La inteligencia artificial tal como se aparece actualmente no es una base de datos a la que una APP puede acudir, relacionar información y dar respuesta a diferentes preguntas o encargos que se le puedan hacer. La inteligencia artificial es mucho más que eso, las máquinas de inteligencia artificial son capaces de imitar aspectos fundamentales de la inteligencia humana. Las máquinas inteligentes pueden realizar razonamientos lógicos, resolver problemas, realizar demostraciones de teoremas matemáticos, e incluso, jugar al ajedrez como un maestro. Las máquinas inteligentes tienen capacidad de percepción autónoma del mundo exterior cuando utilizan diferentes tipos de sensores para captar señales de cámaras, de micrófonos, de radio de imágenes láser (LIDAR), de sonar, de radar o de sensores táctiles. Las aplicaciones de estas características perceptivas de las máquinas se utilizan para el reconocimiento de voz, para reconocimiento facial y para reconocimiento de objetos.
Resumiendo, las máquinas inteligentes tienen la capacidad de percibir, de razonar, de resolver problemas, de interaccionar lingüísticamente e incluso, de producir trabajos y artículos creativos. Lo que vamos a destacar en este artículo es, precisamente, la capacidad de aprender de las máquinas inteligentes especialmente a partir del gran asombro y admiración que ha producido la aparición del Chat GPT. El punto de partida de estas máquinas inteligentes está basado fundamentalmente en las investigaciones sobre redes neuronales de Geoffrey Hinton (n. 1947-), Yann LeCun (n. 1960-) y Yoshua Bengio (n. 1964), que son considerados los padres de una técnica esencial de la inteligencia artificial: el deep learning o aprendizaje profundo, que se aplica para reconocimiento óptico de caracteres. También se utilizan las redes neuronales para el reconocimiento de voz, la visión por ordenador y la percepción de objetos y se han logrado avances en campos tan importantes como el procesamiento del lenguaje natural y la traducción automática. Las redes neuronales imitan el funcionamiento del cerebro humano, utilizando algoritmos que transforman el proceso de aprendizaje en una sucesión de instrucciones matemáticas. El objetivo de estas redes es diseñar, construir y hacer funcionar una máquina que pueda aprender de su propia experiencia. En 1986, Hinton concibió los algoritmos de retropropagación, que son fundamentales para el entrenamiento de redes neuronales. con ellos, en 2012, el propio Hinton consiguió crear la red neuronal convolucional: AlexNet, compuesta por 650. 000 neuronas, que fue entrenada con más de un millón de imágenes; AlexNet, consiguió realizar un 74 % de identificaciones de imágenes correctas lo que supuso un gran logro. Se dice que una máquina con capacidades de percepción aprende cuando sus competencias y habilidades mejoran con su propia experiencia y mediante el uso de datos que se les proporcionan; lo que, en definitiva, quiere decir que aprende cuando muestra una habilidad o una característica que no estaba presente en su “genotipo”, es decir, no estaba definida en el algoritmo de su diseño original. Las redes neuronales abren un camino a los ordenadores hacia una serie de técnicas informáticas que permiten enseñar a un ordenador o a un robot el comportamiento humano mediante programas de aprendizaje automático. Los algoritmos de aprendizaje utilizan métodos por los que la máquina puede aprender directamente de los datos sin recurrir a modelos matemáticos previos. Estos algoritmos son adaptativos, por lo que, a medida que aumentan los ejemplos que se le muestran y los problemas que abordan, aprenden y mejora su rendimiento.
El aprendizaje automático de las máquinas, en principio, es un proceso por el que las máquinas pueden aprender sin haber sido programadas previamente. El aprendizaje automático permite a los ordenadores aprender de sus análisis y experiencias. La máquina ha aprendido cuando el programa consigue mejorar su rendimiento tras realizar una acción.
