Aprendizaje automático: ¿Una máquina puede aprender?

Aprendizaje automático: ¿Una máquina puede aprender?

Si esta pregunta se formula aleatoriamente a varios segmentos de la población mexicana, puedo apostar que el 80 o 90% diría un rotundo “NO, una máquina no puede aprender, sólo los animales y seres humanos tenemos esa habilidad”. Sin embargo, si se la hacen a un pequeño segmento de la comunidad científica mexicana (conformado por profesores y estudiantes de ciencias computacionales, inteligencia artificial, robótica, control automático, y áreas colindantes), entonces la respuesta sería un SÍ, más una frase precautoria “pero bajo ciertas condiciones y con ciertas limitaciones en comparación con los seres humanos”. Esta pequeña comunidad científica se esfuerza por ampliar las condiciones en que una máquina puede aprender y por reducir sus limitaciones. Dicho esfuerzo está inmerso en un concierto mundial de trabajos científicos dirigidos hacia esta gran meta de hacer que las máquinas aprendan de su experiencia con poca asistencia humana.

¿Cuáles son los logros tecnológicos más impresionantes? Aquí tres ejemplos que me gustan mucho:

1. AlphaGo es un programa computacional que es capaz de aprender a jugar el juego de mesa Go. En marzo 2016, derrotó al mejor jugador de la historia, al coreano Lee Sedol, quien ha ganado 18 títulos mundiales. En este año 2017, AlphaGo ha logrado entrar a la categoría de maestro después de derrotar consecutivamente a más 60 oponentes humanos de máximo nivel. Es importante aclarar qué es Go; es un juego donde cada uno de los dos oponentes tiene fichas de distinto color y el objetivo es capturar las fichas del adversario. Este juego es más complejo que el ajedrez debido a que el tablero Go permite 1E170 distintas configuraciones mientras que el ajedrez solo tiene alrededor 1E45 configuraciones. Esto implica más de 100 órdenes de magnitud de diferencia en número de configuraciones.  

AlphaGo aprende de la experiencia, las reglas para tomar las decisiones no fueron programadas por humanos, sino que AlphaGo va descubriendo por prueba y error cuáles son las mejores decisiones. Los métodos que usa para descubrir dichas reglas están basados en redes neuronales profundas, arboles de decisión y aprendizaje por reforzamiento. Para más información, diríjase a https://deepmind.com/research/alphago/

2.- La empresa estadounidense Nvidia ha implementado un sistema de navegación autónoma para automóviles basada en redes neuronales. Hay varios videos en internet muestran demos del desempeño del sistema, aquí un video https://youtu.be/fmVWLr0X1Sk. Este sistema computacional también aprende de la experiencia, es decir que las reglas de conducción no fueron programadas por humanos, sino que la máquina aprendió por su propia cuenta. Las redes neuronales toman las decisiones de conducción basadas en las imágenes que ve el vehículo a través de sus tres cámaras que miran hacia al frente del auto. Aunque el sistema no es confiable en todas las circunstancias actualmente, es muy interesante ver cómo el sistema conduce con eficacia en distintas condiciones de iluminación, en distintos tipos de terreno y hasta diferentes condiciones climáticas. 

3. Uno de los logros del aprendizaje automático, que revivió el interés por las redes neuronales, es el reconocimiento de imágenes. ImageNet es un banco de datos que tiene casi 15 millones de imágenes recolectadas a través de la Internet. Basados en este banco de datos, se organiza desde el 2010 una competencia anual llamada “Large Scale Visual Recognition Challenge” (el reto de reconocimiento visual a gran escala). Una de las tareas es crear métodos de aprendizaje automáticos capaces de reconocer y localizar 1,000 categorías distintas de objetos en 1.2 millones de imágenes. Las categorías de objetos son muebles, frutas, pájaros, comida, reptiles, deportes, herramientas, árboles, flores, etc. En este año 2017, el método computacional ganador obtuvo un error de apenas de 3.4% en el reconocimiento. Este desempeño es comparable con las capacidades humanas para reconocer objetos en 1.2 millones de imágenes. Lo mejor del asunto es que es las reglas para decidir a qué categoría pertenece cada parte de la imagen fueron aprendidas por el sistema computacional, no fueron programadas. 

Espero haberlos convencido de que las máquinas sí pueden aprender, tomando en cuenta estos tres casos de gran éxito. Debo aclarar que éstos no son los únicos éxitos tecnológicos, existen muchos más. Por ejemplo, en Estados Unidos muchas empresas startups están basadas en aplicaciones comerciales del aprendizaje automático https://www.forbes.com/sites/gilpress/2017/01/23/top-10-hot-artificial-intelligence-ai-technologies/#6728ec7e1928. Las grandes empresas tecnológicas como Google, Amazon, Facebook, entre otros, apuestan fuertemente a desarrollar tecnología basada en métodos de aprendizaje automático que les permita explotar mejor la información de sus clientes. 

La gran pregunta ahora es ¿Cómo es que una máquina puede aprender? ¿Cómo funcionan los métodos de aprendizaje automático? Contestaré estas preguntas en la siguiente entrega de esta a columna.

 

Dr. Erik Zamora
Profesor Instituto Politécnico Nacional - UPITTA

Líneas de Investigación: Robótica Autónoma y Redes Neuronales Artificiales
https://sites.google.com/site/proferikzamora1981/