Al Robot: Lenguaje Máquina

Lenguaje Máquina

En su momento he platicado sobre lo que es la inteligencia artificial, también como son las máquinas con esta capacidad para interactuar con los humanos y como distan tanto de aquel ente que se describe en tantas series y películas donde se nos pintan como una máquina capaz de razonar y tomar decisiones.

Pero para poder entender un poco mejor me gustaría platicar sobre un término nuevo que cada vez es más utilizado en todo el mundo sobre todo en nuestra querida América Latina donde los avances tecnológicos nos llegan y pocas veces los producimos, para entonces los adaptamos sin entenderlo mucho y solo repetimos lo que alguien más nos cuenta. Pero para que no nos cuenten cuentos me gustaría por explicar cuál es ese lenguaje que las ya famosas máquinas como Alpha Go entienden, como es que interpretan el mundo y daré un par de ejemplos sencillos con la intención de informar sin asustar a nadie y que vean que vamos avanzando, pero aún requerimos de más personas involucradas para tener al androide perfecto.

¿Recuerdan cómo aprendieron a andar en bicicleta? ¿Cómo aprendiste a nadar? ¿En qué momento ya eras capaz de acelerar, cambiar de velocidad, cambiarte de carril y evitar que el coche se fuera hacia atrás? Estimado lector es una reflexión, cierra los ojos y trata de visualizar ese momento…

¿Lo pudiste ver? Exacto en un momento con base a la experiencia, errores y corrección a los mismos un día, así como si fuera magia ya estabas haciendo todo lo anterior, aprendiste como nadar después de que te aventaran al agua y casi te ahogaras. Un día ya no estaba tu papá o mamá atrás de ti y podías ir solo por la calle o el parque en tu bicicleta. Y un día ya sabías ver el semáforo, medir la distancia de los autos y cambiar el carril al manejar.

Es lo más semejante a como sabemos que aprenden las máquinas hoy, se crea el código, se alimenta y utilizando muchos, pero muchos datos empiezan a resolver problemas matemáticos hasta que encuentran la coherencia, crean sus propias salidas, evalúan las opciones para finalmente elegir un camino por donde ir. Ese aprendizaje del error, la cantidad increíble de datos con los que se alimentan; recuerdan lo que veíamos en el nuevo petróleo llamado datos; es correcto necesitan alimentarse de los datos, que muchas veces son tomados de nuestra vida diaria con las tecnologías existentes.

Es correcto, leíste bien nosotros damos esos datos todos los días con todas esas aplicaciones divertidas que tenemos, cuando platicamos con nuestro teléfono y nos reímos de lo que nos contestan, cuando elegimos una película o algún género musical. Cuando damos «me gusta», cuando nos tomamos fotos con caras de gatitos, perritos, estamos dejando nuestro rostro y millones más para que alguna máquina que tenga el algoritmo adecuado pueda interpretar, almacenar e identificar tipos de rostros.

Por eso son tan importantes los datos hoy en día, también la tecnología ha ido avanzando al grado que hoy contamos con sistemas capaces da almacenar volúmenes inmensos de datos que alguien o algún sistema actualmente convierte en información. El objetivo es buscar, clasificar, estimar, pronosticar, para interpretar los resultados y dar un valor agregado.

Oye ¿Qué es un algoritmo? Me encanta esa palabra porque es la que contiene la clave de todo esto y del lenguaje que entienden las máquinas, el famosísimo Machine Learning. Pero vayamos por pasos antes de ver un ejemplo sencillito de como podemos ir creando las bases para que una máquina entienda de interprete el mundo humano, al menos en algunas tareas intelectuales de momento y posteriormente podamos enseñarle a tomar otras decisiones.

Alguna vez han revisado una receta para hacer un pastel, alguna bebida o preparar algún alimento que les gusta mucho, pues efectivamente eso es un algoritmo, una serie de pasos a seguir para obtener un resultado deseado. Si nos vamos al ámbito de la lógica y las ciencias de la computación es un conjunto de instrucciones o reglas definidas y no-ambiguas, ordenadas y finitas que permite solucionar un problema, realizar un cálculo o llevar acabo alguna actividad. Me gusta más la definición de la receta del pastel.

Como escribí arriba existen diferentes algoritmos en machine learning que ayudan a las máquinas a resolver esos problemas que les ponemos los humanos y queremos que ellas nos ayuden a resolver. Pero antes de pasar a verlos me gustaría lector que sepas que nosotros también usamos algoritmos para resolver problemas ¿Alguna vez han resuelto el cubo Rubik? Si ese cubo que resuelve Will Smith en la película en busca de la felicidad. Pues ese cubo precisamente lleva una lógica con instrucciones definidas para que cualquier ser humano lo resuelve, también existen niños en diferentes partes del mundo que utilizan otros algoritmos para resolverlo en segundos, así como hay quienes lo resuelven con los ojos vendados, porque tiene una secuencia, una lógica definida, pasos ordenados que nos ayudarán a resolver y que tiene que ver más con posiciones que con colores. Efectivamente nosotros también seguimos algoritmos y códigos en nuestra vida diaria, por eso a veces resulta sencillo leernos e interpretar nuestros comportamientos y/o sentimientos.