La programación de máquinas para el aprendizaje automático modifica el carácter de los algoritmos que se utilizan; ya que, en lugar de escribir un código de programación en el que se le señale al ordenador lo que debe hacer, al programa de aprendizaje se le proporcionan bloques de datos que son procesados de forma independiente por los algoritmos. De este modo, la máquina elaborará su propia lógica, observando y encontrando patrones buceando en enormes cantidades de datos para poder llevar a cabo la tarea encomendada. El aprendizaje automático se puede plantear desde dos enfoques diferentes: aprendizaje supervisado y aprendizaje no supervisado.
En el aprendizaje supervisado al ordenador se le dan ejemplos completos a seguir para llevar a cabo la tarea requerida. Al ordenador se le proporciona información, tanto del conjunto de datos como del conjunto de resultados deseados. Se pretende que el sistema descubra una regla general, una especie de principio causal, que relaciones los datos entrantes con los resultados, can la intención de encontrar un vínculo lógico entre datos y resultados para disponer de una regla para aplicarla a futuras situaciones similares.
En el caso del aprendizaje automático no supervisado, sólo se le proporcionan al ordenador conjuntos de datos sin ninguna indicación del resultado deseado. El propósito de este método es detectar patrones o esquemas ocultos en los datos y, a continuación, identificar dentro de las entradas una estructura lógica. que aún no se ha detectado.
El aprendizaje automático tiene algunas características que se utilizan para “educar a la máquina”. Una de las características es el aprendizaje reforzado, que tiene semejanza con el de Machine Learning en el que la máquina interactúa con un entorno dinámico que le refuerza o rechaza sus resultados y que del propio intercambio que obtiene nuevos datos de entrada que orientan en parte su comportamiento y puede lograr un objetivo. obteniendo así una recompensa. Con este tipo de refuerzo, el algoritmo aprende, de los resultados y decide qué acción debe realizar a continuación. Después de cada acción, el algoritmo recibe una valoración del exterior que le ayuda a decidir si esa elección decidida fue correcta, intrascendente o incorrecta. Esta técnica se utiliza la programación de juegos de ajedrez. Con el aprendizaje automático reforzado se pueden mejorar las capacidades competitivas de la máquina, por ejemplo, el ordenador puede aprender a ganar en un juego, evitando errores y jugadas intrascendentes, orientará su juego a ganar y el rendimiento mejorará. Es una técnica buena para usarla en tareas en las que el sistema automatizado tienen que tomar muchas decisiones pequeñas.
Lo que hemos contado es una cuestión que de puro concreta es abstracta. En el fondo no hemos hecho más que introducirnos en una idea simple buscar algo que haga una tarea por nosotros. Pero si utilizamos la inteligencia artificial para que una máquina tome decisiones por nosotros, ya lo haga con aprendizaje autónomo reforzado o no, la cuestión plantea una serie de dudas y conflictos. Si es aprendizaje es automático no reforzado, el temor puede venir de que es una máquina la puede llegar a tomar decisiones por nosotros con unas reglas extraídas del análisis de un conjunto de datos ingente y que llegará a imponerse de forma súbita, sin el tiempo que necesitan los seres humanos para la evolución de su pensamiento; seguramente surgirán una lógica, unos hábitos y un comportamiento promedio, que no será el habitual de cada ciudadano particular y apareciera la idea de que el Contrato Social necesario estuviera dictado por una máquina. Por otra parte, si el aprendizaje fuera automático reforzado, existiría el temor de que pudiera ser manipulado en las interacciones de refuerzo con los programadores. Pera la inteligencia artificial es un producto humano, generado por la característica más destacada de la propia naturaleza: la inteligencia. Y es precisamente esta característica, hermosa e ineludible la que nos hará evolucionar como especie y tenga la posibilidad de influir en su propia evolución. Pero esto nos llevaría a la recomendación de que todos los ciudadanos se interesen por el estudio de la ciencia y se desarrollen el espíritu crítico. Lo dejaremos para más adelante.
