia de inversión. Pueden estimar el nivel de ventas y producción de una empresa a futuro, basadas en el consumo pasado, identificando patrones de comportamiento y factores que motivan las decisiones de las personas. Además, pueden detectar microexpresiones en el lenguaje corporal. Escuchar e interpretar lo que escuchan para poder responder, con lenguaje natural, considerando tus sentimientos.  También, pueden aprender de tu forma de pensar a través de un videojuego e idear una estrategia para vencerte. Entender de los gustos, formas, movimientos, sentimientos humanos, para aprender a crear e inventar como los mismos humanos lo hacen.

Todo esto es posible desde hace muchos años y evoluciona a gran velocidad. Pero, esta historia, comienza en Cambridge, Massachusetts, en 1926.

“¿Qué pueden aprender las máquinas? Muchas cosas más de las que creemos posibles. Pueden aprender los movimientos de la bolsa de valores para interpretar qué activos financieros debemos adquirir y cuál es la mejor estrategia de inversión.”

(…) Arthur estaba muy emocionado, por fin había llegado el día por el que tanto había trabajado durante los últimos años.  Sus proyectos se hacían realidad y sus sueños estaban comenzando a tomar forma en su cabeza.  Este es un día que Arthur nunca olvidará: es su graduación del MIT, recibirá su título de Maestría en Ingeniería Eléctrica y la oferta de poder dar clases en esta misma institución.

Su vida académica duró hasta 1928, año en el que comenzó a trabajar en Laboratorios Bell. Allí, su aporte fue crear las primeras antenas de radar que podían emitir y recibir señales al mismo tiempo, una gran innovación en el contexto de la segunda guerra mundial. Arthur estaba sumamente comprometido -y casi obsesionado- con que las máquinas podían ser nuestras aliadas y compañeras en momentos difíciles. Por eso, confiaba en que tenían mucho más potencial del que los humanos de la época eran capaces de entender.

Pasaron 20 años de investigación, hasta que en 1949, Arthur comenzó a trabajar en IBM para desarrollar nuevos modelos de computadoras y aplicativos, las primeras versiones de procesadores computacionales.

En ese entonces, logró uno de los principales hitos que catapultó su carrera: creó un video juego de Damas que potenció la forma como IBM entendía la capacidad de análisis de las computadoras. Este videojuego fue tan exitoso que, el día de su presentación pública, logró elevar en un 15% el valor de las acciones de IBM, en menos de 24 horas.

Con ello, comenzaba una carrera extraordinaria que nunca pararía: la conquista de un mundo donde las máquinas aprenden a aprender.

Este juego, no era un juego más, en él se reflejaba por primera vez la capacidad que podría tener una computadora de aprender a jugar y reproducir lo aprendido para vencer a su oponente.

Arthur pasó otros 10 años trabajando en su hipótesis de que las computadoras podrían hacer cosas extraordinarias, al igual que los humanos. No fue sino hasta 1959, que él mismo acuñó el término “Machine Learning” y abrió así formalmente otro camino de investigación: La Inteligencia Artificial.

El Machine Learning evolucionó hasta convertirse en una verdadera capacidad para un computador. La matemática, metodologías y lógica detrás del aprendizaje automático, le permitieron ser escalable a velocidades insospechadas, en la medida que el mundo pudiera desarrollar mayor capacidad de cómputo y procesamiento de datos.

Arthur Samuel podría ser considerado hoy un visionario, aunque no fue más que una persona que creyó en un sueño e hizo todo lo posible por materializar su visión del futuro.

Probablemente, Arthur no haya pensado que lo recordaríamos como alguien que podría cambiar el mundo, pero la verdad es que su obra lo cambió todo.  En la actualidad es muy común toparnos con distintos desarrollos basados en su contribución.  Su matemática y su desarrollo de software fueron la base, en gran medida, de todos los aplicativos que hoy nos rodean.

