Dedica un momento a pensar en Sam Altman o cualquiera de los socios fundadores de OpenAI ¿Crees que trabajan más o menos que cuando pusieron en marcha su empresa enfocada en el desarrollo de la Inteligencia Artificial? lo cierto es que ahora que han dado con la tecla de la tecnología del momento, lo normal es que estén trabajando más que nunca, o al menos lo mismo que antes.

Por esto cuando hablamos del aumento de la productividad provocado por el uso de la Inteligencia Artificial Generativa, especialmente ChatGPT, lo primero en lo que deberíamos pensar es qué vamos a hacer con el tiempo que dejemos de dedicar a las tareas repetitivas que podamos automatizar gracias a esta nueva tecnología. Y a eso es de lo que vamos a hablar en la segunda parte de este artículo, porque en la primera lo que queremos es comentar precisamente cómo lograr ese aumento de la productividad.

Lo que proponemos aquí es un proceso para el aprendizaje en el uso de GPT que se basa en tres fases y una serie de ejercicios a realizar en cada una de las fases, hasta que descubras qué es lo mejor que esta tecnología puede hacer por ti y puedas llegar a automatizar una parte de tu trabajo, para dedicar el tiempo disponible a otras actividades que te permitan obtener un mayor beneficio por tu trabajo.

• Fase 1: copiloto. Mejora la toma de decisiones y amplifica tu creatividad. Antes de lanzarte a automatizar tareas es muy recomendable que uses ChatGPT como un compañero de viaje, con el que puedes ir compartiendo lo que vas haciendo en tu trabajo, pero en el que aún no delegas responsabilidades, hasta que has podido comprobar que no comete errores en las cosas que le pides y sobre todo que el trabajo que realiza resulta realmente valioso. Aquí es muy importante pensar en cómo esta herramienta puede ayudarnos a potenciar la creatividad y mejorar la calidad del trabajo que ya estamos habituados a hacer en nuestro día a día.
• Fase 2: entrenador. Mejora tus habilidades. A partir de ahora asume el hábito de recurrir a ChatGPT para que te acompañe en el proceso de aprendizaje de las cosas nuevas que quieras aprender, sin dejar de leer los libros o hacer los cursos que tuvieras pensado, pero recurriendo a esta nueva compañía que puede acelerar y amplificar el proceso de aprendizaje. De hecho, puedes pedir a ChatGPT que te ayude a diseñar el propio proceso de aprendizaje, una vez elegido el tema sobre el que quieres aprender dile que te ayude a trazar un plan al respecto.
• Fase 3: piloto automático. Aumenta tu productividad. Ahora que ya sabes en qué cosas puede ayudarte, tanto a nivel de trabajo como de aprendizaje, puedes empezar a automatizar determinadas tareas, lo cual te dará tiempo disponible para hacer otras cosas donde puedas aportar un valor añadido mayor. Este punto es muy importante porque uno de los mayores riesgos de esta tecnología es que acabe deteriorando el valor del trabajo humano, por ejemplo si lo usamos para crear contenido basura, como el que muchas veces se escribe para el SEO, pero en este caso elevado a la máxima potencia.

A este respecto de usar GPT como piloto automático se están empezando a dar los primeros pasos para un nuevo vector de escalabilidad de esta tecnología, más allá del de los plugins para ChatGPT que traerán multitud de nuevas utilidades gracias al desarrollo del modelo de negocio de plataforma de Apps, lo que vamos a ver surgir en los próximos meses es el concepto de Agente, que es aquel programa basado en GPT que puede funcionar de manera autónoma en base a unas primeras instrucciones pero donde a continuación el propio robot es capaz de ir dando pasos en determinado proceso sin necesitar de las instrucciones humanas.

Uno de estos primeros Agentes basados en GPT es AutoGPT y a medida que se vayan produciendo novedades en este tema os lo iremos comentando por aquí porque seguro que nos van a sorprender.

Cómo usar la Inteligencia Artificial para ganar más

Si en las últimas décadas los trabajos en el sector tecnológico se convertían en los mejor remunerados, lo que podría ocurrir ahora es que se amplifiquen mucho las posibilidades al respecto de qué tipo de profesionales pueden usar tecnología para mejorar su cualificación y correspondiente remuneración.

