Pensando en Sistemas

En el Universo todo son sistemas y lo normal es que estos funcionen porque llegan a una especie de equilibrio, al menos si la vida existe y sobre esa vida se ha llegado a desarrollar inteligencia es porque existe un equilibrio.

• El equilibrio en el Sistema Solar permite que los planetas giren alrededor del Sol sin chocarse unos con otros y sin precipitarse sobre la estrella que proporciona la energía necesaria para que al menos en la Tierra pueda haber vida.
• El equilibro del planeta Tierra con la Luna determina el funcionamiento de las mareas y esto a su vez genera un equilibrio con los vientos en la atmósfera, lo cual determina muchos aspectos en el clima que también influyen en la vida.
• El ahora nuevamente famoso núcleo terrestre incluso tiene una influencia importante en el desarrollo de la vida terrestre gracias al efecto de apantallamiento magnético que nos protege de las radiaciones procedentes del espacio.
• El equilibro en los ecosistemas terrestres es aún más palpable en nuestra vida y está muy bien representado por la cadena trófica, donde los cambios que se producen en alguna de las especies que habitan la tierra puede afectar a las demás.
• También el equilibrio existente en el interior y exterior de los seres vivos con las bacterias que lo pueblan es tremendamente relevante para nosotros, hasta el punto que sin ellas no podríamos vivir, ni quizás tampoco ser inteligentes.
• Finalmente llegamos al equilibro entre la inteligencia humana y la Inteligencia Artificial, que tras millones de años de evolución de la vida es justo el momento en el que nos encontramos ahora y nos hace visualizar un escenario en el que ya existe una Super Inteligencia Artificial o Inteligencia Artificial General si consideramos la combinación del humano y la máquina como un sistema que se retroalimenta. No necesitamos llegar a tener una inteligencia artificial que sea 100% autónoma, lo mejor que puede ocurrir en estos momentos es que lo artificial sea parte de un sistema que trabaja en colaboración con las personas.

Y así es como hemos llegado de nuevo al tema de la Inteligencia Artificial que es a lo que vamos a dedicar este artículo, porque todo lo que está pasando en los últimos meses con las GenAI lo merece y desde Futurizable queremos contribuir a que sea cada vez más conocido y utilizado entre los que cada domingo leéis esta newsletter.

Un recorrido por la historia reciente de las Redes Neuronales

Entender lo que está ocurriendo con la Inteligencia Artificial merece dedicarle algo de tiempo a aprender cómo hemos llegado hasta aquí y cuáles son las principales tecnologías que hacen posible que ahora estemos hablando con ChatGPT como si fuera un humano que nos acompaña en nuestro día a día, para ayudarnos con nuestras actividades habituales, ya sea cuando estamos trabajando, cuando estamos aprendiendo, y sobre todo cuando estamos haciendo ambas cosas a la vez.

Sin tener que remontarnos a la época de Alan Turing y las primeras computadoras, cuando ya se comenzó a hablar de Inteligencia Artificial, es interesante pensar que desde ese momento ya estaba previsto que la tecnología fuera poco a poco replicando las capacidades humanas que solemos asociar con la inteligencia, como son la capacidad de hablar, leer, escribir, reconocer imágenes, resolver problemas matemáticos, jugar a juegos como el ajedrez y sobre todo aprender.

De esta forma los desarrollos en Inteligencia Artificial han seguido durante mucho tiempo dos caminos diferentes, por un lado los sistemas expertos donde se desarrollaban diferentes herramientas de software que estaban programadas para replicar las habilidades humanas pero a base de fuerza bruta, ya que la máquina no se cansa y tiene todo el tiempo del mundo para hacer los cálculos necesarios para replicar de manera matemática lo que un humano hace, por ejemplo cuando juega a las damas, que es uno de los primeros juegos donde se puso a prueba esta tecnología en la década de los 50.

Desde entonces hemos vivido diferentes periodos de auge y caída de las expectativas al respecto de las posibilidades que podría ofrecernos la Inteligencia Artificial, lo cual no ha hecho que en todo este tiempo los científicos declinaran en su afán por avanzar en el desarrollo de esta tecnología, como queda de manifiesto en la siguiente cronografía que debería servirnos para hacernos una idea de dónde estamos y cómo hemos llegado hasta aquí.

