A todos nos han deslumbrado alguna vez las películas de robots: Máquinas inteligentes que no solamente son capaces de hablar y respondernos, sino de resolver problemas y aprender por si mismos. Si bien el Machine Learning no se acerca ni de lejos a ese ideal de ciencia ficción, si que significa un primer paso para conseguir en un futuro una posible Inteligencia Artificial.
Primero, hagamos una rápida definición: Cuando hablamos de Machine Learning, nos referimos a los ordenadores que aplican técnicas de aprendizaje estadístico con el objetivo de identificar automáticamente patrones en los datos. Estas técnicas suelen usarse para hacer predicciones muy precisas sobre cualquier temática (filtrar emails según su contenido, analizar qué les interesa a los clientes que entran en una tienda, o detectar posibles fallos en un sistema). Dicho de otra forma, cuando tenemos un canal por el cual recibimos una gran cantidad de datos, podemos diseñar un algoritmo que los analice automáticamente y de solución a una duda o un problema. Lo más importante del Machine Learning es que no es un sistema 100% automatizado, sino que requiere tomar decisiones clave para que el proceso tenga éxito.
La gran pregunta llegados a este punto sería: ¿Cómo usaremos el Machine Learning? Los expertos discrepan. Mientras algunos creen que el aprendizaje de las máquinas supondrá un avance comparable a la penicilina, otros lo ven como una herramienta sujeta al raciocinio humano.
La tecnología como herramienta, no como sustituto
Según David Karger, Pofesor de Computer Science en el MIT, el Machine Learning es una herramienta increíblemente poderosa que tiene la capacidad de solucionar problemas muy complejos. A este nuevo paradigma de aprendizaje de las máquinas le espera, según él, futuro brillante (puede que incluso para resolver la Inteligencia Artificial, aunque sean conceptos distintos).
Un futuro brillante, sí, pero como herramienta. Según Karger, todos los algoritmos que utiliza el Machine Learning acostumbran a tener errores. Lo interesante de verdad es aprender a mejorar las consecuencias de estos errores. Dicho de otro modo: Es más importante trabajar para desarrollar un ordenador pensado como herramienta para que las personas sean mejores en lo que hacen, que trabajar para que esa herramienta reemplace a las personas.
Uno de los proyectos del profesor Karger está basado precisamente en el Machine Learning y refleja esta perspectiva que comentábamos. El Feedme es un sistema que te ayuda a compartir contenidos con tus amigos de forma rápida gracias al análisis de datos que hace un algoritmo. Mientras estás leyendo cualquier cosa en la web, aparece una pequeña barra de herramientas con una lista específica de los amigos a quienes les podría interesar el contenido que estás leyendo en ese momento. Puedes hacer clic en sus nombres, y entonces Feedme les manda un enlace a esa página. El algoritmo que utiliza Feedme aprende qué tipo de contenido compartes con cada uno de tus amigos, y lo usa para suponer o “adivinar” qué amigos tendrá que recomendarte según el tipo de contenido que estés leyendo.
En este caso concreto podemos ver la importancia de la intervención humana en el Machine Learning: Feedme te sugiere que compartas el contenido con personas específicas, pero quién acaba decidiendo qué es lo que se compartirá eres tú mismo. De esta forma, tus amigos solo reciben cosas que realmente les interesan (asumiendo que tú eres bueno compartiendo contenidos).
Las barreras del Machicne Learning y todo lo que podría hacer realidad
A pesar de que el Machine Learning podría ayudarnos significativamente con nuestras tareas diarias, lo cierto es que las personas todavía no estamos preparadas para ese gran cambio. ¿Cuál es el motivo? No nos gusta que nos interrumpan. Por eso nos cuesta acostumbrarnos a que la tecnología entre por completo en nuestras vidas, en una forma en que lo haría en un futuro no tan lejano el Machine Learning. Tenemos un ejemplo cercano: Siri, por ejemplo, es un siervo pasivo que espera a que le preguntemos para poder darnos la información que necesitamos. Este paradigma de pregunta-respuesta nos gusta, no entenderíamos que Siri nos diera consejos a diestro y siniestro cada vez que se nos planteara un dilema, aunque no hayamos hecho ninguna pregunta. Para que realmente el Machine Learning sea capaz de mejorar nuestra calidad de vida, tendremos que aceptar un cambio en la relación que tenemos con la tecnología.
Según el analista de datos John Thruma, Director de Teradata, si estamos dispuestos a aceptar un mayor nivel de interrupción en nuestras vidas, el Machine Learning podría llegar a ser una fuerza mucho más poderosa.
Pongamos como ejemplo el caso de una persona que tiene un historial de depresión o problemas de corazón. Cuando el médico le prescribe una medicación, un dispositivo podría ayudar al enfermo a cuidar más de su salud. Si lo programamos para que sepa leer su temperatura, presión arterial, número de latidos del corazón por minuto y otras características, el dispositivo podría ayudar a esa persona a tomar la medicación o la terapia adecuada cuando la necesitara. Podría decirle incluso “vaya a correr”, “vaya a clase de yoga” o “vaya al hospital”. Sería como una voz que no podría callarse sin importar lo que pasara en el exterior. Esto me recuerda un poco a un robot de una reciente película de animación, ¿A ustedes no?
La pregunta que plantea Thruma, llegados a este punto, sería: ¿Estamos dispuestos a tener una niñera que cuide de nosotros día y noche? No nos cuesta imaginarnos la parte “oscura” de estar completamente vigilados, a pesar de que en parte pueda ser por nuestro bien.
Si te interesa aprender más acerca de los nuevos paradigmas que está propiciando la innovación, como el Big Data, la Smart Education o el Machine Learning, te recomendamos que eches un vistazo a los programas de Máster y Postgrado que ofrece IEBS.