Así vemos como personajes muy relevantes de este sector, como Andrej Karpathy, nos hablan de que una vez que están desarrollada las infraestructuras, en este caso los LLM, Grandes Modelos de Lenguaje, como los de OpenAI o Google, lo que va a ser necesario es saber sacarles provecho, obtener todo el jugo de ellos, como ya ha ocurrido anteriormente con la digitalización, que ha permitido el surgimiento de muchos trabajos digitales que hace pocas décadas no existían.

Entonces el reto en estos momentos es convertirse en uno de esos profesionales que son capaces de reinventarse para darle un nuevo impulso a su carrera, lo cual resultará más sencillo para aquellos que ya lo hayan hecho con anterioridad. Algo que también debería ser considerado por cualquier persona que vea que en un mundo que cambia a la velocidad de la luz ya no se puede dar nada por seguro.

• Aprender: como dijo Ruth Baza, «El día que deje de aprender estaré muerta» y más ahora, aunque no se trate de una cuestión de supervivencia física, sino más bien intelectual o profesional, tenemos delante de nosotros una de las mejores oportunidades de la historia para amplificar la forma en la que aprendemos y poner en práctica de manera inmediata todo lo que aprendemos.
• Crear: la buena noticia de 2022 con el desarrollo de la Inteligencia Artificial Generativa de imagen, como Dalle, Stable Diffusion y Midjourney, fue que la tecnología no acabó con la creatividad de la gente, al contrario está permitiendo que mucha gente se lance a desarrollar su faceta creativa, como nos han contando por aquí recientemente Javier López y Javier Jiménez.
• Innovar: no solo los profesionales tenemos una gran oportunidad por delante si empezamos a trabajar cada día con esta tecnología, de hecho las empresas deberían comenzar a plantearse cómo va a cambiar su modelo de negocio y qué pasos deberían empezar a tomar para no quedarse fuera de esta gran revolución. Un tema del que también hemos hablado hace poco con Ángel Alba, al respecto del concepto de innovación aumentada.
• Emprender: qué bueno es ver el auge que está suponiendo para el emprendimiento tecnológico la posibilidad de acceder a las APIs de tecnologías como GPT, algo que se visualiza muy bien a través de directorios como Futurepedia donde ya se han registrado más de 1.700 proyectos. También es muy interesante fijarse en proyectos concretos como Poe y Luzia que muestran un gran potencial para facilitar el acceso a esta tecnología al gran público.

Monoceros, ejemplo de emprendimiento en Inteligencia Artificial

Y para terminar con este artículo dedicado a buscar oportunidades para ganar más con la Inteligencia Artificial te recomendamos conocer el proyecto Monoceros, liderado por Nieves Ábalos y Carlos Muñoz-Romero, que nos han concedido la entrevista que puedes leer a continuación.

¿Cómo surge la idea de poner en marcha Monoceros y quiénes sois sus promotores?

Los fundadores de Monoceros Labs somos Nieves Ábalos y Carlos Muñoz-Romero, y junto a nuestro equipo trabajamos en proyectos de innovación sobre tecnologías del habla y síntesis de voz en español.

Comenzamos a trabajar juntos hace 10 años en el equipo de Innovación de una empresa de tecnología de BBVA (BEEVA, ahora BBVA Next Technologies) investigando, entre otras cosas, tecnologías del habla y sus aplicaciones en interfaces conversacionales. Decidimos tomar una excedencia a finales de 2017 e iniciar algunos proyectos de emprendimiento durante el primer año, 2018, que coincidió con el lanzamiento de los asistentes de voz en español: Google Assistant y Amazon Alexa.

Fue entonces cuando apostamos por enfocarnos en las tecnologías de voz para nuestro idioma, con la motivación de crear las mejores experiencias conversacionales posibles y derribar las barreras de comunicación con la tecnología. Nos apasionaba la posibilidad de emplear algo tan natural como la voz y el lenguaje hablado.

