¿Se avecina otro invierno de la inteligencia artificial?

Aún hoy en día hay detractores que dicen que la inteligencia artificial (IA) es puro humo y que todo puede terminar en un segundo invierno. El primer invierno de la IA tuvo lugar durante los años noventa, cuando pasada la euforia de la década anterior, se comprobó que las aplicaciones de esos sistemas eran muy inferiores a lo esperado.

Por lo que a mí respecta, comparando el mundo de la IA de hace 25 años con el actual, considero que más bien estamos ante una primavera. La evidencia está en los cuatro pilares necesarios para crear una inteligencia artificial.

La Ley de Moore pred...

Aún hoy en día hay detractores que dicen que la inteligencia artificial (IA) es puro humo y que todo puede terminar en un segundo invierno. El primer invierno de la IA tuvo lugar durante los años noventa, cuando pasada la euforia de la década anterior, se comprobó que las aplicaciones de esos sistemas eran muy inferiores a lo esperado.

Por lo que a mí respecta, comparando el mundo de la IA de hace 25 años con el actual, considero que más bien estamos ante una primavera. La evidencia está en los cuatro pilares necesarios para crear una inteligencia artificial.

• Computación

La Ley de Moore predice que las CPU ven duplicada su capacidad de procesamiento cada 18 meses. Esto implica que las CPU actuales son unas 100.000 veces más potentes que las de hace 25 años. Por ello, las IA actuales son mucho más potentes que las de hace dos décadas. Por aquel entonces, no era realista pretender utilizar IA para aplicaciones en tiempo real, como podría ser la conducción autónoma, y las redes neuronales para aprendizaje profundo no tenían la profundidad de las actuales. Por ello, carecían de la precisión que vemos hoy en día.

Pero eso no es todo. Coincidiendo con el invierno de la IA que se dio a mediados de los noventa, otra tecnología hizo su aparición en el mercado: las unidades de procesamiento gráfico (o GPU, por sus siglas en inglés, graphics processing unit). En origen, las GPU fueron desarrolladas para renderizar imágenes de alta resolución. Sin embargo, actualmente son un componente clave para toda red neuronal y, por lo tanto, para toda IA. Por su diseño, las GPU se adecuan mejor que las CPU a las tareas de procesamiento paralelizado y distribuido. Además, son más asequibles.

A principios de los 90, el almacenamiento costaba más de 1000 dólares por gigabyte, frente a los menos de 3 centavos que vemos hoy.

• Los datos

El aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning) necesitan datos. Muchos datos. Son la base para el aprendizaje de nuevas capacidades para cualquier IA. Cuantos más datos tenga el sistema a su disposición durante la fase de aprendizaje, mejores serán las inferencias resultantes.

Los datos son la base del conocimiento y es habitual tener que emplear terabytes de ellos para enseñar una simple habilidad, como diferenciar un chihuahua de una magdalena. Así ha quedado patente en los estudios realizados para crear las mejores API para sistemas de visión computerizada.

Sin embargo, en la fase de inferencia, los requisitos son otros. En esta etapa, la IA necesita procesar volúmenes de datos que pueden ser grandes o pequeños, pero debe hacerlo en tiempo real, no como en la fase de aprendizaje, en la que los datos son estáticos.

Afortunadamente, la capacidad de almacenamiento del hardware ha aumentado exponencialmente a lo largo de las tres últimas décadas. A principio de los años noventa, los discos duros de mayor densidad tenían una capacidad inferior a 100 MB; minúsculos en comparación con las unidades de 15 TB de hoy en día. Además, el precio del almacenamiento ha bajado enormemente desde el primer invierno de la IA. A principios de los años noventa, el almacenamiento aún costaba más de 1000 dólares por gigabyte, frente a los menos de 3 centavos por gigabyte que vemos hoy. Y esta cifra es el coste del almacenamiento en bruto. Con los niveles de eficiencia de los que disfrutamos hoy en día, la relación precio/rendimiento es aún mejor.

• Los algoritmos

Hoy en día es más fácil que nunca crear un sistema de inteligencia artificial. A lo largo de los últimos años, todos los elementos necesarios para crear una IA han pasado a estar a nuestro alcance.

Actualmente contamos con un extenso ecosistema de plataformas y aplicaciones para todos los segmentos de la IA: aprendizaje automático, reconocimiento de voz, control por gestos, etc.

El nivel de conocimiento en torno a las IA y la aceptación del público han mejorado mucho desde el invierno de los noventa

• El factor humano

En la actualidad muchas universidades ofrecen programas formativos centrados en la inteligencia artificial. Este no era el caso durante los años noventa.

El nivel de conocimiento en torno a las IA y la aceptación del público han mejorado mucho desde el invierno de los noventa. Hoy muchos de nosotros utilizamos asistentes personales como Siri o Alexa. Y a la mayoría poco nos importa si estos sistemas inteligentes están basados o no en IA, mientras nos ayuden a dar con la ruta más rápida a nuestro destino o a encargar ese regalo de cumpleaños en Internet, sin tener siquiera que encender un ordenador.

Muy pronto las IA estarán por todas partes. Resolverán los problemas que hoy planteamos a los centros de asistencia técnica; conducirán nuestro coche hasta la oficina; nos encargarán la cena y harán que nos las traigan a casa... Hasta nos diagnosticarán cuando desarrollemos un tumor. Gracias a la IA, los sistemas que nos rodean son cada día más inteligentes. No se me ocurre ningún ámbito que no se vaya a ver afectado por las tecnologías de IA y el cambio sucederá pronto.

¡La primavera de la IA ha llegado!

Manel Picalló es Consulting Solutions Engineer de NetApp España.