• Las primeras redes neuronales artificiales fueron desarrolladas en 1943 por el neurofisiólogo Warren McCulloch y el matemático Walter Pitts. Sin esta invención sería imposible haber experimentado el gran avance de la Inteligencia Artificial en los últimos años, gracias a la genialidad de replicar la inteligencia a través de sus elementos fundacionales, las neuronas.
• La neuronal artificial perceptrón desarrollado en 1957 por Frank Rosenblatt fue otro de los pilares fundamentales de esta tecnología y ofrecía la utilidad de resolver problemas de clasificación binaria, determinando si un objeto dado pertenecía a una de dos categorías.
• El siguiente paso era conectar las neuronas artificiales entre sí, porque esto es lo que se considera como base para la inteligencia, no solo que tengamos neuronas sino como estás se conectan e interactúan formando un sistema, lo cual es la razón por la que hablamos de redes neuronales y no solo de neuronas. Y esto sucedió en la década de los 60 gracias a Georgiy Ivakhnenko y Vladimir Lapa con el desarrollo de redes neuronales que realizaban tareas como la identificación de sistemas y la predicción de series temporales. Estas redes neuronales se caracterizaban por su capacidad para realizar ajustes finos y por su estructura en cascada, lo que permitía que la información fluyera de una capa a otra; también por su capacidad para aprender a partir de datos y para generalizar a nuevos datos.
• Y así es como llegamos al aprendizaje automático, o machine learning, que como os podéis imaginar es en lo que se basa todo lo que ha venido después y que ahora denominamos como deep learning, como una representación de que si las máquinas aprenden es gracias a la estructura de capas de redes neuronales apiladas unas sobre otras.
• Después tuvieron que pasar un par de décadas (el invierno de la Inteligencia Artificial), en concreto llegar a los años 80 y 90 para que se produjera un nuevo gran avance en esta tecnología, con la invención de las redes neuronales convolucionales, propuestas por Kunihiko Fukushima en 1980 a través del concepto de Neocognitron, que ​más tarde fue mejorado por Yann LeCun en 1998​ al introducir un método de aprendizaje basado en la propagación hacia atrás para poder entrenar el sistema correctamente.
• Este diseño de redes neuronales convolucionales fue refinado en 2012 por Dan Ciresan y en este momento es cuando se produce el gran punto de inflexión en esta tecnología, gracias a su utilidad para el procesamiento de imágenes. Precisamente en 2012 esta arquitectura de redes neuronales logró una gran notoriedad por usarse para vencer en la competición ImageNet organizada por las universidades Stanford y Princeton, para fomentar el desarrollo de los sistemas de clasificación de imágenes basados en Inteligencia Artificial.
• También en 2012 Geoffrey Hinton y George Dahl, usaron redes neuronales profundas para ganar una competencia organizada por Merck en la plataforma Kaggle, que era utilizada por una gran cantidad de científicos de datos y expertos en Inteligencia Artificial para poner a prueba sus modelos de aprendizaje automático.
• En paralelo al desarrollo de las redes neuronales convolucionales encontramos las redes neuronales recurrentes que se basan en el trabajo de David Rumelhart en 1986. Estas se utilizan para procesar secuencias de datos, como texto, audio o vídeo, es decir, para el procesamiento del lenguaje natural. En lugar de procesar cada entrada independientemente, mantienen un estado oculto que se actualiza a medida que se procesan las entradas sucesivas en la secuencia, lo cual les permite tener en cuenta la información anterior y procesar la secuencia completa para producir una salida.
• Fue en 2014 donde vimos como todo comenzaba a acelerarse y donde nos encontramos con las redes neuronales generativas antagónicas, las famosas GANs, desarrolladas por Ian Goodfellow. Estas redes están formadas por dos partes, un generador y un discriminador, donde a través de un proceso iterativo, el generador aprende a crear datos cada vez más convincentes y el discriminador aprende a ser más efectivo en la detección de datos falsos, lo cual ha tenido un recorrido enorme en los últimos años para la generación de imágenes.
• En 2015 Google libera Tensor Flow, la librería de software gratuita y de código abierto para el aprendizaje automático y la inteligencia artificial, que puede ser usada en una variedad de tareas, pero que tiene un enfoque particular en el entrenamiento y la inferencia de redes neuronales profundas. A raíz de esta iniciativa multitud de personas se lanzan a la aventura de aprender sobre Inteligencia Artificial lo cual acelera considerablemente el desarrollo de esta tecnología.
• Y entonces llegó el año 2016 donde la Inteligencia Artificial ocupó todas las portadas gracias al desarrollo de AlphaGo por parte de DeepMind, al ganar al campeón del mundo del juego de mesa de Go, gracias a un desarrollo en el que confluían tecnologías de aprendizaje automático combinadas con un de árbol del decisión del tipo búsqueda Monte Carlo. Llegados a este punto vale la pena mencionar que en aprendizaje automático a demás de las redes neuronales artificiales tenemos otros algoritmos como son los árboles de decisiones, las reglas de asociación, los algoritmos genéticos, las máquinas de vectores de soporte, los algoritmos de agrupamiento y las redes bayesianas.
• Finalmente vamos a detenernos en este viaje en el año 2017 con la publicación del paper Attention Is All You Need donde se presentan los transformers como un nuevo tipo de red neuronal que viene a mejorar a las convolucionales y a las recurrentes, proponiendo una estructura secuencial que procesa la información en forma de secuencia, como ocurre en una frase o un documento, en lugar de procesar la información en una estructura de grid, como en una red neuronal convencional. Para ello se utiliza el concepto de atención, que permite a la red considerar la importancia de diferentes partes de la secuencia al realizar tareas como la traducción automática o la clasificación de texto. La atención permite a la red aprender a enfocarse en las partes relevantes de la secuencia y desechar aquellas que no son importantes.

Nomenclatura para entender el funcionamiento de las redes neuronales

Para sacar provecho de la Inteligencia Artificial Generativa no es necesario conocer en profundidad el funcionamiento del Deep Learning ni de las redes neuronales que lo soportan, pero como muchas veces al hablar de esta tecnología se menciona el tipo de red neuronal en el que está basado y alguna característica específica de su arquitectura, puede ser interesante conocer algunos de los términos más habituales.

