Cuando se habla de inteligencia artificial, se refiere a cualquier máquina que percibe su entorno y toma acciones específicas para maximizar sus probabilidades de lograr una meta. Sin embargo, para entender lo que significa inteligencia artificial, primero se debe entender lo que significa inteligencia. Cambia la palabra 'máquina' por 'organismo' en la definición anterior, y obtienes una descripción bastante precisa de qué significa que algo esté vivo. De esta manera, cualquier ser viviente posee un cierto grado de inteligencia: las bacterias cambian su ritmo metabólico dependiendo de qué tan grande es la colonia, y los árboles crecen hacia donde hay más luz solar. Así, la inteligencia es un espectro, no una cualidad definitiva. Esta ‘inteligencia’ surgió después de casi diez mil millones de años de átomos, químicos, y energía interactuando de manera completamente al azar, al mismo tiempo que nace la vida en la Tierra en la forma de organismos unicelulares (bacterias). Tomó cuatro mil millones de años de evolución para que los descendientes de esos organismos unicelulares construyan puentes, conduzcan carros, y cuestionen su propia existencia.

Árbol genealógico de la vida en la Tierra. Humanos al final.

La principal diferencia entre las bacterias y animales (en términos de inteligencia) es la existencia del cerebro, un salto gigantesco en la evolución de inteligencia en el planeta Tierra. Por esta razón, los principales esfuerzos en la creación de inteligencia artificial se enfoca en descubrir maneras de simular el funcionamiento del cerebro. El cerebro de cualquier animal está compuesto de neuronas (el cerebro humano tiene alrededor de cien mil millones), una célula que se excita con estímulos eléctricos. Funcionan juntas para procesar información sensorial que reciben de los diferentes órganos perceptivos del cuerpo que controlan: en el ser humano estos serían los ojos (vista), los oídos (audición), la piel (tacto), la lengua (gusto), y la nariz (olfato). Diferentes animales cuentan con diferentes órganos perceptivos y pueden percibir información diferente de su entorno, pero todas las neuronas funcionan igual: por esta razón, se consideran a las neuronas como uno de los productos de la evolución más importantes para la vida en el planeta. Ahora, la principal manera en la que se intenta simular al cerebro es a través de la creación de células neuronales artificiales.

Aunque las células neuronales artificiales no son completamente análogas a las neuronas que tenemos en nuestro cerebro, sí son muy parecidas: ambas reciben información, la modifican, y la pasan más adelante. Cuando juntas muchas de estas neuronas, o nodos, entonces tienes algo que se llama una red neuronal. Es aquí donde sucede toda la magia (matemática). Las células neuronales artificiales tienen el trabajo de recordar un valor, o peso, que les asigna una importancia en la red neuronal. Así, cuando le alimentamos un valor a la red, ese valor es modificado en cada nodo por el que pasa, dependiendo del peso del nodo, hasta que la red escupe un resultado. Este valor es comparado al valor que nosotros esperábamos, y modificamos el peso de cada nodo acorde al error que obtuvimos a través de una técnica llamada backpropagation. Después de muchas iteraciones, la red neuronal termina representando una función matemática capaz de predecir una tendencia en los datos que le alimentamos.

Es más fácil entender con un ejemplo: digamos que queremos construir una red neuronal que, si le alimentamos imágenes de perros de 20 razas, identifica la raza del perro. Para poder lograr esto, primero necesitamos miles de imágenes de perros y el nombre de sus respectivas razas (entre más fotos, mejor). Así es como empezaríamos la etapa de entrenamiento: primero, le alimentamos la imagen a los nodos en la red neuronal. Estos nodos van a hacer cálculos, pasando valores hacia adelante hasta que el último nodo saca un valor del uno al veinte (la cantidad de razas). Cada número tiene asignado una raza, y si el número corresponde a la raza correcta, entonces fortalecemos los nodos que hicieron esa predicción. Si el número que sale de la red neuronal corresponde a una raza incorrecta, entonces debilitamos los nodos que hicieron esa predicción. Después de miles de iteraciones, la red neuronal va a identificar correctamente de qué raza es cualquier perro que le enseñes. Las similitudes entre este proceso y el proceso que pasamos nosotros cuando queremos memorizarnos algo no es accidental: las  personas que se dedican a investigar cómo enseñarle a una máquina a aprender toman lecciones directamente de la experiencia humana. En grandes rasgos, esto se llama ‘deep learning’, y es la punta de lanza de una industria con el potencial de crear entre 3.5 y 5.8 mil billones de dólares en valor anualmente a través de 19 industrias diferentes, según McKinsey & Co.

