Cinco expertos en inteligencia artificial comparten cuál es su uso y algoritmo favoritos

Para gustos, los colores. Igual que hay muchos editores de código y cada programador tiene uno favorito, en materia de Inteligencia Artificial abundan los códigos, los algoritmos y las librerías con diferentes usos y propósitos. Unos pueden gustar más por sus posibilidades. Otro por los problemas que resuelven. Y los hay que apuestan todo al rojo de cara a futuro.

Hemos preguntado a varios expertos en Inteligencia Artificial sobre cuáles son esos componentes técnicos que más les gusta de esta tecnología y cuál es la aplicación futura en la que tienen más esperanzas. Estas son sus respuestas.

José Manuel de la Chica

CTO de Santander Universidades y Universia Holding

A José Manuel de la Chica le parece difícil de responder cuál es su código o algoritmo de IA favorito. “Lo que verdaderamente me gusta del momento actual es la cantidad de algoritmos disponibles que hacen cada vez más sencillo encontrar una solución adecuada para cada problema que se plantee”, reflexiona.

Sin embargo, puestos a quedarse con alguno, destaca dos. Por un lado, el back-propagation algorithm (backprop) “por su elegancia y su sofisticadamente simple propuesta capaz de marcar diferencia en la evolución del aprendizaje supervisado”. Según su visión, backprop fue el que permitió que las redes neuronales pasarán al siguiente nivel a la hora de generar valor.

Por otro lado, destaca perceptron, dado que en su opinión sigue siendo uno de los algoritmos más útiles en clasificación y “por tanto, uno que considero clave en ese “fondo de armario” de algoritmos que cualquier equipo de ingeniería del dato necesita de cuando en cuando. Creo que precisamente la relevancia del primero en la historia del Machine Learning y la versatilidad del segundo en el día a día de las compañías, son los dos factores que me hacen verlos con diferentes ojos”.

En cuanto al uso de IA (actual o futuro) que más pasiones le levanta, De la Chica matiza que, aunque las GAN (Generative Adversarial Network) le parecen interesantísimas por su propio concepto y para infinitas aplicaciones, “una de las técnicas que más me emociona últimamente es el federated learning o aprendizaje colaborativo, capaz de entrenar un algoritmo a través de varios sistemas descentralizados sin necesidad de que haya intercambio de datos entre ellos”.

Según explica este experto, con esta técnica se garantiza la privacidad de los sistemas involucrados y de los datos que albergan. “Quizá me parece tan atractiva por el propio espíritu de colaboración que subyace debajo de la idea o porque es un “ecosistema” el que entrena al algoritmo. O quizás porque necesita de una solución compleja que implique altos niveles de seguridad, conectividad, criptografía homomórfica y gestión de datos heterogéneos, lo cual es en sí mismo un gran reto de ingeniería del dato. El caso es que creo que abre oportunidades brutales de colaboración entre empresas, sistemas y organizaciones de forma segura, federada y confiable y además nos permitirá acelerar aplicaciones en áreas como IoT, defensa, telecomunicaciones, salud, colaboración de consorcios tecnológicos o creación de redes de investigación avanzada”.

Nerea Luis

Doctora en Ciencias en la Computación asociada en IA e ingeniera

Para esta experta, los Codelabs de Google son muy útiles, especialmente los que tienen relación con la Inteligencia Artificial. “Hay muchas píldoras de algoritmos y tutoriales que te ayudan a iniciarte”, asegura. Además, detalla que se han ido haciendo de forma instructiva, de manera que se puede aprender cómo se programan los algoritmos y aprender sobre ellos. “Sobre todo para desarrollar y empezar, son un buen sistema de entrenamiento y programación”, asegura.

También Fast IA le parece un recurso útil porque tiene bastante cosas de Deep Learning. Además, “argumentan con un blog para explicar la parte práctica”, de forma que resulte más sencillo aprender todo lo relativo a esta tecnología. “Son los que más me han servido a mi, sobre todo para pasar del mundo académico a la empresa”, detalla.