• Neuronas artificiales: son las unidades básicas de una red neuronal y se encargan de procesar y transmitir la información.
• Entrada: son las características o variables que se utilizan como entrada de información en la red neuronal.
• Capas: una red neuronal puede estar compuesta por una o más capas de neuronas. Las capas de entrada contienen las neuronas que reciben las señales de entrada, mientras que las capas intermedias, también llamadas ocultas, y la capa de salida contienen las neuronas que procesan y generan la señal de salida.
• Pesos: cada entrada de una neurona está asociada a un peso que controla la influencia de esa entrada en la salida de la neurona. Los pesos se ajustan durante el proceso de aprendizaje de la red neuronal.
• Sesgos: son parámetros adicionales que se incluyen como una corrección que se aplica a la entrada de una neurona antes de que se calcule su salida, lo cual se utiliza para desplazar la función de activación de una neurona hacia arriba o hacia abajo, lo que permite ajustar la salida de la neurona de forma independiente de sus entradas
• Función de activación: es una función matemática que se aplica a la suma ponderada de las entradas para producir la salida de la neurona. La función de activación introduce no linealidad en la red neuronal, lo que permite a la red modelar una gran variedad de relaciones complejas entre las entradas y las salidas.
• Propagación hacia adelante: es el proceso de calcular la salida de la red neuronal a partir de las entradas y los pesos. La señal de entrada se propaga a través de las capas de la red neuronal hasta la capa de salida.
• Función de costo o pérdida: es una medida de la diferencia entre la salida deseada y la salida real de la red neuronal. Se utiliza para evaluar el rendimiento de la red y para guiar el proceso de aprendizaje.
• Optimizador: es un algoritmo que se utiliza en el entrenamiento de redes neuronales para mejorar sus capacidades predictivas con el objetivo de encontrar los mejores pesos y sesgos de las redes neuronales de manera que puedan producir las predicciones más precisas posibles.
• Propagación hacia atrás: es el proceso de ajustar los pesos de la red neuronal en función de la función de costo y de la propagación hacia adelante. Se trata de un algoritmo de optimización que permite a la red neuronal aprender a partir de los datos de entrenamiento.
• Entrenamiento: el entrenamiento es el proceso de ajuste de los pesos y los sesgos de las conexiones entre las neuronas artificiales en una red neuronal con el fin de optimizar su capacidad para realizar tareas específicas. La idea detrás del entrenamiento es que la red neuronal debe ser capaz de aprender de los datos de entrada y producir una salida correcta para una determinada tarea. Esto se lleva a cabo a través del uso de un conjunto de datos de entrenamiento, que consiste en pares de entrada y salida deseada. La red neuronal ajusta sus pesos y sesgos en base a la comparación entre su salida actual y la salida deseada para cada ejemplo en el conjunto de datos de entrenamiento. Este proceso se repite varias veces hasta que la red neuronal alcance un nivel aceptable de precisión en la realización de la tarea deseada. Así el éxito del entrenamiento depende de factores como la calidad y cantidad de los datos de entrenamiento, la estructura de la red neuronal, la elección de la función de pérdida y la optimización del proceso de entrenamiento.
• Aprendizaje supervisado: es un tipo de aprendizaje automático en el que se utiliza un conjunto de datos etiquetados para entrenar un modelo de aprendizaje, donde se proporciona una entrada y una etiqueta deseada para cada ejemplo en el conjunto de datos, y el objetivo es que el modelo aprenda a producir la etiqueta correcta para nuevas entradas en base a los patrones de asociación encontrados en los datos de entrenamiento.
• Aprendizaje no supervisado: es otro tipo de aprendizaje automático en el que en esta ocasión se utiliza un conjunto de datos sin etiquetar para entrenar el modelo, por lo tanto, ya que no se proporciona una etiqueta deseada para cada ejemplo en el conjunto de datos, el objetivo es que el modelo descubra patrones y estructuras ocultos en los datos, como son las agrupaciones y las asociaciones.
• Aprendizaje por refuerzo: es un tipo de aprendizaje automático en el que un algoritmo aprende a tomar acciones en un entorno con el objetivo de maximizar una recompensa o refuerzo, de esta forma experimenta con diferentes acciones y recibe recompensas o penalizaciones en función de sus acciones. A partir de estas experiencias, el algoritmo ajusta su comportamiento para maximizar la recompensa en el futuro.
• Finetuning:  consisten en utilizar una red neuronal que ya ha aprendido algunas características útiles para realizar una tarea en particular, pero ahora queremos aplicar esa red neuronal a un nuevo problema. Para ello se aprovechan los pesos y sesgos aprendidos previamente y se adaptan a un nuevo problema específico. Este proceso implica congelar los pesos y sesgos de una parte de la red neuronal preentrenada y continuar el entrenamiento solo en la parte restante de la red. Esto se hace porque se asume que la parte preentrenada de la red ya ha aprendido características generales útiles en un problema similar, y que estas características se pueden transferir y ajustar al nuevo problema. Esta técnica se utiliza cuando no hay suficientes datos disponibles para entrenar una red neuronal desde cero, o cuando se desea aprovechar las capacidades de aprendizaje de una red neuronal preentrenada.
• Gran modelo de lenguaje: es un modelo de aprendizaje profundo que ha sido entrenado en un gran corpus de texto con el objetivo de comprender y generar lenguaje humano. Estos modelos utilizan técnicas de aprendizaje automático y procesamiento del lenguaje natural para desarrollar una comprensión profunda del significado del lenguaje y cómo se relaciona con otros conceptos. Los grandes modelos de lenguaje se utilizan en una variedad de tareas, incluyendo la traducción automática, la generación de texto, la respuesta a preguntas, la clasificación de texto, la búsqueda en internet, la asistencia virtual y la automatización de chats.

Y aquí es donde acaba la historia que os queríamos contar hoy, porque un gran modelo de lenguaje es precisamente lo que ha creado la empresa OpenAI a través de GPT-3 y su versión para conversar con humanos ChatGPT.

La respuesta de Google al huracán ChatGPT

Bueno, quizás mejor no terminamos aún, porque están pasando tantas cosas en este sector de la Inteligencia Artificial que vale la pena hacer un bonus para fijarnos en la respuesta que está dando o quiere dar Google a las diferentes iniciativas emprendidas por OpenAI y su socio Microsoft. Ya que tras la integración de GPT en Bing y otras herramientas como Teams, parece que no queda mucho para que Google haga lo propio con su buscador, con la presentación de Bard, que está basado en el modelo de lenguaje para aplicaciones de diálogo LaMDA

Además recientemente Google ha invertido 300 millones de dólares en la startup Anthropic, lo cual nos lleva a recordar que en este juego no solo participan las grandes empresas tecnológicas, sino que se está desarrollando un ecosistema increíble de nuevas empresas, algunas de las cuales muestran un futuro enormemente prometedor, como es el caso de Perplexity, que es una de las más avanzadas en este campo de los chats basados en Inteligencia Artificial Generativa.

Y ahora sí, para terminar, os dejamos algunos recursos para seguir aprendiendo sobre este apasionante tema, hasta la semana que viene que volveremos en Futurizable con más contenidos sobre GenAI.

• Third Oasis: es un directorio de aplicaciones basadas en Inteligencia Artificial Generativa.
• Dot CSV: probablemente el mejor canal de Youtube de divulgación sobre Inteligencia Artificial.
• Monos Estocásticos: un nuevo podcast dedicado relatar toda la actualidad de este sector.

Etiquetas: ChatGPT, deep learning, Google, machine learning, OpenAI, Perplexity, redes neuronales

Me encanta la idea de que el auge que estamos viviendo de la Inteligencia Artificial se base en el concepto de aprendizaje y no tanto en el de conocimiento. Que las máquinas estén logrando hacer cosas sorprendentes no se debe a que de por sí sean muy inteligentes o tengan un gran conocimiento, sino a su capacidad de aprender, y al igual que hacemos los humanos, de imitar. Esto derriba mucho mitos y debe hacernos pensar en la importancia que tiene ser un aprendiz frente a la que hemos dado durante mucho tiempo a ser un experto.