Pero esto no es nada nuevo. En realidad, la inteligencia artificial como disciplina nace en los años cincuenta. Desde entonces, han habido etapas que llamamos ‘veranos’ e ‘inviernos’ cuando los recursos disponibles y la fé en el área subían y bajaban. Hoy, nos encontramos en un verano para el área de inteligencia artificial. De hecho, es su punto más alto en la historia en términos de fondos disponibles y popularidad comercial. Una de las razones principales de esto es que por fin tenemos las capacidades de cómputo necesarias para probar, confirmar, y comercializar rápidamente técnicas que antes solo estaban disponibles a grandes universidades y instituciones gubernamentales. De esta manera, pasan sólo meses entre que hay un nuevo descubrimiento en inteligencia artificial y lo vemos aplicado en productos populares. Los principales jugadores en esta nueva industria son Apple, Google, Facebook, Microsoft, IBM, y Amazon. Es muy interesante ver cómo las mismas organizaciones que invierten en la investigación de nuevas técnicas de inteligencia artificial son las que lo comercializan.

Solo necesitamos aplicar el ejemplo anterior a un problema de negocio para entender la razón. Supongamos que somos Facebook, y queremos crear un modelo que, dada la edad, región, y género de una persona, predice cuánto tiempo se quedarán conectados a Facebook en la misma sesión. Gracias a la popularidad de Facebook y la permisividad de sus usuarios, ellos tienen trillones de datos como estos: saben prácticamente todo sobre las personas que usan su servicio. De esta manera, podríamos alimentar los datos de edad, región, y género de miles o millones de personas a nuestro modelo de inteligencia artificial para predecir cuánto tiempo estarán conectados. No tomaría mucho tiempo antes de que nuestro modelo pueda predecir con alta exactitud cuánto tiempo pasará un usuario en Facebook.

Esto es exactamente lo que hace Facebook, y es una de las principales razones por las cuales sabe qué contenido presentarte en tu ‘news feed’ para maximizar el tiempo que pasas en su plataforma, así exponiéndote a una mayor cantidad de anuncios (y más relevantes). Este es el negocio principal de Facebook. Amazon hace lo mismo con tu historial de búsqueda en internet para saber qué productos enseñarte cuando vas a su página. Google usa tus fotos almacenadas en su servicio para identificar objetos, y tiene contratos multimillonarios con el gobierno de Estados Unidos para tener su tecnología en drones militares que identifican blancos con alta precisión desde las nubes. DeepMind, una empresa de Google, recientemente creó AlphaGo, un programa que le ganó al campeón mundial en el antiguo juego chino, Go (considerado imposible hace solo un par de años). Esta derrota sacudió a la comunidad china (y el resto del mundo), cambiando completamente lo que se creía posible en el área.

Sin embargo, las aplicaciones de la inteligencia artificial no solamente son comerciales. Recientemente atendí una conferencia por Marvin Chun, distinguido profesor de psicología y Dean de Yale College, en donde explicaba sus investigaciones de cómo podíamos usar las últimas técnicas de inteligencia artificial como deep learning para, de una manera, leer la mente de las personas. Más específicamente, en su laboratorio analizaron la manera en la que se excitan diferentes regiones del cerebro usando la imagen por resonancia magnética funcional (IRMf) para recrear lo que la persona estaba viendo con sus propios ojos, o hasta lo que se estaba imaginando. Así, Chun demuestra que es posible recrear lo que una persona ve, siente, piensa, huele, o escucha a través del análisis del cerebro combinado con deep learning.

Con tanto dinero y emoción en esta industria, muchos temen que pronto construyamos una inteligencia que compita con la inteligencia humana. Sin embargo, la red neuronal más grande que hemos llegado a construir es de 16 millones de nodos, del tamaño del cerebro de una rana. En comparación, el cerebro humano tiene 100 mil millones de neuronas. Esto representa una diferencia de 6,250 órdenes de magnitud, y la mayoría de los expertos concuerdan que hemos llegado al límite del poder de cómputo que podemos obtener con métodos convencionales (el transistor no puede ser más pequeño porque comienza a obedecer leyes de la física cuántica, actualmente el más chico mide 1 nanómetro). Para llegar al nivel de un cerebro humano, tendrán que haber grandes avances en la tecnología básica de las computadoras (que no es inaudito). Sin embargo, esto no significa que las aplicaciones de la inteligencia artificial están estancadas. Al contrario, jamás ha habido un mejor momento para aprender cómo funciona, qué significa para tu industria, y el papel que puede tener en el futuro de la civilización humana.