Siete cosas que la inteligencia artificial puede hacer mejor que tú en 2020

El primer aviso de lo que estaría por venir lo dio Deep Blue en 1997. La máquina creada por IBM llevaba desde el año anterior jugando partidas de ajedrez con el maestro mundial Gary Kasparov, que fue superado aquel año en lo que algunos llamaron «el más espectacular duelo de ajedrez de la historia». Desde entonces, son muchos los juegos a los que las inteligencias artificiales han ido superando a los humanos.

Los dos mayores actores en este sentido son Google, a través de su división DeepMind, y la fundación OpenAI. El primero de ellos volvió a revolucionar el sector con el éxito de AlphaGo en 2015; fue la primera máquina que consiguió ganar a este juego, tradicional en algunos países asiático y de mayor complejidad que el ajedrez, a un maestro de nivel mundial como Lee Sedol. La tercera evolución de este algoritmo, llamada AlphaZero, que por primera vez se enseña a jugar a sí misma, está considerada como el mejor jugador de Go del mundo hoy.

Desde entonce, de los juegos tradicionales de mesa se ha pasado a los videojuegos, donde el número de variables y la complejidad se multiplica en muchos casos. Google DeepMind repitió éxito con AlphaStar, una máquina diseñada para jugar a StarCraft 2, considerado uno de los mejores juegos de estrategia por ordenador de la historia. La compañía anunció el pasado mes de octubre que su sistema ya podía vencer sin esfuerzo al 99,8% de los mejores jugadores del mundo.

Por su parte, la fundación OpenAI, que desarrolla sistemas de inteligencia artificial sin ánimo de lucro y con el objetivo declarado de «beneficiar a la humanidad en su conjunto», hizo lo propio con Dota 2, otro juego con altas dosis de complejidad y estrategia. a través de su algoritmo OpenAI Five (cada partida enfrenta a cinco jugadores contra otros cinco). La pasada primavera lo enfrentaron contra los que entonces eran campeones del mundo. OpenAI Five ganó con claridad: 2-0 al mejor de tres.

Además de estos sonados ejemplos, las inteligencias artificiales también destacan en juegos como el póker, el bridge o el Scrabble.

Para un periodista no resulta fácil tener que escribir que existe una disciplina llamada «periodismo automatizado». Que tiene su propia página en Wikipedia. Y que ya se usa en muchas de las agencias de noticias más importantes del mundo, como Associated Press o Thomson Reuters, y en periódicos como Los Angeles Times. Pero es la realidad: su aplicación, sobre todo en sucesos que requieren inmediatez o en informaciones que se elaboran sobre una serie de datos conocidos, como ocurre en la prensa deportiva, no se puede comparar a la de ninguna persona. Por ejemplo, un algoritmo llamado Quakebot publicó en Los Angeles Times, ya en el año 2014, una historia sobre un terremoto que acababa de suceder sólo tres minutos después de que se produjera.

Además, quienes ya lo usan en sus organizaciones, como Associated Press, aseguran que han podido 'liberar' hasta el 20% de sus trabajadores para otras labores y que el coste no es comparable al de mantener a un redactor en nómina. Estos dos factores auguran que el futuro para los 'robots periodistas' no ha hecho más que empezar, aunque son muchas las voces críticas que señalan a una posible pérdida de confianza, credibilidad y calidad en el contenido generado por estos sistemas.

Mientras tanto, el año pasado la fundación OpenAI publicó en febrero de 2019 sus avances en un sistema llamado GPT-2, una inteligencia artificial capaz de generar textos en muchos casos indistinguibles de uno escrito por un ser humano sin importa el tema del que se tratase recibiendo sólo mínimas instrucciones. En aquel momento, el laboratorio no publicó el código fuente de GPT-2 porque lo consideraba «demasiado peligroso» por sus posibles usos maliciosos. Sin embargo, el pasado noviembre finalmente se hizo público este código, que incluye 1.500 millones de parámetros diferentes con los que el sistema trabaja. Investigadores de la Universidad de Cornell puntuaron con 6.9 sobre 10 la credibilidad de los textos generados por el sistema.

Algunos de los avances recientes más destacados en el campo de la inteligencia artificial tienen que ver con su aplicación en tareas médicas, desde la simulación de sintetización de proteínas y otras moléculas hasta su uso como elemento para diagnosticar a un paciente.

El caso más famoso es el de Watson, un sistema desarrollado por IBM y cuyo nombre recuerda al médico ayudante de Sherlock Holmes, cuyo objetivo es conseguir diagnosticar no sólo enfermedades comunes con un alto índice de acierto, sino ir más allá y hacer lo propio con enfermedades raras.

De acuerdo con un estudio que elaboró University Hospitals Birmingham y cuyos resultados se publicaron el pasado mes de septiembre, los sistemas de aprendizaje automático diagnosticaban correctamente un 87% de los casos que llegaron al departamento de oncología, mientras que los expertos humanos acertaron en un 86% de los casos.