Además de haber conseguido ser agencia destacada de Amazon Alexa en España, hace algo más de 2 años comenzamos un proyecto de investigación sobre tecnologías de síntesis de voz en español que ha sido apoyado por CDTi a través de un NEOTEC. Esto nos ha llevado a poder crear voces sintéticas TTS (text-to-speech) en español personalizadas, que son más expresivas y naturales de escuchar. Esto nos permite no sólo imitar la voz de una persona en concreto con gran fidelidad, sino también crear voces mediante modelos generativos que no identifican a una persona, dándonos la posibilidad de crear voces de marca y otras identidades de voz para la creación de contenido sonoro. Tener este tipo de voces permite no solo que las empresas y marcas se diferencien, sino también nos permite llevar contenidos de voz donde las personas no podemos hacerlo, ya sea por incapacidad humana, por falta de recursos o por tiempo. Para ello, estamos trabajando en una plataforma online llamada Fonos que facilita la creación de contenido de audio con voces sintéticas personalizadas.

¿Qué tecnologías habéis utilizado para desarrollarlo?

Para el desarrollo de nuestras tecnologías de síntesis de voz, hemos creado nuestra propia adaptación de Autoencoder Variacional (VAE) y GANs. Estas arquitecturas están incluidas en el campo de la Inteligencia Artificial Generativa. Tras contrastar varias alternativas de arquitecturas del estado del arte académico para el español, decidimos apostar por crear nuestro propio modelo generativo que nos ofrece muy buen rendimiento en términos de velocidad y naturalidad. Para esto contamos con el apoyo de un equipo de investigadores de la Universidad Rey Juan Carlos de Madrid. Además, estamos creando nuestro propio procesamiento lingüístico personalizado para español y sus dialectos. Entrenamos nuestros modelos utilizando PyTorch y desplegamos los modelos y nuestro API en el cloud de Amazon Web Services (AWS).

¿Cuál ha sido el mayor reto tecnológico que habéis tenido que resolver?

Entre todos los retos a los que nos estamos enfrentando, el más importante ha sido el de crear nuevas identidades de voz, metiéndonos en las tripas de nuestra arquitectura de redes neuronales. Clonar una voz es ya una realidad, con los retos que ello conlleva: éticos, legales y humanos. En cambio, crear una voz que suene natura, con unas características concretas, y que no identifique a una persona real no estaba tan resuelto. Utilizar un modelo generativo de redes neuronales nos dio la posibilidad de crear estas nuevas voces, que se pueden utilizar para la creación de contenido sonoro o en asistentes virtuales.

Otros retos a los que nos estamos enfrentando son los relativos a la diversidad de acentos del español, otras lenguas cooficiales y ser capaces de expresar mayor rango de emociones y estilos en el habla.

¿Puedes hablarnos de algún caso de éxito del uso de vuestra tecnología?

Tenemos dos casos de éxito innovadores con medios de comunicación: narración de noticias para RTVE y la creación de “Victoria, la voz del fútbol” en colaboración con Prisa Media y Amazon Alexa.

Con “Victoria, la voz del fútbol”, creamos la primera voz femenina de marca para una locutora virtual en la radio de Cadena Ser, que también se puede escuchar en Alexa y que ofrece un estilo de narración único al informar sobre los próximos partidos de fútbol de equipos de primera y segunda división, así como la narración de noticias de As.

Además, hemos tenido la oportunidad de colaborar con el área de innovación tecnológica de RTVE para llevar contenido informativo generado automáticamente a formatos de audio y asistentes conversacionales, con la intención de ofrecer noticias en municipios pequeños sin cobertura informativa. A raíz de esta colaboración, estamos trabajando en un proyecto para transmitir los resultados electorales a estos mismos municipios durante las próximas elecciones municipales, utilizando dos voces generadas con IA.

¿Puedes contarnos vuestros planes de futuro para este proyecto?

Nuestros planes de futuro para el proyecto incluyen lanzar la beta abierta de Fonos durante el segundo trimestre del año. Queremos ofrecer a quienes crean contenido la posibilidad de usar voces sintéticas (su propia voz clonada, u otras voces con estilo personalizado) para ayudarles tanto en la creación, como en la edición de contenido sonoro.

También estamos trabajando en una línea de accesibilidad para asegurarnos de que nuestro producto pueda ser utilizado por personas con diferentes necesidades y en diferentes contextos. Podemos crear voces para lectura de páginas web, hasta voces para quienes la están perdiendo y necesitan comunicarse (manteniendo su identidad).