Veamos la siguiente imagen donde analizaré dos frases en inglés que dicen:

• The soccer is great (El futbol es genial)

• The soccer is boring (El futbol es aburrido)

Estimado lector no te pido que análisis y entiendas todo lo que aparece en la imagen, pero si te pido observes esas dos palabras importantes polaridad y subjetividad. Supongamos que esto se lo damos a un robot para que lo analice, obviamente la palabra en si no la entenderá, sin embargo, existe un diccionario como el que todos nosotros conocemos, y cada palabra puede tener asignado un valor, en este caso los valores van de -1 a 1.

La polaridad le ayudará a la máquina a saber si la expresión es positiva o negativa, cuanto más se acerque al 1 más positiva será esa palabra.

La subjetividad le ayudará a conocer que tanto este sujeto a interpretación.

Al final me gustaría que observen el pensamiento tan frío de ceros y unos que utiliza una máquina actualmente para proponer que eso es un sentimiento positivo o negativo. Con base a esto los algoritmos analizan nuestras elecciones y son capaces de sugerirnos una opción u otra. Con lo que me gustaría que te quedarás estimado lector es con este dato, es un pequeño paso para las máquinas, y cada vez falta menos para que sean capaces de tomar decisiones, sin embargo, es una tarea que no podrán lograr solas. Por eso es importante contar con valores, ética y un alto compromiso para toma de decisiones.

Para llevar a cabo el análisis que se realice debemos entender que el Machine Learning forma parte de la inteligencia artificial, además me atrevería a decir que es su componente esencial y el que ha permitido dar pasos agigantados en este campo. Se utilizan elementos de estadística para recolectar y resumir los datos. Para lo cual se debe iniciar con tener un entendimiento del negocio que nos llevará a entender los datos, regresando nuevamente entre uno y otro para darle el mejor uso a los datos que se generan constantemente, donde sabemos que lo único constante es el cambio, lo que hoy funciona para una marca o persona mañana posiblemente cambie, pero podemos apoyarnos de la información que nos proporciona el análisis de nuestros algoritmos.

Recordando un principio importante que dice si le metes basura, basura saldrá. Así que hay que cuidar mucho la información que incorporamos a la máquina para que nos devuelva algo de valor. La máquina va a inferir, es decir buscará características en común que se le dé en una muestra de datos, posteriormente analizará y lo trasladará al fenómeno en general que estemos analizando.

Apoyado con herramientas matemáticas, algoritmos base podemos enseñarles a las máquinas a leer nuestro mundo, y resolver de momento una pequeña parte realizando:

• Clasificación: colocar a un ente dentro de una categoría específica.

• Estimación: podemos estimar montos, edades, los días de mora de un tarjetahabiente, los ingresos promedios de una población.

• Pronóstico: con base a información del pasado puedo explicar lo que probablemente pasará.

• Vínculos: podemos encontrarlo en los sistemas de recomendación con el vídeo bajo demanda de películas.

Sin embargo, esta no es una clase sobre ciencia de datos y machine learning, solo es un ejemplo de lo que hoy en día podemos hacer con esta herramienta además de crear agrupaciones, análisis exploratorios y máquinas de reforzamiento (Deep Learning).

Hoy el científico de datos es la profesión más sexy que existe, al cual podríamos describir con varias características como analista, programador, estadista, matemático, científico. Puede ser el mejor técnicamente hablando sin embargo hay un mundo tan variado que muchas veces es rebasado por la materia que debe estudiar, puede aprender, pero sus decisiones son frías, requieren la interpretación de los expertos en la materia que se esté analizando ya sea finanzas, política, estadística educativa, etc.

No debe ser un trabajo aislado, ni una tarea que se le encargue a un área en particular, además hay que tener mucho cuidado porque no es suficiente conocer un lenguaje de programación o saber manejar alguna herramienta para llevar a cabo la exploración de los datos. Debe comprender los algoritmos, estar consciente de que fenómeno se quiere resolver, entender que lleva tiempo y varios datos después para que la máquina empiece a arrojar datos de valor para dar una solución al problema. Esto último quiere decir que va a tomar tiempo, una interpretación muy prematura del estudio no podría arrojarnos la verdad absoluta, debe aprender conforme la información crece y se itera. Se requiere paciencia hasta que las máquinas nos ayuden a procesar más rápido.

Por esto es complicado que podamos ver un androide que camine, hable y nos quite el trabajo en los próximos meses.

Nuevamente no depende de una sola persona o un perfil específico para entrenar a las máquinas, debemos contar con un grupo de expertos en diversas áreas como filosofía, ética, legal e ingenieros quienes trabajan en conjunto para desarrollar las máquinas del mañana.

“Hoy para nosotros es complicado entender como aprende una máquina, lo mas semejante a ello es como cuando un niño aprende a andar en bicicleta”