Actualmente, no solo es posible que una computadora aprenda sino también que reproduzca su aprendizaje en creaciones originales y novedosas que, anteriormente, eran exclusivas de la creatividad humana.

¿Cuáles son las probabilidades de que un pintor que no existe se convierta en el próximo Picasso? ¿Qué probabilidad existe de que un presidente de los Estados Unidos salga de una conferencia de prensa pateando la puerta y rompiendo el podio tras haber dado un mensaje de paz? ¿Cuáles son las chances de que La Mona Lisa de Da Vinci cobre vida de su cuadro y comience a conversar con tu familia?

Estas preguntas probablemente te parezcan un poco extrañas.  Aunque, lo verdaderamente llamativo es que todas esas cosas han sucedido en estos últimos años, impulsados por computadoras que los hacen realidad.

En el siglo XXI, hemos visto varios ejemplos de cómo algoritmos generativos pueden desarrollar creaciones propias y aprender a generar elementos que realmente no existen, de una forma tan realista que es difícil identificar la diferencia a simple vista.

Estos algoritmos, permiten literalmente “generar” cosas que antes no estaban allí, determinando la probabilidad de que posiblemente puedan ser de cierta manera bajo una condición que se debe cumplir.

Esta explicación puede parecer compleja, pero es la misma técnica y lógica de la combinación de elementos, usada para crear las populares Fake News.   Las noticias falsas han desarrollado muy bien esta técnica, crean imágenes que no existen, a partir de la combinación de otras imágenes reales separadas.  Videos de personas diciendo cosas que nunca dijeron, gracias a combinar suficientes minutos de grabaciones para que el algoritmo aprenda a interpretar la probabilidad de un movimiento en el rostro y sus expresiones. Luego, las combinan con las palabras y expresiones de un actor o sujeto externo que da un discurso modificado/ diferente al real. Así, obtienen un video y discurso diferente a los iniciales, pero imposible de identificar como falso a simple vista.

Así mismo, hemos visto videos de objetos inanimados como la Gioconda de DaVinci, quién podría conversar contigo cualquier día de estos, si se entrena con suficientes imágenes y ángulos a un algoritmo generativo (posiblemente una GAN Network) para lograr sus movimientos y expresiones.

Incluso, en el ámbito político, es posible combinar discursos oficiales con interpretaciones de actores para crear discursos completamente distintos a los que los líderes mundiales dijeron en la realidad.

Tal es el caso en 2010, cuando se viralizó en redes sociales e incluso medios periódicos, un video de Barack Obama saliendo de una conferencia de prensa “a las patadas” tras haber sido cuestionado por los periodistas.   Obviamente esto era falso, pero mientras se expandía el video, millones de personas ponían a prueba su criterio para determinar el grado de credibilidad que le podían otorgar a lo que estaban viendo y los efectos políticos que el video, real o no, podía traer aparejado.

Claro está que, cada uno debe procurar usar los avances tecnológicos a favor del bienestar de la humanidad, aunque no siempre así suceda.

Un buen ejemplo de ello, es el de la utilización de asistencia de machine learning para identificar comportamientos sociales críticos durante períodos de pandemia, en donde el distanciamiento social es clave para detener los contagios.

En 2020, la organización Landing.AI, liderada por Andrew Ng, uno de los mayores referentes globales en temas de inteligencia artificial, creó una herramienta para la evaluación del distanciamiento social en espacios públicos,  la cual tiene la función de monitorear la interacción de los ciudadanos durante la pandemia de Coronavirus.

Birds-Eyes View, consiste en identificar la distancia física entre las personas y alertar cuando dos o más sujetos están dentro de una zona de posible contagio, por lo cual aumentaría el riesgo de contraer la enfermedad.

Así como en este ejemplo, es posible entrenar a distintos algoritmos para realizar tareas en donde se emplean criterios humanos y, gracias a ello, mejorar nuestra vida en el proceso. ¡Finalmente, parece que las máquinas sí aprendieron a aprender!