Además, queremos ampliar la diversidad de las voces sintéticas incorporando nuevos estilos, emociones, idiomas y dialectos hasta finales de año. Esto nos permitirá llegar a una base de clientes más amplia y ofrecer experiencias más personalizadas en español.

Por último, estamos explorando nuevos verticales donde las voces sintéticas ayuden a quienes trabajan en la creación de contenido, como en audiolibros, videojuegos, contenido educativo, y asistentes conversacionales. Aquí, hay muchos problemas en los que esta tecnología puede aportar un valor diferencial. El de las voces sintéticas es un mundo lleno de oportunidades.

---

Si este artículo te ha parecido interesante te recomendamos participar en nuestros cursos de Inteligencia Artificial Generativa y ChatGPT, gracias a los cuales podrás convertirte en GPT Champion.

Etiquetas: aprendizaje, creatividad, emprendimiento, innovación, redes neuronales

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

Aprovechando que en Sngular estamos llevando a cabo el reto deportivo Elcano 2022, en el que un grupo de sngulares vamos a recorrer en 6 días los 1.200 kilómetros que separan Guetaria de San Lucar de Barrameda, para conmemorar el 500 aniversario de la primera vuelta al mundo completada por Juan Sebastián Elcano, el artículo de hoy de Futurizable va a estar dedicado al deporte.

La dificultad de llevar a cabo aquella misión no tiene nada que ver nuestra pequeña aventura. Subirse a una nao en 1519 y sobre todo dar la vuelta al mundo en ella no es comparable con nada. Ni siquiera con ir a Marte hoy día. Pero aquello tuvo grandes repercusiones para la época. Hubo avances científicos de todo tipo (geografía, meteorología, ciencias naturales, ingeniería naval, …), en el comercio, en la difusión de idiomas, etc. Nosotros solo queremos reconocer a los 250 hombres que partieron junto a Magallanes y Elcano su hazaña y hacer algo mucho más sencillo: Correr para reconocer su valentía y tratar de contribuir con ello a conseguir fondos para 4 importantes ONGs.

Porque sin duda las tecnologías digitales están cambiando el mundo del deporte desde hace años, igual que ocurre con muchísimos otros sectores y actividades, pero en este caso del deporte, al ser algo que puede practicar cualquier persona, ya sea de manera profesional o amateur, la llegada y el impacto de la tecnología se aprecia especialmente.

En lo que se refiere a la gesta Elcano 2022, como os podéis imaginar, se ha usado muchísimo la tecnología, especialmente para el diseño del recorrido, donde sería tremendamente más complicado realizar este reto sin la ayuda por ejemplo de Google Maps, entre otras herramientas de navegación, comunicaciones, seguridad, …

Este es solo uno de los muchos ejemplos que podemos encontrar a diario de cómo la tecnología está cambiando el mundo del deporte, así a bote pronto se nos puede venir a la cabeza las zapatillas Nike que han ayudado a bajar de las 2 horas en maratón o los bañadores Speedo con los que se han batido muchos records mundiales de natación gracias a reducir la fricción del nadador con el agua en un 10% y mejorar la toma de aire en torno a un 5%, gracias a su diseño y al material empleado para su fabricación.

Tecnología al servicio del deportista

Pero es importante que no nos quedemos con la imagen de que la tecnología es simplemente una herramienta al servicio del deporte sino que realmente se puede ver como parte de una estrategia de mejora de cara a la práctica deportiva. Un ejemplo muy bueno de ello es el caso que se comparte en el libro Hábitos Atómicos y que compartimos a continuación porque es muy representativo de cómo si se sabe hacer un buen uso de la tecnología se puede mejorar muchísimo en una actividad, algo que se puede trasladar a otros muchos ámbitos de la vida y los negocios.

El destino de la organización British Cycling cambió un día del año 2003. Esta organización, que había regulado el ciclismo profesional en Gran Bretaña, contrató ese año a Dave Brailsford como su nuevo director de desempeño. Por entonces, los ciclistas profesionales de Gran Bretaña padecían casi cien años de mediocridad. Desde 1908, los ciclistas británicos habían conseguido solamente una medalla de oro en los Juegos Olímpicos1 y habían tenido aun peores resultados en la carrera ciclista más importante del mundo, el Tour de France.2 En 110 años ningún ciclista británico había ganado esa carrera.