En cuanto a la aplicación práctica, Nerea Luis se decanta por la aplicación de conocimiento para ir combinando fases de IA, especialmente en todo aquello que combina visión y entornos, lo que permite comprenderlos, procesar y extraer conocimiento. Esto incluye varias partes. “Se ha explotado poco y va a dar que hablar con coches autónomos y robots, pero también en Internet de las Cosas (IoT) y puede haber un boom bastante interesante, porque va a definir varios procesos para automatizar y que te permitirá centrarte en innovación”, augura.

Nerea Luis también destaca las redes generativas, ya que en su opinión tienen muchas aplicaciones que “no se contemplaban. Una son los deepfake pero también en retail para vestir modelos y para probarse ropa, así como en materia de seguridad”.

Según Nerea Luis, los sistemas van a ser más robustos gracias a ello y se van a poder completar los dataset que ahora mismo adolecen de ciertos problemas. “A la hora de disponer de dataset muchas veces no tienes muchos datos, como por ejemplo de personas pelirrojas. Con estas tecnologías se pueden suplir los sesgos de los dataset. Mantienes la realidad y logras representatividad”, expone

Eduardo Mosqueira Rey

Profesor Titular en la Facultad de Informática de la Universidad de A Coruña

Eduardo Mosqueira Rey es profesor especializado en Ciencia de la computación e inteligencia artificial. Para él, uno de los algoritmos relacionados con la IA que ha “presentado un resultado más espectacular” es AlphaZero, el programa creado por DeepMind (adquirida por Google) para jugar al ajedrez.

“Que una máquina no haga fallos garrafales por nervios o apuros de tiempo no debería sorprender a nadie, que juegue al nivel de los grandes maestros es un gran logro pero fácil de explicar, solo hay que ver cómo juegan y aprender de ellos... pero AlphaZero no hace eso. AlphaZero usa el aprendizaje por refuerzo (aprender de la propia experiencia) profundo (basado en redes neuronales profundas)”. Según explica, eso le lleva a aprender de su propia experiencia realizando millones de partidas”. El resultado final es una máquina que bate a los campeones del mundo jugando de forma completamente diferente a ellos, "de forma más dinámica, haciendo sacrificios de piezas con inusitada alegría. En definitiva, llevamos unos 500 años jugando al ajedrez moderno, y ha tenido que venir una máquina a enseñarnos cómo jugarlo bien”.

Mirando hacia el futuro, pero no muy lejano, Mosqueira Rey cree que uno de los campos en el que se están consiguiendo resultados increíbles es en el de visión artificial. “Recordemos que en los años sesenta Marvin Minky, uno de los pioneros de la IA le encargó a uno de sus estudiantes como trabajo de verano resolver el problema de la visión artificial. Aunque la historia se ha mitificado bastante nos hace ver cómo la ingenuidad de los primeros momentos de la IA hacía pensar que cualquier meta sería fácilmente alcanzable. Después de ese verano vino un "invierno" lleno de decepciones. Solo hasta la época moderna, con las actuales redes de aprendizaje profundo y el desarrollo de hardware dedicado para el aprendizaje intensivo se ha conseguido llegar a tener coches que funcionan de forma autónoma visualizando su entorno en tiempo real. Hoy en día las expectativas vuelven a estar por las nubes, pero quién sabe si hay otro "invierno" esperándonos delante”.

Andrés Torubia

CEO y cofundador de FIXR

“Está mal que lo diga, pero mi código favorito de IA... lo he escrito yo mismo”, se ríe Andrés Torrubia. Se trata de un código con el que -junto con su compañero bielorruso- quedó en segundo lugar a nivel mundial en una competición de química cuántica en la que participaron más de 2700 equipos.

