Mogenet: “Creo que Elon Musk es muy paranoico con los robots”

Ha llovido mucho desde que el aprendizaje automático (machine learning) diera sus primeros pasos allá por los años 90. Lo primero que hizo Google con esta tecnología, fundamental en el auge de la inteligencia artificial, fue clasificar el spam. El aumento de la capacidad de computación y la disponibilidad del océano de datos que es Internet han propiciado más recientemente el surgimiento del aprendizaje profundo (deep learning), que imita el funcionamiento estructural del cerebro humano y que está ampliando los horizontes del machine learning.

En Google no esconden que el futuro de la compañía pasa precisamente por liderar el desarrollo de esta disciplina. Emmanuel Mogenet dirige Google Research Europe, el mayor centro de investigación que tiene la multinacional fuera de EE UU. Los 130 ingenieros de ese selecto equipo, en constante comunicación con sus colegas de California, se dedican exclusivamente a avanzar en inteligencia artificial y sus derivadas (machine learning y deep learning). Le visitamos en sus oficinas de Zúrich para que nos contara los últimos avances en este campo, y de paso le convencimos para que participase en el evento #RetinaLTD.

Nick Bostrom: “No tendremos una segunda oportunidad con la inteligencia artificial”

El filósofo y profesor de la Universidad de Oxford alerta de los riesgos que plantea la tecnología y advierte de la necesidad de anticiparnos antes de que sea tarde.

Razones por las que haces bien en tener miedo a las máquinas

Los avances de esta tecnología preocupan a empresas y gobiernos. Diversos expertos abogan por su regulación

P. ¿En qué estáis trabajando ahora mismo?

R. Nos centramos en tres grandes áreas. La primera es la comprensión del lenguaje natural, es decir, tratar de que la máquina entienda semánticamente qué dicen las personas. La segunda tiene que ver con lo que llamamos percepción computacional, o cómo procesar imágenes, sonidos u otros datos recogidos por sensores, de manera que el sistema sea capaz de describir lo que hay en una foto. En tercer lugar, llevamos a cabo investigación pura de machine learning, que es la herramienta que usan las otras dos áreas. También hacemos otras cosas relacionadas con la operativa de los algoritmos, pero eso es más aburrido.

La inteligencia artificial puede ayudarnos a ser más rápidos y certeros en los diagnósticos médicos”

P. ¿De qué es capaz hoy en día la inteligencia artificial?

R. Depende del campo. Se está intentando imitar lo que hace la inteligencia humana, en algunos casos se consigue mejor y en otros peor. Donde está demostrando ser efectiva es en lo que llamamos reconocimiento de patrones, como pueden ser las imágenes o el lenguaje. Con Google Photos, por ejemplo, puedes pedirle al sistema que busque imágenes de tu hijo en la playa montando en bici y te las sacará. Y con Google Translator somos capaces de entender lo que dice un japonés en tiempo real.

Otra área en la que el machine learning funciona bien es en la gestión de procesos automáticos. Hemos usado esta tecnología para gestionar la energía en nuestros centros de datos, algo que consume cantidades ingentes de recursos. Y hemos mejorado mucho la eficiencia energética. Aplicaciones como esta pueden darle mucho a la industria. La diagnosis médica también se está beneficiando del machine learning. La medicina occidental funciona muy bien cuando sabes cuál es la dolencia del paciente, pero tenemos mucho que mejorar en el diagnóstico. La inteligencia artificial puede ayudarnos a ser más rápidos y certeros.

Entrevista con Emmanuel Mogenet (Google), segunda parte

P. ¿Cuáles son los principales retos a los que os estáis enfrentando en cada área?

R. Tú y yo sabemos mucho sobre el mundo. Sabemos que si suelto una botella se caerá y salpicará el suelo. Compartimos un modelo mental del mundo, y eso ayuda a que nos entendamos muy bien cuando hablamos. El lenguaje humano hace referencias permanentes, a veces no verbalizadas, a cosas que pasan en nuestro entorno. Los ordenadores, en cambio, no saben nada de lo que sucede en el mundo real. No tienen sentido común. Ese es uno de los principales obstáculos que tienen para entender el lenguaje natural: no saben que si una botella se cae se romperá y salpicará el suelo. Eso se solucionará añadiendo al sistema cantidades masivas de datos. Una vez hayamos logrado enseñarle a las máquinas sentido común seremos capaces de que entiendan el lenguaje natural.