Brailsford fue contratado para poner al equipo británico en una nueva trayectoria. Lo que diferenciaba a Brailsford de los entrenadores anteriores era su implacable compromiso con una estrategia a la que se refería como agregación de ganancias marginales, que es una filosofía que aspira a alcanzar un pequeño margen de mejora en todo lo que se hace. Brailsford solía afirmar: «El principio de esta filosofía consiste en aislar cada uno de los aspectos del ciclismo. Si se mejora el 1% de cada uno de esos aspectos, se habrá obtenido una mejora considerable una vez que todos los cambios se apliquen al mismo tiempo».

Brailsford y los entrenadores a su cargo comenzaron a hacer pequeños ajustes en diversos aspectos que podían esperarse de un equipo profesional. Empezaron por rediseñar los asientos de las bicicletas para hacerlos más cómodos y aplicaron alcohol a las ruedas para darles una mejor tracción. Le pidieron a los ciclistas que utilizaran shorts con sistemas eléctricos de autocalentamiento que les permitieran mantener la temperatura muscular ideal mientras pedaleaban y comenzaron a usar sensores de biorretroalimentación para monitorear la manera en que cada uno de los atletas respondía a determinados entrenamientos. El equipo probó diversas telas en un túnel de viento, lo que tuvo como consecuencia que pidieran a los ciclistas que participaban en pruebas en exteriores que cambiaran sus trajes por equipos diseñados para interiores, ya que descubrieron que eran más ligeros y aerodinámicos.

Conforme estos cientos de pequeñas mejoras se acumularon, los buenos resultados comenzaron a llegar antes de lo que cualquiera se hubiera podido imaginar. Tan solo cinco años después de que Brailsford tomara el mando, el equipo de ciclismo británico dominó las diversas pruebas en los Juegos Olímpicos de Pekín 2008, donde obtuvieron un sorprendente 60% de las medallas disponibles para esta actividad. Cuatro años después, en los Juegos Olímpicos de Londres, los británicos elevaron el nivel de la prueba al romper nueve récords olímpicos y siete récords mundiales. Ese mismo año, Bradley Wiggins se convirtió en el primer ciclista británico en ganar el Tour de France. En 2013, su compañero de equipo, Chris Froome, ganó la carrera y repitió la hazaña en 2015, 2016 y 2017, lo cual dio al equipo británico cinco victorias en el Tour de France en seis años.
Durante un período de diez años, de 2007 a 2017, los ciclistas británicos ganaron 178 campeonatos mundiales y 66 medallas de oro olímpicas y paralímpicas. Además conquistaron cinco victorias en el Tour de France. Todas estas hazañas realizadas en tan corto tiempo son consideradas como el caso de éxito más importante en la historia del ciclismo.

Tecnología para el fomento del deporte

Otra de las grandes aportaciones de las tecnologías digitales al deporte la encontramos en la práctica deportiva amateur, donde ya no solo se trata de mejorar la forma de hacer deporte sino de lograr que cada vez haya más gente que salga del sedentarismo y adquiera el hábito de practicar un deporte. A este respecto por ejemplo las redes sociales, pese a ser muy criticadas por algunas personas, también tienen la culpa de que mucha gente se haya animado a hacer deporte siguiendo el ejemplo de otros que comparten sus experiencias públicamente en estas redes. Y también las apps móviles que permiten hacer seguimiento de la actividad deportiva, a través de la denominada cuantificación, han ayudado a mucha gente a calzarse las zapatillas de deporte y ponerse a hacer ejercicio.

Un ejemplo muy representativo de cómo Internet, las redes sociales y las apps están ayudando a fomentar el deporte es el trabajo que realiza el divulgador Marcos Vazquez a través de su proyecto Fitness Revolucionario donde aprovecha todos los canales digitales a su disposición para fomentar los hábitos de vida saludable, especialmente la actividad deportiva, como una de las mejores formas de mantenerse sano y feliz. A este respecto cabe destacar el esfuerzo que realiza para basar todas su recomendaciones en evidencia científica, lo cual le reporta una solvencia enorme y elimina muchas de las posibles críticas que pueda haber a la divulgación que se realiza a través de las redes sociales.