“Cuando estudié química en BUP siempre me pareció que la química era muy empírica, lo cual me resultaba extraño cuando las moléculas se rigen por leyes físicas (la física es menos empírica). En química coges una molécula poco reactiva, le cambias un átomo por otro y quizás la nueva sea un explosivo. El motivo de que ocurra eso es que a nivel molecular las leyes físicas por las que se rige el comportamiento incluyen fenómenos cuánticos que no se pueden predecir de forma sencilla”, nos cuenta. “Predecir propiedades de moléculas antes de sintetizarlas en un laboratorio es tremendamente interesante; y aunque es posible hacer la simulación en un ordenador estas simulaciones son lentísimas. Se tardan varios días en similar las propiedades para una sola molécula, por lo que los investigadores (químicos) de varias universidades británicas crearon el desafío de aplicar la inteligencia artificial para acelerar el proceso”.

Y eso es algo que pretende descifrar este código desarrollado por él mismo. “Es mi código favorito porque fue un desafío puro donde conseguimos hacer una red neuronal que predijera propiedades químicas en solo 20 mili-segundos (predice las propiedades de 50 moléculas en un segundo), quedando #2 a nivel mundial y donde los otros equipos que quedaron en el TOP 5 tenían expertos en física cuántica entre sus participantes”, insiste.

Pero, de cara a futuro, las aplicaciones que más le atraen de la IA son todas aquellas que tengan como fin usarla “para resolver problemas graves que tenemos como humanidad, sobre todo científicos: progreso en nuevos materiales, en medicina, en energías limpias, etc.”

Ana Jiménez Castellanos

Socia en Ernst & Young, Artificial Intelligence & Data Science

Ana Jiménez Castellanos asegura no tener ningún algoritmo favorito ya que, en su opinión, "todo depende del problema que se quiera resolver. Los problemas de clasificación, predicción, optimización, segmentación… cada uno de estos problemas tiene un “saco” de algoritmos detrás que se pueden utilizar para resolver el problema, y aunque tengas cierta intuición, a priori no sabes cuál va a ser el óptimo". Esta experta cree que los datos que se utilizan como origen del proceso y su formato "condicionan mucho los algoritmos que se empleen para conseguir “traducir” esto a una serie de características útiles para resolver el problema e incluso pueden aportar algoritmos propios al proceso, como es el caso de los algoritmos de procesamiento de lenguaje natural o de análisis de redes".

Pero, eso sí, Jiménez Castellanos asegura que disfruta con aquellos algoritmos o procesos más complejos, "en los que el ser humano tiene aún que aportar “la semántica” al proceso o al resultado. No me gusta resolver el clásico problema donde ya tienes un dataset ordenado, limpio, normalizado y organizado al que sólo le tienes que poner por encima una línea de código. Es aburrido que la máquina lo haga todo, y además, este problema estará pronto resuelto con herramientas de AutoML", defiende. "Yo disfruto más enfangándome en el problema, conociendo el dominio al que me enfrento para ser capaz de traducir el dato en bruto en características significativas para el problema". También confiesa que le gustan los algoritmos de machine learning no supervisados "con sus técnicas de clustering, aquellos en los que un ser humano debe apoyarse en los resultados que le proporciona un algoritmo antes de decidir cuál el resultado óptimo".

Y, como otros expertos, apuesta por la aplicación de estos algoritmos en el campo de la medicina como uno de los más prometedores e ilusionantes. "La IA tiene mucho que aportar en esta área, y sin embargo los avances suelen ser escasos comparados con otros dominios", señala. En su opinión, el problema en este campo (y en general en todos aquellos en los que la IA no da pasos de gigante) "suele ser la madurez digital del área. Los datos se encuentran fragmentados en múltiples entornos, sistemas y estándares,… No hay un vínculo real entre las personas expertas en el dominio y los expertos en datos, y no avanzan de la mano. Sólo aquellos proyectos concretos que ponen énfasis en alcanzar un dato de calidad en origen son aquellos que triunfan y consiguen una aplicación real, aunque reducida". Y, por eso mismo, concluye que es "una lástima que no se ponga más acento en industrializar este tipo de iniciativas"