De hecho en el ámbito de la Inteligencia Artificial la competición durante décadas en lo que se refiere a desarrollo tecnológico se refiere, se produjo entre los que apostaban por el desarrollo de sistemas expertos, donde se diseñaba la máquina siguiendo las instrucciones que le proporcionaba un experto en determinada materia, frente a los que consideraron que era mejor replicar la forma en la que las personas aprendemos y la manera en la que funciona nuestro cerebro, gracias a la estructura de las redes neuronales.

Sin entrenamiento no hay victoria

Durante mucho tiempo la gente ha asociado la inteligencia con aquellas cosas que resultaban complicadas, por ejemplo la capacidad de cálculo, la memorización de grandes cantidades de información o el desarrollo de la ingeniería, sin embargo no era tan habitual decir que alguien era muy inteligente porque supiera hacer cosas complejas, como comunicar muy bien, tomar buenas decisiones o ser capaz de plasmar la esencia de la vida a través del arte. En lo primero, lo que normalmente consideramos como inteligencia, hacer cosas complicadas, hace décadas que la Inteligencia Artificial nos gana por goleada. Pero esto no era suficiente, porque la mayoría de las cosas que hacemos en la vida no son complicadas sino complejas, como socializar y  comunicarnos, desenvolvernos por el mundo y poner en marcha nuevos negocios.

Y aquí es donde se ha producido un gran salto en el último año con la irrupción de las Inteligencias Artificiales Generativas a partir de la invención de los transformers, que son una arquitectura de red neuronal utilizada para tareas de procesamiento del lenguaje natural, como el análisis de sentimientos, la traducción automática y la generación de texto. Una arquitectura introducida por Google en el artículo Attention Is All You Need en 2017.

Entender de dónde venimos también puede ayudarnos a ser conscientes de la relevancia de lo que está ocurriendo en estos momentos y sobre todo a ser conscientes de que el entrenamiento que ha estado haciendo la Inteligencia Artificial en los últimos años comienza ahora a ofrecer las primeras victorias:

• Filtros de SPAM: probablemente la primera gran aplicación del aprendizaje profundo que la mayoría pudimos disfrutar, aunque muchas veces sin ser conscientes de ello, pero que sin duda es algo de lo que tenemos que estar muy agradecidos por el gran valor que nos aporta. Un ejemplo de la alta especialización con la que comenzó a trabajar la Inteligencia Artificial y un caso con el que compararse de cara a la gran evolución que se ha producido desde entonces.
• Traducciones automáticas: la típica actividad en la que de primeras te encuentras con mucha incredulidad u oposición, pero que poco a poco va demostrando la gran efectividad que puede ofrecer la Inteligencia Artificial cuando realiza funciones muy específicas. Y precisamente esa misma oposición que vimos hacia las traducciones hace pocos años la estamos viendo repetida ahora con herramientas de generación de texto como ChatGPT.
• Algoritmos de recomendación: el gran beneficio que muchas empresas, como por ejemplo Amazon o Netflix han podido obtener gracias a los sistemas de recomendación de productos o contenidos, ha incentivado enormemente la inversión en este tipo de tecnologías, lo cual por otro lado ha abierto la puerta a determinadas problemáticas como el excesivo control que estas empresas han llegado a tener sobre los intereses de sus clientes.
• Asistentes virtuales: con el furor que estamos viendo tras la presentación de ChatGPT, el trabajo que hacían los asistentes virtuales, como Siri y Alexa, ha quedado eclipsado. Quizás una razón de la que ahora estamos tan sorprendidos por la capacidad de ChatGPT se puede deber a la gran diferencia que muestra respecto de los modelos anteriores. En todo caso siempre es importante ser conscientes del valor que tenía que estos asistentes virtuales fueran capaces de entender lo que les decimos , aunque luego no pudieran hacer mucho al respecto.
• Sugerencia de textos: cada vez que Google iba introduciendo más utilidades en Gmail, como los filtros de spam, el traductor automático y luego la sugerencia de textos, nos fuimos dando cuenta del valor que podía tener la Inteligencia Artificial Generativa, pero las dosis de utilidad que nos iban ofreciendo eran tan pequeñas que ahora lo de ChatGPT sí que es una verdadera explosión de utilidad en relación con las iniciativas anteriores.
• Conducción autónoma: cambiando totalmente de tercio, dejamos el reconocimiento de texto y de voz para tratar el reconocimiento de imagen y pensar en lo importante que es que podamos depositar nuestra confianza en una tecnología que toma decisiones por nosotros a la hora de conducir un vehículo, con el riesgo que esto supone y sin embargo se haya comprobado que precisamente resulta más seguro que cuando conducimos exclusivamente las personas.

Matemáticas + Informática + Internet = Inteligencia Artificial

También resulta interesante pensar en que ha sido la socialización digital, la que se ha producido a través de redes sociales, blogs, foros, wikis, … lo que ha permitido que podamos contar con los datos, que son el último eslabón necesario en la cadena del desarrollo de la Inteligencia Artificial,  lo cual también coincide con la forma en la que se produce el aprendizaje humano: en sociedad y a través de las interacciones con otras personas.

Podíamos tener las matemáticas con algoritmos de redes neuronales desarrollados por gente muy inteligente, podíamos tener infraestructuras tecnológicas enormes, creadas con la inteligencia ingenieril del ser humano, pero no ha sido hasta que hemos sido capaces de añadir a esta tecnología el componente social que proporcionan los datos generados por las propias personas a través de su actividad en la red,  que no hemos podido decir que contamos con una Inteligencia Artificial que resuelve necesidades genéricas de las personas y no solo aspectos concretos de su actividad.