Tecnología que ayuda a deportistas con discapacidad

La tecnología al servicio del deporte también manifiesta todo su potencial cuando nos fijamos en el deporte que realizan las personas con discapacidad física o mental, que pueden salir muy beneficiados cuando aprovechan todo tipo de tecnologías, como puede ser la impresión 3D para la fabricación de prótesis o los wearables, especialmente diseñados para personas con discapacidad sensorial y que realmente han cambiado la vida a muchas personas que ahora no solo pueden hacer deporte sino que además pueden usar estos dispositivos para mejorar su vida cotidiana.

Un ejemplo de cómo la tecnología está ayudando a mejorar el deporte de los discapacitados lo encontramos en este estudio realizado por Laura Mena García en la Universidad de Valladolid, en el que además se comprueba que aún queda mucho trabajo por hacer  al respecto, por esto es importante que se le presta más atención y se siga investigando al respecto:

Los deportistas profesionales que compiten a nivel olímpico y tienen una discapacidad visual son los menos numerosos dentro de las disciplinas paraolímpicas; posiblemente esto se debe a que la pérdida de visión es una de las condiciones más incapacitantes para el ser humano y a que estos atletas necesitan un guía que compita en pareja con ellos o que les de indicaciones durante el desarrollo de la prueba; a esto hay que sumar que los avances científicos aplicados a la práctica deportiva han favorecido a la discapacidad motora por encima de otras discapacidades sensoriales. Sin embargo, en los últimos tiempos la tecnología está buscando su aplicación en la ejecución de deportes que requieren un guía, con el objetivo de llegar a prescindir de esta figura, permitiendo al atleta con discapacidad visual ganar autonomía reduciendo la dependencia y mejorar el rendimiento deportivo. Este trabajo busca encontrar mediante una revisión bibliográfica casos en los que se aplique tecnología con el objetivo de lograr mejorar la autonomía del atleta, y contrastar, mediante entrevistas personales, la idea práctica de los científicos que diseñan los dispositivos con la opinión de los atletas a los que se ofrece el beneficio de su uso. Son muy pocos los deportes paralímpicos en los que se busca aplicar dispositivos tecnológicos para mejorar la independencia del atleta con respecto a su guía. Hasta el momento, todos los intentos no han pasado de ser prototipos que nunca se han probado en competiciones oficiales. Los motivos de la falta de éxito de la aplicación de la tecnología al deporte paralímpico se deben a un conglomerado muy heterogéneo de motivos que van desde la falta de inversión económica por falta de interés empresarial a la inseguridad psicológica que el uso de estos dispositivos crea en los atletas.

Nuevos deportes basados en tecnología

Usar la tecnología para mejorar un deporte o la forma en la que lo practicamos parece de lo más lógico, pero no lo es tanto que la usemos para crear nuevos deportes, lo cual es precisamente lo que ha ocurrido en el caso de los eSports,  las carreras de drones y las peleas de robots. Aunque aquí no acaba la cosa, porque estos deportes al final surgen de la inventiva humana, que no para de maquinar para poner a prueba sus capacidades y habilidades, lo que es más raro es recurrir a la propia tecnología para que invente un nuevo deporte y eso es precisamente lo que ha ocurrido con el Speedgate.

Speedgate es un nuevo deporte creado por la Inteligencia Artificial, gracias a la combinación de tecnologías como las redes neuronales recurrentes y convolucionales, diseñadas por el equipo de desarrolladores de la empresa Akqa. Este nuevo deporte presenta elementos familiares del croquet, el rugby y el fútbol.

A través de un algoritmo de generación de texto se analizó el funcionamiento de 400 deportes existentes, que respondió con 1000 ideas que luego se interpretaron para formar el nuevo concepto de deporte, con un enfoque en la accesibilidad, la capacidad de aprendizaje, la diversión y el potencial para el ejercicio físico. Además otro algoritmo de generación de imágenes analizó 10.000 logotipos deportivos existentes y respondió con ideas que se interpretaron para formar el escudo del Speedgate.

Etiquetas: deporte, discapacidad, Inteligencia Artificial, redes neuronales, salud, Speedgate