Creer o aprender?
Un algoritmo es un juego de instrucciones que le dice a un sistema o computadora qué es lo que tiene que hacer. Cada algoritmo tiene una entrada y una salida. Punto. Interesante, potente «para el hogar», pero en pleno siglo XXI… llega hasta ahí.
Cuando hablamos de inteligencia artificial, hablamos de la ingeniería necesaria para «fabricar» programas informáticos inteligentes.
En los primeros días de la IA, los programadores se enfocaron en sistemas simbólicos (hoy llamados GOFAI, «Good Old Fashioned Artificial Intelligence»), y codificaban tanto el conocimiento como la lógica en una sintaxis legible por humanos (Human Readable Sytnax).-
Lo que conocimos como «Sistemas Expertos» son una escisión, un «spin off» de aquellos sistemas simbólicos, un intento de emular decisiones tomadas por seres humanos expertos en algún tema, usando reglas prefijadas y estamentos del tipo «qué pasa si…» (What If statements); pero tienen una limitación: como deben ser codificados manualmente, no pueden manejar múltiples niveles de decisión con soltura.
Vamos a dar un paso más… Machine Learning, el aprendizaje automático.
El concepto de Machine Learning («ML») permite que los sistemas lleguen a encontrar patrones, a efectuar predicciones y hasta arribar a conclusiones… todo eso sin programación explícita. Un sistema de ML puede funcionar sin que haya alguien codificando manualmente cada regla a seguir. Lo que hacen los programadores de este tipo de sistemas es preparar sus algoritmos, deplegarlos en el ambiente de trabajo, alimentarlos con conjuntos de datos («datasets») y dejar que el sistema «aprenda» de esos conjuntos de datos.
Hace unos días en mi muro de FaceBook propuse esto:
«¿Qué numeros faltan en estas secuencias?
01_34_6_8
987_54_2_
14151_1718«
Correctamente, varias personas me respondieron «2576316». Alguien correctamente, preguntó si era un acertijo para el colegio primario.- Bueno… un poco de cada cosa. Lo que hice fue jugar un poco con la mente de los participantes y llevarlos a hacer lo que hace la tecnología de Machine Learning: buscar y encontrar patrones, efectuar predicciones y arribar a conclusiones.
Así como es la base del Machine Learning (ML), es algo que la mente humana de un escolar de primaria puede hacer con toda soltura.
Existen varios niveles de ML y hasta podemos hablar de redes neuronales y de Computer Vision, pero lo interesante a este nivel es el procesamiento de lenguaje natural (Natural Language Processing, o NLP), que es la capacidad de las máquinas de entender y sumarizar a un ser humando hablando libremente, y hasta de responderle de igual a igual. Eso es lo que emplean Google Search, Microsoft Cortana, Samsung Bixby, Apple Siri, Amazon Alexa, y hasta el Smart TV que tenés en el living de tu casa. Por eso no te extrañes cuando estuviste hablando con tu pareja de hacer un viaje a Disney, y ni bien tomás tu smartphone, en la pantalla te aparecen publicidades de Despegar.com, de Trivago… y hasta de Disney!!! Esa es la tecnología que, en conjunto con 5G, está comenzando a revolucionar al mundo de hoy.
Es en parte la base tecnológica que, asi como muchos descifraron mi sencillo acertijo numérico, permitió descifrar con un 99.9% de precisión el genoma del virus SARS-COV2 a solo algunas semanas de su aparición (algo bastante sencillo con estas tecnologías, ya que ese virus tiene no más de 30 mil unidades de información), y eso se logró teniendo solo partes del mismo, y en solo pocas horas de cálculo. Y lo más gracioso es que a nivel matemático, han debido seguir distribuciones gaussianas en la mayor parte del trabajo.
Es como cuando un paleontólogo agrega huesos faltantes moldeados en yeso a un esqueleto fósil incompleto: si tiene parte de los huesos de una extremidad, puede inferir correctamente como son los faltantes de la otra. Como en mi acertijo, como lo enseñó Gauss en el siglo XIX.
Al día de hoy, y si bien para mediados de 2020 (meses atrás) ya había unas 20 vacunas en prueba (son las de ARN mensajero, ingeniería genética pura que no hubiera sido posible sin decodificar el genoma del virus), desde Fase 1 a 3.-
Sin embargo, aún hay gente que dice que no se ha aislado ni decodificado genéticamente al SARS-CoV2.
La respuesta es simple: miles (MILES) de científicos de todo el mundo compartieron información (aquí no vale eso de «miles de moscas no pueden estar equivocadas») y por eso se efectuó esa tarea de decodificación genética en muy poco tiempo, con la tecnología actualmente disponible (COTS, Commercial Off The Shelf).
Por estas razones, cuando alguien te diga que tenés que creer en algo, recordá esto: no creas en nada. Mejor, aprendé.