En la actualidad la inteligencia artificial (IA) es quizás una de las disciplinas más relevantes dentro de las ciencias computacionales. En general, la IA resulta un tema realmente interesante, debido a su capacidad para resolver problemas de alta complejidad. Sin embargo, no todo resulta ser tan positivo, los actuales desarrollos de la IA también presentan algunos desafíos para la misma IA, y por supuesto, para las personas y el mundo en general.
Durante varios años he participado en diversos procesos de tecnología desempeñando diferentes cargos en áreas de TI, y hoy en día sigo ejerciendo mi profesión como consultor independiente, docente e investigador. Esta interacción con equipos de TI me ha permitido aprender varias lecciones importantes en cuanto a la gestión de proyectos y su relación con el impacto estratégico. Al mismo tiempo, en los últimos años me he dedicado a la ejecución de mi tesis doctoral, la cual tiene por lo menos un 70% de IA aplicada. Con todos estos antecedentes, me he propuesto el objetivo de compartir un poco de mi aprendizaje, para aportar a mis estudiantes, y por supuesto al sector productivo. Todo lo que pueda compartir no es completamente determinístico, pues siempre hay lugar a interpretaciones diversas, debates y discusión; por lo que invito siempre a direccionar positivamente nuestros aportes a la construcción del conocimiento y el progreso de todos.
Lo primero que hay que decir, es que hablar de IA no es un asunto sencillo, y que una sola publicación no resulta suficiente para entender la totalidad del concepto, ni mucho menos sus implicaciones con otros temas. Por lo que tengo como objetivo continuar profundizando a través de publicaciones futuras.
Empecemos por revisar algunas definiciones importantes de la IA:
- El concepto de inteligencia tiene un gran alcance, y por lo tanto, implica el estudio de muchos otros conceptos; uno de ellos, y que resulta relevante para las ciencias computacionales, es la capacidad de aprendizaje, y es allí donde se enfoca la disciplina de aprendizaje automático (machine learning); y en donde de momento me concentraré en este artículo.
- Las redes neuronales que utilizamos en IA, parten de un ejercicio de la abstracción de lo que hoy se alcanza a medio entender sobre el funcionamiento biológico del cerebro humano. Lo que han intentado los grandes investigadores de IA es «replicar» de alguna manera el comportamiento neuronal de nuestro cerebro; y para ello, a través de la abstracción, han modelado la neurona como un elemento lógico, y que puede ser representado computacionalmente. Adicionalmente, algunos comportamientos del cerebro (como es el caso del aprendizaje), se han implementado a través de algoritmos.
- La IA no es una disciplina completamente nueva, realmente es una disciplina que estuvo algo estancada por las capacidades de procesamiento de cómputo del pasado. Hoy en día, contamos con máquinas de grandes capacidades (en cuanto a recursos de hardware), lo que ha permitido retomar los estudios de IA, y continuar con su desarrollo.
¿Por dónde empezar?
Contestaré brevemente con base en mi experiencia en industria, y también desde el conocimiento adquirido a lo largo de mi tesis doctoral. Para ello, he decidido contestar esta misma pregunta desde diferentes perspectivas (según sea el actor interesado).
Empresarios:
- La importancia de la capacitación. Es importante entender con claridad para qué sirve la IA antes de iniciar a comprar productos para resolver problemas que no existen, o problemas que no requieren de IA.
- La IA no es necesaria para resolverlo todo. Lamentablemente en la industria existe una extraña tendencia a querer comprar e implementar toda tecnología disruptiva. Algo bastante conveniente para ciertos actores comerciales que no son consultores expertos y que carecen de ética profesional; pero nada conveniente para el cliente empresarial que no obtiene ningún retorno sobre esa inversión. Hay que tener mucho cuidado con las cortinas de humo que generan las redes sociales, y algunos supuestos «expertos».
- De no tener conocimiento internamente en el equipo de TI, es importante contactar con un experto en el tema para negociar cualquier proyecto, producto y/o decisión que involucre temas de IA.
- Si el análisis de la necesidad nos lleva a concluir que necesitamos de IA en nuestra empresa, debemos monitorear los atributos de calidad de la IA; entre ellos la capacidad real de aprendizaje y su respuesta al mundo real. Este tema es sumamente complejo, y se debe revisar al detalle y con alta pedagogía. Todo sistema de IA requiere de alguna manera una administración y soporte por parte de un científico de datos.
- A los proyectos de IA se les debe calcular el ROI (retorno sobre la inversión), y se debe entender su impacto estratégico en la organización. Es importante materializar los beneficios, y entenderlos desde el momento en que se concibe una idea, o futuro proyecto.
Ingenieros graduados de TI y no expertos en IA:
Dependiendo de la intención, varía considerablemente las recomendaciones.
- Deben tener en cuenta que las mallas curriculares cambian considerablemente con el paso del tiempo, y para quienes cursamos asignaturas de inteligencia artificial en nuestro pregrado hace unos 10 años o más, encontraremos grandes diferencias con respecto a lo que se está enseñando en la actualidad.
- Para el caso de los profesionales que necesitan tener una idea de alto nivel, conviene primero tener claro la base conceptual y su taxonomía, lo que se puede resolver fácilmente con muchos cursos que están disponibles en plataformas como coursera y edx. También hay que decir que existen excelentes libros, bastante fáciles de leer y que pueden ayudar. Sin embargo, resulta importante una validación con expertos, porque la comunidad científica no siempre muestra consensos universales y esto podría generar graves confusiones.
- Quienes se encuentren interesados en formarse como expertos en el tema, les viene mejor pensar en un posgrado con un nivel mínimo de especialización o master.
Estudiantes de pregrado de Ingeniería de Sistemas:
Para las nuevas generaciones recomiendo aprovechar el reposicionamiento de la IA que tenemos hoy en día, y tener en cuenta lo siguiente:
- Cursar con compromiso y verdadera atención todas las asignaturas de matemáticas, entre los temas claves para IA están: sistemas de ecuaciones de múltiples variables y diferentes grados, calculo diferencial. Problemas de optimización por valores máximos, mínimos, y de valor objetivo. Y también gran parte de la matemática aplicada en estadística, lo que implica: normalización de valores, análisis de datos, detección de datos anómalos, métricas de desempeño en modelos estadísticos. Todo lo relacionado con álgebra lineal es fundamental, porque la gran mayoría de las librerías de IA trabajan con estructuras de varias dimensiones. Lo referente a estructuras de datos también es de gran relevancia; y quienes hoy en día tienen la oportunidad de cursar asignaturas de minería de datos, aprovecharlas al máximo.
- Ya existen librerías bastante buenas y de uso libre con las que pueden iniciar a trabajar. Por mencionar algunas de las que conozco: SKlearn y TensorFlow.
- Recordar siempre que manejar una librería no garantiza un conocimiento conceptual sobre IA. Desde mi punto de vista, existe una gran falla en la formación de profesionales cuando solo los enfocamos a trabajar con cajas negras que reciben y devuelven datos. Al final, en la operación interna de estas cajas se hace un acto de «fe» que nos puede llevar a consecuencias desastrosas; porque difícilmente podremos explicar y mejorar estos sistemas.