Otros usos médicos recientes van incluso más allá y se acercan al terreno de la ciencia ficción. Esta misma semana, un equipo investigador de la Universidad de Medford (Massachussets) anunció que habían creado las primeras máquinas vivas a través del uso de células madre extraídas de ranas africanas. Uno de los usos posibles de este nuevo tipo de ser viviente está en la medicina, ya que pueden introducirse incluso en el cuerpo al medir menos de 1 milímetro. Pero también hay otros, como usarlos para limpiar microplásticos en el entorno marino. Sólo el tiempo dirá.

Los sistemas de aprendizaje automático aprendieron a clasificar imágenes, y ahora están pasando a crear las suyas propias. El primer intento serio lo llevó a cabo Google con su proyecto DeepDream, que dio la vuelta a Internet por crear imágenes con un fuerte toque surrealista debido a que el sistema estaba entrenado sobre todo para trabajar con rasgos faciales que luego iba colocando sobre cualquier superficie.

Hoy día, este proyecto continúa en manos de otras personas que le han dado un enfoque más colaborativo entre inteligencias artificiales y humanos. Mientras tanto, compañías como Nvidia, desarrolladora de tarjetas gráficas, también se han metido en este campo con aplicaciones como GauGAN, un sistema que permite convertir bocetos dibujados en programas como Paint en arte hiperrealista a través de la generación automática de texturas.

También hay quien ha aplicado estos sistemas a la composición musical, una práctica que tiene más que ver con las matemáticas de lo que la mayor parte del público se imagina. Ya en 2018, el compositor francés Benoît Carré creó con la ayuda de uno de estos algoritmos lo que la BBC llamó «el primer buen disco hecho por un robot» Carré incluso tituló el disco con la primera orden que es tradición que ejecute cualquier 'software' creado por un programador: Hello World (Hola, mundo).

Uno de los compositores más famosos de la edad moderna, Brian Eno, también ha usado sistemas de generación automática para aunar música y vídeo en su proyecto The Ship.

Desde entonces siguen aumentado sus usos; en fechas recientes, YouTube está pensando en desarrollar un sistema de creación automática de música para usar de fondo en sus vídeos.

Una de las labores en las que las máquinas ya ganan de lejos a los seres humanos es la transcripción. Microsoft lleva la voz cantante en este sentido, ya que hace un tiempo que desarrolla un sistema basado en inteligencia artificial para reconocer voz y ha conseguido reducir los errores de forma significativa.

De acuerdo con los resultados de una primera prueba que llevó a cabo el Instituto Nacional de Estándares y Tecnología en Estados Unidos, el margen de error de este sistema fue del 5,9%, prácticamente igual al registrado entre profesionales a los que Microsoft había contratado para competir con la máquina. En una segunda prueba este margen se elevó hasta el 11,1%, aunque siguió estando dos décimas por debajo del registro humano, que fue del 11,3%.

Por sorprendente que parezca, los datos lo confirman. La Universidad de Oxford desarrolla desde 2016 un sistema de lectura de labios que aprende automáticamente a base de ver vídeos de personas hablando. En una prueba que enfrentó al algoritmo frente a profesionales dedicados a esta labor, los humanos pudieron reconocer, de media, entre el 20% y el 60% de lo que una persona estaba diciendo. Mientras tanto, el sistema LipNet, financiado en parte con dinero de Alphabet (la sociedad matriz de Google), acertó en un 93,4% de los casos.

Tras algunas críticas de medios especializados, que señalaron que las condiciones en que el sistema había aprendido eran muy específicas, los investigadores decidieron hacer otra prueba de lectura de labios con 300 vídeos seleccionados de forma aleatoria en Internet. ¿El resultado? Los humanos se equivocaron en un 47,7% de la transcripción, mientras que en la inteligencia artificial este porcentaje fue del 6,6%.

Como decía el personaje interpretado por Leonardo DiCaprio en la película Inception, hay que profundizar más. La historia humana desde la Revolución Industirial ha demostrado que en muchas ocasiones las máquinas son la mejor herramienta para construir otras máquinas. Y ya hay quienes lo están planteando también para aplicarlo a la inteligencia artificial, cuyos algoritmos funcionan en muchos casos como 'cajas negras' de los que sólo podemos saber lo que entra y lo que sale, pero no lo que pasa dentro; un hecho que ha llevado a autores como Kathy O'Neill a cuestionar la independencia y fiabilidad de estos algoritmos en libros como Weapons of Math Destruction (Máquinas de destrucción matemática, en un juego de palabras con 'weapons of mass destruction', voz inglesa para definir las armas de destrucción masiva).

Por esta razón, compañías como Microsoft y Google están poniendo sus huevos en desarrollar sistemas capaces de crear inteligencias artificiales por su cuenta. La rimera lleva adelante el proyecto DeepCoder, mientras que la segunda hace lo propio con AutoML.

Es pronto para conocer aún resultados definitivos, pero aún queda mucho 2020 por delante.