Attention Is All You Need

Aprovechando el titular del artículo sobre los transformers vamos a intentar visualizar escenarios futuros para nuestra sociedad en base a la evolución que está teniendo la Inteligencia Artificial:

1. Se cumplen las predicciones de la ciencia ficción: esperemos que no ocurra lo de Terminator, pero quizás es más probable que vayamos a algo parecido a lo que nos muestra la película WALL-E, cuyo nombre precisamente ha servido de inspiración a DALL-E, que es el primer modelo de generación de imágenes basado en redes neuronales que conocimos de OpenAI y también a otro más reciente llamado VALL-E desarrollado por Microsoft. Ante este posible escenario, donde las máquinas toman tanto protagonismo que nos dejan a los seres humanos en la cuneta, es muy importante que estemos preparados para ir llevando la iniciativa en cada momento, como por ejemplo ahora que ChatGPT puede hacer muchas cosas que hace poco parecerían ciencia ficción. Por lo tanto deberíamos prestar mucha atención a lo que está sucediendo y usar estas innovaciones todo lo que sea posible, porque eso nos generará una ventaja frente a los que se queden impasibles viendo llegar el tsunami de la Inteligencia Artificial sin hacer nada al respecto.
2. La Inteligencia Artificial nos ayuda a crear un mundo mejor: con ChatGPT tenemos dos opciones, dedicarnos a inundar Internet con refritos de contenido tremendamente optimizados para el SEO, o usar todo su potencial para solucionar los Big F**king Problems que enfrenta la humanidad. Por eso lo primero que hemos hecho nosotros ha sido organizar un grupo de trabajo entre leinners y sngulares en el que buscar oportunidades de proyectos que se puedan desarrollar con esta tecnología y también lanzar el curso de GenAI y ChatGPT con el que queremos que cada vez más profesionales aprendan a usar esta tecnología para lograr un mayor impacto con el trabajo que realizan cada día. A este respecto la Inteligencia Artificial debería ayudarnos a ser más productivos y a las empresas a ser más competitivas, para poder ofrecer mejores productos y servicios a la sociedad, lo cual nos permita mantener el progreso que la digitalización nos ha proporcionado en las últimas décadas en materia de salud, educación, energía, alimentación, cultura, …

Etiquetas: aprendizaje profundo, deep learning, machine learning, redes neuronales

Tras la realización de los eventos FUTURO Descentralizado, FUTURO Virtual y FUTURO Cuántico, ya estamos preparando el próximo evento de este ciclo que estará dedicado a la Inteligencia Artificial. Estamos muy contentos por la buena acogida que han tenido estos eventos, tanto a nivel de ponentes como de participantes, lo cual puedes comprobar en el hashtag de Twitter #FUTUROcuantico.

En los tres eventos que hemos realizado del ciclo FUTURO hemos tenido una importante participación de startups, tanto en el foro de inversión como en el resto de actividades, ya que pensamos que una parte relevante de la innovación proviene de ellas. Por esto de cara al próximo evento queremos aprovechar para hacer un llamamiento a la comunidad de Futurizable para que nos recomiende startups dedicadas a la Inteligencia Artificial para ofrecerles participar en el evento.

¿Conoces startups de Inteligencia Artificial? Envía un correo a esta dirección con el nombre de la startup y a ser posible los datos de una persona de contacto para ponernos en contacto con ellos e invitarles a participar en FUTURO Inteligente, el encuentro profesional sobre el impacto de la Inteligencia Artificial a nivel tecnológico, económico y social.

FUTURO Inteligente se realizará el 11 de mayo en Madrid y contará con ponentes de primer nivel que trabajan en el desarrollo de las diferentes tecnologías a las que denominamos Inteligencia Artificial, como son el machine learning y el deep learning, en el marco de aspectos como el procesamiento del lenguaje, la visión artificial, la automatización y otros muchos.

 

Etiquetas: deep learning, futuro, Inteligencia Artificial, machine learning, startups

Una de las noticias más interesantes del verano, en lo que a innovación tecnológica se refiere, ha sido el anuncio por parte de Google del logro de haber reducido en un 40% el gasto de energía para la refrigeración de sus datacenters, gracias a la Inteligencia Artificial. Aunque la noticia es de agosto de 2018 tenemos que remontarnos a enero de 2014 para entender a qué se debe este fantástico resultado, que va a permitir a la empresa ahorrar millones de dólares y reportar también un considerable beneficio a nivel ambiental.

En enero de 2014 fue cuando Google compró la empresa dedicada a las redes neuronales y aprendizaje automático DeepMind, mundialmente conocida desde entonces por haber realizado demostraciones de fuerza al desarrollar inteligencias artificiales capaces de vencer a humanos al juego de Go y a otras máquinas en varios tipos de juegos de ordenador.

La compra de DeepMind podría considerarse una de esas jugadas maestras, que al haber sido capaz de repetir varias veces, prueba la extremada inteligencia de los fundadores de Google. En el año 2003 cuando Google ya era mundialmente conocido como buscador y había demostrado que era mejor que el resto de alternativas del mercado, compró la tecnología desarrollada por Applied Semantics, lo cual le permitió desarrollar su sistema de publicidad contextual Google Adwords, que hasta ahora se ha presentado como el mejor modelo de negocio posible para la empresa tecnológica. En este punto vale la pena comentar que, aunque muchas empresas intentaron replicar ese modelo de publicidad basada en el contexto, ninguna fue capaz de conseguirlo y de ahí lo de jugada maestra que comentábamos al principio.

Posteriormente, en 2006 concretamente, Google compró Youtube y con ello se aseguró un nuevo medio para la difusión de su publicidad, cuando ya dominaba el formato texto a través de su buscador de páginas web, fue capaz de repetir el modelo para el formato vídeo que años más tarde se convertiría en el contenido más consumido a través de Internet, permitiendo a Google rentabilizar enormemente la inversión realizada para comprar el portal de vídeos.

Y fue en 2014 cuando Google hizo su tercera gran compra, con la que inicialmente había más incertidumbre con respecto a las implicaciones que tendría para la empresa a nivel de negocio. Cuatro años después comenzamos a ver los primeros resultados, precisamente en el que probablemente era uno de los mayores dolores del gigante tecnológico, el gran gasto energético derivado de la refrigeración de sus servidores. La situación se podría asemejar a una escena de película en la que una gran bestia con un apetito voraz, acaba con todo lo que encuentra en su camino, en este caso la energía. Esto llevó a la empresa a consumir el 0,01% de la energía eléctrica a nivel mundial y a tener que hacer una apuesta importante por las energías renovables, si no quería convertirse en uno de los principales culpables del deterioro ambiental y la contaminación del planeta.

