Inteligencia Artificial y Desarrollo Sostenible
10 mayo, 2021
MLflow, el gran aliado para los Data Scientists
17 mayo, 2021

Si las máquinas, a través de su ‘inteligencia artificial’ pueden llevarnos a través de sus experiencias, pueden empezar a enseñarnos nuevas formas de resolver problemas.

Hemos pasado mucho tiempo construyendo máquinas que piensan como nosotros. Ahora que lo hemos conseguido parcialmente, podría ser el momento de aprender de ellas de formas que no creíamos posibles. El núcleo de este concepto es aprovechar el hecho de que muchas aplicaciones de inteligencia artificial aprenden con el tiempo a medida que se dispone de más datos y se evalúan los resultados. Si los sistemas de IA pudieran compartir este conocimiento adquirido con los humanos, los ordenadores podrían ser pronto responsables de nuestros mayores saltos innovadores.

Esencialmente, la inteligencia artificial explicaría cómo y por qué se tomó una decisión o realizó una acción, y los humanos aprenderían de esta base de conocimientos. Es el equivalente a que un nuevo empleado sea asesorado por un profesional experimentado.

Tradicionalmente, este proceso no se lleva a cabo. A la inteligencia artificial  la tratamos como a una caja negra, que revela poco sobre la forma que tiene para llegar a las decisiones que toma. Obtenemos conocimientos sorprendentes a partir de millones y miles de millones de datos, pero no podemos averiguar cómo las máquinas llegan a esas conclusiones.

Eso es un problema cuando necesitamos entender las recomendaciones sobre nuevas enfermedades o averiguar cómo las máquinas eligen a ciertos candidatos en lugar de otros, y es cuando, además se empieza a generar desconfianza entorno a los posibles sesgos, faltas de ética… y es por ello que los investigadores están empezando a perseguir la IA explicable, no sólo por motivos de responsabilidad o privacidad, sino por la oportunidad de aprendizaje que supone para la humanidad ya que, como decía, las máquinas pueden enseñarnos a partir de la experiencia acumulada.

La experiencia es un maravilloso maestro, pero los humanos no pueden esperar experimentar todos los datos necesarios para llegar a ciertas conclusiones. Aquí es donde el aprendizaje por refuerzo puede llenar los vacíos.

Las máquinas utilizan el aprendizaje por refuerzo para explorar el mundo y llegar a conclusiones basadas en esas experiencias. Si las máquinas pueden llevarnos a través de sus experiencias, pueden empezar a enseñarnos nuevas formas de resolver problemas, nuevos componentes de problemas existentes y toda una serie de cosas más.

Actualmente, las máquinas se limitan a escupir conclusiones. No podemos seguir los pasos. No podemos mirar dentro del proceso. En los primeros tiempos, esto no era un problema; estábamos tan enamorados de que las máquinas pensaran que no importaba cómo.

La búsqueda de una IA explicable implica el acceso a muchas cosas. Ya no tendríamos que desechar todo un programa porque haya llegado a conclusiones imprecisas. Ya no seríamos responsables de las terribles decisiones de una máquina basadas en misteriosos problemas con los datos.

Y lo que es más, podríamos dar por fin un gran salto en la innovación. Cuando las máquinas puedan explicar sus fantásticas soluciones basadas en patrones de datos que escapan a nuestro control, puede que nos encontremos en la cúspide de un enorme salto hacia el futuro.

 

Si queréis poneros en contacto con nosotros, podéis hacerlo en info@kabel.es

También podéis seguirnos en TwitterLinkedInFacebook

Licencia de Creative Commons

Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internación 

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

NEWSLETTER