En el área de percepción computacional falta lograr que se relacionen datos. Una máquina es capaz de ver una foto y reconocer un gato, una mesa, una silla… Pero todavía no es capaz de entender la escena completa. No puede decir que el gato está en la mesa durmiendo, o que si entra en la habitación un niño corriendo lo normal será que el animal salte del susto. Lograr que la máquina establezca estas relaciones será el siguiente nivel.

Otra cuestión pendiente sería llegar a lo que llamamos aprendizaje no supervisado. Ahora mismo, para enseñar a una máquina tenemos que mostrarle ejemplos. Lo que nos gustaría es que lo pudieran hacer por ellas mismas, que no tuvieran que depender de los humanos para aprender.

P. ¿Cómo crees que evolucionará el uso de la inteligencia artificial?

El lenguaje humano hace referencias permanentes al entorno. Los ordenadores, en cambio, no saben nada de lo que sucede en el mundo. No tienen sentido común”

R. Lo que ya hace muy bien, como te decía, es reconocer patrones. Esa sería una tarea propia de la parte del cerebro humano relacionada con los procesos más mecánicos. El razonamiento, que implica la lógica, la capacidad de inferir y sacar conclusiones, es otra cosa. Las máquinas están muy lejos de lograr hacer construcciones mentales abstractas. Ese es el siguiente desafío para la inteligencia artificial: si resolvemos esto, si combinamos la parte de la percepción, el reconocimiento de patrones, con el razonamiento, estaremos más cerca de emular la inteligencia humana. Pero hoy por hoy parece imposible.

P. La inteligencia artificial puede ser sexista o racista. ¿Estáis tomando medidas para corregir estos sesgos?

R. Los sistemas de machine learning aprenden en base a ejemplos. Si quieres que la máquina reconozca gatos le muestras millones de imágenes, diciéndole en cuáles hay un gato y en cuáles no, y con eso es capaz de aprender a distinguirlo. El problema es que, igual que pasa con los niños, la base de datos que uses puede determinar su conocimiento. Si entre los millones de fotos que le has mostrado ningún gato tiene rayas, la máquina no será capaz de reconocer gatos rayados. Nuestro enfoque para solucionar este problema es procurar que la base de datos aportada sea lo suficientemente rica como para que eso no pase. Hay que cerciorarse de que la muestra sea amplia y representativa. Y en los casos en los que se compruebe que la máquina tiene sesgos habrá que complementar la base de datos. Es básicamente un problema de ingeniería.

P. Muchos expertos aseguran que la inteligencia artificial destruirá empleo. ¿Tú qué opinas?

R. Ese tema no me preocupa. Creo que a lo largo de la historia ha habido muchas tecnologías que han cambiado la naturaleza del trabajo. La Revolución Industrial es un buen ejemplo de ello. Algunas categorías de trabajo quedan obsoletas, pero otras no. No creo que vaya a ser un fenómeno tan drástico como algunos dicen, sino algo más gradual. Y se crearán nuevos empleos. Creo que la inteligencia artificial nos empoderará para hacer más cosas, muchas de ellas imposibles hasta ahora.

P. Otros, como Elon Musk, opinan que la inteligencia artificial podría acabar con la humanidad.

R. No estoy de acuerdo con Elon. Creo que es muy, muy paranoico. Resulta extraño además que lo diga cuando él mismo desarrolla e impulsa tecnologías disruptivas que traerán grandes cambios. Su visión del futuro es equivocada. Estamos muy lejos de llegar a desarrollar algo similar a una superinteligencia. No creo que en los próximos 50 años veamos algo remotamente parecido a eso.