Pero la compra de DeepMind tendrá probablemente unas connotaciones aún más importantes para Google a nivel de negocio y esto ocurrirá cuando se tome la decisión de sustituir el modelo de buscador actual por el de asistente virtual, de forma que cambiará completamente la experiencia de los usuarios al hacer una búsqueda. Cada vez que necesitemos algo, en lugar de recibir millones de sugerencias por parte del buscador, recibiremos únicamente la respuesta que mejor se adapte a nuestras necesidades. Pero eso es otra historia.

Sin duda, el caso de Google utilizando la Inteligencia Artificial para mejorar en sus procesos internos resulta muy representativo y un ejemplo a seguir para muchas empresas que verán cómo gracias a estas tecnologías pueden resultar más eficientes, productivas y competitivas en el futuro. Lo que tenemos que hacer entonces es descubrir en cada empresa cuál es el punto de partida para comenzar a utilizar esta tecnología y a partir de ahí desarrollar una estrategia para apalancarnos lo máximo posible en el software y los algoritmos.

La falta de productividad le cuesta a las pymes españolas más de 20.400 millones de euros al año

Así se titula el estudio que ha llevado a cabo la empresa Sage a 3.000 empresas en 11 países entre los que se encuentran España, Reino Unido, Estados Unidos, Francia y Alemania; y donde se revela que la pérdida económica por la falta de productividad a nivel global ya ha alcanzado los 275.000 millones de dólares en lo que va de año. En el caso de España la pérdida económica asciende a los 20.400 millones de euros en 2018, lo que supone pérdidas 1.105 euros por segundo. Este dato es el reflejo del tiempo destinado por el personal de las pequeñas y medianas empresas dedicado a labores rutinarias y de administración que, de digitalizarse, podría destinarse a actividades enfocadas en desarrollo estratégico para el crecimiento económico de la empresa. El informe también indica que sólo un aumento del 5% en la productividad de las empresas españolas supondría un incremento del PIB nacional en 13.600 millones de euros.

El estudio sugiere a las empresas que para mejorar su eficiencia redirijan las horas invertidas en tareas básicas a labores de innovación, atracción de clientes y aumento de ingresos. Sólo así las pymes podrán avanzar de forma efectiva, cuando los informes de gastos, facturación, nómina y gestión de pagos no sean las actividades que más tiempo ocupen a los empresarios. Aquí hay que tener en cuenta que este estudio habla simplemente de digitalización, de forma que no llega a la verdadera transformación digital que ya han iniciado muchas grandes empresas, pero que las pymes aún se encuentran muy lejos de poder afrontar.

Pasar de la digitalización a la transformación digital es un nuevo reto que tendrán que emprender también las pymes en los próximos años, teniendo en cuenta que ya no basta con sacarle el máximo provecho al software, sino que es necesario rediseñar los modelos de negocio para poner al cliente en el centro de interés de toda la empresa, fomentar la iniciativa y colaboración del talento interno de la empresa, poner en práctica las metodologías ágiles y sacarle el máximo partido a las tecnologías exponenciales. En este último punto es donde volvemos a hablar de Inteligencia Artificial, porque como una de las principales tecnologías exponenciales, será la que probablemente ofrezca más utilidad para el mayor número de empresas en los próximos años.

Y aquí es donde volvemos a encontrarnos con otra noticia de la empresa Sage porque también ha publicado un documento dedicado resolver dudas sobre cómo aplicar la Inteligencia Artificial de forma efectiva en las empresas.

Un documento que es el resultado de un evento realizado por la empresa con líderes empresariales y gubernamentales a nivel internacional, que exponen que una vez que las compañías han realizado su primera toma de contacto con la Inteligencia Artificial, cobra mayor importancia la manera en la que aplicar esta tecnología al día a día de las empresas de forma efectiva y ética, debido al aumento de la preocupación de los consumidores y de los trabajadores de las empresas. En la actualidad, el desafío pasa por alejar la conversación acerca de la Inteligencia Artificial como una posible amenaza para los humanos y alentar a las compañías a abordar dicha tecnología como un complemento a las capacidades de sus trabajadores. Este proceso debe comenzar por los directivos de las empresas, que definen los principios éticos que guían el desarrollo de la Inteligencia Artificial en departamentos, industrias y sectores específicos, trabajando estrechamente con expertos en IA para poder hacer efectiva su implementación en las empresas.

De esta forma el documento «Building a competitive, ethical AI economy» propone cuatro pilares básicos de la aplicación de la Inteligencia Artificial como fuente de crecimiento empresarial:

• Introducción de directrices corporativas relacionadas con la IA y un marco ético para su aplicación. Las empresas tendrán que desarrollar y revisar dichas directrices, mientras que los gobiernos observarán el papel de los reguladores para ayudar a sectores específicos en el planteamiento y la ejecución de mejores prácticas.
• Desmitificar la tecnología y compartir la responsabilidad para una implementación exitosa de la misma. En este punto, se tendrá que contar con expertos externos en el marco de las organizaciones para explorar las opciones que la IA ofrece en función de las necesidades corporativas.
• Fomentar la confianza de los trabajadores y empresarios en la IA. Mientras que las empresas deben mantener a sus stakeholders al tanto de sus avances y propósitos en el uso de la IA, los gobiernos han de llevar a cabo campañas de concienciación para reducir la inhibición de la tecnología en la vida cotidiana.
• Integrar la IA en el desempeño de la fuerza de trabajo. Los departamentos de Recursos Humanos deben integrar el uso de datos en sus procesos para monitorizar las demandas del mercado de trabajo y las habilidades de los posibles futuros empleados. Por parte de las administraciones, se debe asegurar que los jóvenes abandonan su periodo educativo con la formación y habilidades suficientes en materia de IA para incorporarse de forma competitiva al mercado de trabajo.

Todo esto está muy bien, pero también tenemos que saber cómo pueden las empresas sacar partido a la Inteligencia Artificial en sus actividades productivas, de manera que realmente aprovechen estas innovaciones para mejorar en sus negocios.

Actividades empresariales donde la Inteligencia Artificial puede hacer una mayor aportación

Cuando una empresa se plantea comenzar a utilizar tecnologías como el Machine Learning y el Deep Learning tiene dos opciones: realizar desarrollos propios de software aprovechando las APIs de plataformas de Inteligencia Artificial como puede ser Watson de IBM, Tensor Flow de Google, entre otros, o recurrir a software desarrollado por otras empresas, principalmente startups, que buscan soluciones a problemáticas concretas con las que se suelen encontrar las empresas.

A continuación, lo que vamos a conocer son ejemplos de algunos de estos desarrollos que ya están accesibles para aquellas organizaciones que quieran comenzar a aplicar la Inteligencia Artificial en su actividad y lo vamos a hacer a través de las actividades en las que consideramos que esta tecnología puede aportar un mayor valor en el corto plazo.

1. Ciberseguridad

La seguridad informática va a ser uno de los principales caballos de batalla para las empresas en los próximos años. Tengamos en cuenta que nos movemos en un contexto en el que las empresas deben transformarse digitalmente para ser competitivas en el futuro, por lo tanto cada vez estarán más basadas en el software y es precisamente esto lo que va a hacer que se vean expuestas a todo tipo de ataques informáticos. A este respecto la Inteligencia Artificial ya está jugando un papel importante, por ejemplo, por tener un dato que ofrece la consultora de ciberseguridad e inteligencia Webroot, la IA es utilizada por aproximadamente el 87% de los profesionales en ciberseguridad de los Estados Unidos. Aunque siempre que hablamos de ciberseguridad tenemos que fijarnos también en el lado de los atacantes que, como os podéis imaginar, también están aprovechando los últimos avances en Inteligencia Artificial para mejorar sus herramientas y estrategias de ataque.

Un ejemplo de la utilización de la Inteligencia Artificial en el ámbito de la ciberseguridad es el software AI2 desarrollado por la startup nacida en el MIT Patternex que tiene la capacidad de predecir el 85% de los ciberataques a través de la revisión de más de 3.600 millones de ficheros de registro cada día, informando cuando detecta cualquier situación sospechosa. Una tecnología que no solo se basa en la Inteligencia Artificial, sino también en entradas realizadas por humanos, a lo cual los investigadores han decidido llamar Intuición del Analista. AI2 escanea contenidos con técnicas de aprendizaje automático sin supervisión, para luego presentar sus descubrimientos a los analistas humanos al final del día. Entonces los analistas identifican qué eventos son ciberataques y cuáles no lo son. Después las conclusiones obtenidas son incorporadas al sistema de aprendizaje automático de AI2 para analizar nuevos registros el siguiente día. Esto permite a AI2 ser más preciso cada día. Desde su fundación en 2013 la empresa Patternex ha recibido financiación por valor de 7,8 millones de dólares.

Este ejemplo de colaboración entre las máquinas y los humanos resulta muy representativo del modelo de trabajo futuro de aprovechamiento de la Inteligencia Artificial por parte de las empresas. En la mayoría de casos, en los próximos años no vamos a ver cómo las máquinas le quitan el trabajo a las personas sino cómo las personas utilizamos nuevos tipos de máquinas para hacer nuestro trabajo de una manera mucho más efectiva y con ello aumentar el impacto de nuestra actividad.

«Los humanos deben fusionarse con las máquinas, o volverse irrelevantes en la Era de la Inteligencia Artificial». Elon Musk

Otra de las startups que se ha especializado en el uso de la Inteligencia Artificial en el ámbito de la ciberseguridad es Darktrace, que aplica los principios biológicos del sistema inmunológico humano para resolver el desafío de proteger a la empresa de ciberamenazas evolucionadas. Para ello utiliza tecnologías como el Machine Learning con el objetivo de ayudar a las organizaciones a detectar comportamientos anormales dentro de sus redes en tiempo real, antes de que se conviertan en ciberataques dañinos. Para su desarrollo la empresa ha llevado a cabo varias rondas de financiación con una recaudación total de unos 180 millones de dólares.

2. Marketing

Adext es una startup fundada en México y basada en Estados Unidos, que ha recaudado 5 millones de dólares de financiación con el objetivo de aplicar Inteligencia Artificial y Machine Learning en el desarrollo de aplicaciones que ayuden a las empresas a encontrar la audiencia que le proporcione el mejor rendimiento para sus campañas publicitarias. Esta solución tecnológica de publicidad digital busca obtener el menor costo por conversión y el mayor ROI, a través de una herramienta de Audience Management as a Service que utiliza Machine Learning para automatizar el manejo y la optimización de los anuncios publicados en plataformas de publicidad como Google, Facebook, Instagram y YouTube.

Otras aplicaciones de la Inteligencia Artificial en el área del marketing en las que ya trabajan otras startups y empresas para desarrollar software y servicios específicos pueden ser:

• Creación, optimización y curación de contenidos para campañas de inbound marketing o incluso en medios de comunicación cuando se trata de contenido que puede ser extraído de datos, informes o estudios. Aquí vale la pena conocer el trabajo que realiza la empresa MeaningCloud con tecnologías propias de publicación semántica y análisis de contenidos.
• Diseño de campañas de email marketing basadas en la segmentación de clientes que puede realizar la Inteligencia Artificial, con aplicaciones concretas como la redacción de títulos para emails que tengan una mejora tasa de apertura, a lo que por ejemplo se dedica la startup Phrasee, la recomendación de productos relacionados o la realización de Test A/B de manera automatizada.
• Posicionamiento en buscadores que funcionan a través de la voz, que cada vez van a ser más habituales gracias a la proliferación de los altavoces inteligentes como Amazon Echo y Google Home, para lo cual será necesario contar con herramientas tecnológicas que adapten el contenido a esta nueva interfaz de interacción entre las personas y las máquinas.
• Diseño para sitios web donde se pueden utilizar algoritmos enfocados a mejorar la tasa de conversión o mejorar la experiencia de usuario en su navegación e interacción con la web. Aquí hay que añadir también las nuevas formas de interacción con la web que conocemos como chatbots.
• Análisis predictivo en el que a través del uso del Bigdata, algoritmos estadísticos y técnicas de Machine Learning es posible identificar la probabilidad de situaciones futuras basadas en un historial de datos, por ejemplo en ámbitos como la conversión de leads y la fidelización de clientes.

3. Toma de decisiones basada en los datos

Al igual que ocurre en el área de marketing, la disponibilidad de una gran cantidad de datos y la posibilidad de poder utilizar técnicas de Inteligencia Artificial para sacar provecho de ellos, por medio de la automatización de determinados procesos, va a resultar una ventaja competitiva para muchas empresas en el futuro. Lo veremos en multitud de áreas de la empresa como es estrategia, operaciones, producción, finanzas, administración… y aunque durante mucho tiempo la toma de decisiones seguirá siendo responsabilidad de las personas, cada vez será más habitual que este proceso sea el resultado de un trabajo colaborativo entre un humano y una máquina, que participa como asistente del directivo responsable de la toma de decisiones en cada caso.

Un ejemplo de cómo las empresas pueden introducir la Inteligencia Artificial en los procesos de toma de decisiones es la utilización de la aplicación Einstein, integrada en la plataforma de CRM Salesforce, que aporta una capa de inteligencia artificial para ofrecer predicciones y recomendaciones según sus procesos empresariales únicos y los datos del cliente, lo cual permite utilizar la información para automatizar respuestas y acciones, a fin de lograr, por ejemplo, que los empleados sean más productivos y los clientes estén más satisfechos con el servicio recibido por la empresa.

4. Atracción y fidelización del talento

¿Alguna vez has pensado que una máquina podría jugar un papel de relevancia en un proceso de reclutamiento? Ese es el objetivo que se ha propuesto la startup rusa Stafory al crear, gracias a una financiación de 1,1 millones de dólares, un robot virtual que han llamado Vera. Una tecnología que ya utilizan empresas como IKEA y Pepsi, para realizar las primeras entrevistas a los candidatos a un puesto de trabajo y clasificar a estos candidatos en función de los requisitos publicados en la oferta de trabajo. El robot selecciona los curriculums que considera apropiados para el puesto que se oferta y llama a los candidatos para entrevistarles por teléfono o por videochat. Mediante esta tecnología se puede reducir el coste de los reclutamiento en un tercio, ya que el robot puede entrevistar a cientos de solicitantes al mismo tiempo. Para el desarrollo de Vera se han utilizado tecnología de reconocimiento de voz que le permite completar tareas complejas y mantener conversaciones, gracias al entrenamiento realizado con 13.000 millones de ejemplos de lenguaje de televisión, Wikipedia y listados de trabajo.

Otro ejemplo interesante de uso de la Inteligencia Artificial en el ámbito de la gestión del talento es Alfred, el compañero virtual con el que cuentan todos los miembros del equipo de Sngular, para ayudarles a hacer su vida laboral más sencilla, ayudando a resolver tareas rutinarias que pueden distraerlos de su actividad laboral principal y comunicándose con los trabajadores para conocer su estado de ánimo, de cara poder mejorar la estrategia de la empresa en la búsqueda de la felicidad de todas las personas que la componen.

5. Atención al cliente

El reconocimiento y procesamiento del lenguaje natural, también resulta fundamental cuando se trata de una de las principales aplicaciones que le están dando actualmente las empresas a la Inteligencia Artificial. Hablamos de los chatbots que utilizan muchas empresas en sus diferentes canales de atención al cliente, principalmente la web y el teléfono, aunque cada vez más también las redes sociales y apps de mensajería.

En esta actividad nos encontramos con una startup española llamada Inbenta, que ha logrando un importante apoyo financiero por parte de empresas como NTT Docomo, que recientemente ha participado en una ronda de financiación por valor de 6 millones de dólares, lo que lleva a la compañía a haber recibido en total más de 23 millones de dólares. Dinero que está facilitando a la empresa construir un software basado en la Teoría Sentido-Texto, que utilizan actualmente más de 250 clientes para realizar múltiples tareas, que les permite ahorrar costes en sus actividades de ventas y atención al cliente. Esta tecnología de chatbots se basa en una combinación de inteligencia artificial, programación neurolingüística, búsqueda semántica y teoría del sentido-texto, gracias a la cual InbentaBot interactúa con los clientes y facilita sus búsquedas, las transacciones y los restablecimientos de contraseñas, entre otras acciones, mediante bases de conocimiento, preguntas frecuentes y otros sistemas de ayuda.

Conclusión

Acabamos de conocer 5 actividades empresariales en las que la Inteligencia Artificial va a jugar un papel importante en los próximos años. Poco a poco iremos descubriendo muchas más de estas actividades, ya que la mayoría de las grandes empresas tecnológicas han tomado la decisión de introducir esta tecnología en sus aplicaciones principales, como por ejemplo está haciendo Google con sus servicios de comunicaciones y gestión de documentos, o en en lo relativo también a la gestión del spam y las traducciones automatizadas.

De esta forma se presenta ante nosotros una oportunidad para dar un primer paso en lo que se refiere al uso de la Inteligencia Artificial en nuestras empresas y una buena forma de hacerlo es comenzando a utilizar las aplicaciones que están desarrollando algunas de las startups que han decidido apostar por estas tecnologías, como por ejemplo es el caso de x.ai, que ha logrado captar 44 millones de dólares para mejorar la forma en la que agendamos nuestras reuniones de trabajo.

Si a nivel particular comenzamos a utilizar aplicaciones basadas en Inteligencia Artificial que han desarrollado otras empresas o startups, poco a poco iremos captando la esencia de la utilidad que nos puede ofrecer esta tecnología y seremos capaces de saber cómo llevar estas novedades también al software en el que se basa nuestra empresa o desarrollar nuevo software basado en Inteligencia Artificial que ayude a nuestra empresa a transformarse digitalmente y evolucionar a un nuevo nivel en el que prime la eficiencia y donde cada vez los clientes estén más satisfechos con el servicio que les ofrecemos.

Etiquetas: Big Data, chatbots, machine learning, transformación digital