El plan de Google para liderar en la inteligencia artificial y la robótica

El plan de Google para liderar en la inteligencia artificial y la robótica

20 comentarios Facebook Twitter Flipboard E-mail
El plan de Google para liderar en la inteligencia artificial y la robótica

La inteligencia artificial es uno de los campos con más recorrido en los próximos años, y hay diversas empresas en el ámbito de la tecnología que están tratando de asegurarse una posición de referencia en este segmento. Google es probablemente la más destacada en los últimos tiempos, y sus últimos avances y anuncios dejan claro que la IA está íntimamente ligada al gigante de las búsquedas en internet.

Hace dos años Google compraba DeepMind, una empresa que ya había maravillado a propios y extraños por sus logros en el campo del aprendizaje profundo, y ahora han hecho un movimiento maestro -pero ya conocido- para animar a que todos nos interesemos por este campo: han lanzado TensorFlow para convertirlo en la plataforma de referencia en este segmento. Este proyecto quiere ser para la IA lo que Android ha sido en el campo de los dispositivos móviles.

Una estrategia clara

Como sucediera con Android, Google ha aprovechado la filosofía Open Source y ha liberado diversas partes de TensorFlow con licencias de código abierto para que cualquier interesado pueda aprovechar libremente estas librerías que en esencia permiten experimentar con proyectos de aprendizaje profundo.

Ia1

TensorFlow no es un producto nuevo: la empresa ya lo utilizaba en todo tipo de servicios desde 2011, aunque aquella primera generación del equipo de Google Brain se denominara DistBelief. El reconocimiento de objetos, lugares o caras del nuevo Google Photos, la característica Smart Reply que simplifica y automatiza la redacción de respuestas automáticas en el correo o la capacidad de traducir textos de forma natural son algunos de los ejemplos de su uso.

En este tipo de desarrollos la inteligencia artificial va más allá de ese cálculo bruto de los ordenadores tradicionales. Como explicaba Jeff Dean, uno de los líderes de este área en Google, necesitas mucho más que poder calcular: necesitas dotar a esa máquina casi de intuición. De la capacidad de aprender. Para Demis Hassabis, otro de los grandes protagonistas de este escenario, esto puede tener mucho sentido en robótica para robots que comprendan su entorno y respondan a cambios inesperados en ese escenario, pero también en ramas como la investigación científica donde podrían ayudar a descubrir nuevos avances más rápidamente.

Pero TensorFlow no solo es una plataforma que ayuda a los estudiosos del tema a conseguir resultados y a avanzar en este tipo de proyectos: es una herramienta para formar cantera. No hay demasiados expertos en este ámbito, y Google y otras empresas (Facebook y Microsoft también están trabajando muy duro al respecto) están tratando de captar todo el talento disponible. Para Google esta solución es precisamente una forma perfecta de que aquellos que dirijan sus pasos a esta disciplina puedan acabar formando parte de su equipo. No en vano han puesto en marcha no solo el lanzamiento de TensorFlow, sino un curso en Udacity con el cual dar los primeros pasos serios en el aprendizaje de la plataforma.

El propio Dean explicaba que este sistema quiere convertirse en moneda de cambio común para quien trabaja en esta disciplina: "en cierto sentido, permite que todos hablemos el mismo idioma. Nos beneficiamos al tener gente que contratar que ha estado usando TensorFlow. No lo damos de forma totalmente altruista", admitía este experto en IA.

El jugador perfecto de Breakout es una máquina

En abril de 2014 un experto en inteligencia artificial llamado Demis Hassabis presentaba un desarrollo singular en la conferencia First Day of Tomorrow. Aquel sistema estaba jugando a Breakout, un viejo juego para la vieja consola de Atari que luego sería reeditado en los 80 con otros célebres títulos como Arkanoid. En ese juego la máquina comenzaba sin entender muy bien qué hacer, pero poco a poco aprendía las reglas y los mecanismos de juego.

A la media hora comenzaba a quedar claro que sus intenciones eran buenas: se movía tratando de alcanzar la bola que iba rebotando en los bloques de la parte superior. Tras una hora de práctica solo fallaba a la hora de alcanzar la bola una de cada 3 o 4 veces. Lo curioso llegaba después: tras cuatro horas jugando, el sistema no solo no fallaba a la hora de conseguir que la bola no se perdiese, sino que lograba descubrir formas sorprendentes de llevar el juego a otro nivel. Ved el vídeo y lo entenderéis.

Ese juego fue tan solo el principio para Hassabis y su equipo, que hace un año publicaban en Nature cómo esa pericia en videojuegos antiguos se había extendido a otros como Fishing Derby, Freeway, Robot Tank o el legendario Kung-fu Master. Para entonces la empresa de Hassabis, DeepMind, hacía tiempo que formaba parte de Google.

DeepMind basa su funcionamiento en dos disciplinas: las redes neuronales profundas y un algoritmo de aprendizaje por refuerzo. En esos juegos el primero de esos componentes permite que DeepMind acabe encontrando patrones y desarrolle la capacidad de reconocer formas complejas a partir de la información visual que recibe.

El segundo va más allá, y hace que el sistema aprenda como lo haría un niño al que no se le explican las reglas del juego. El sistema prueba cosas hasta que recibe una recompensa positiva, y en DeepMind un algoritmo analiza su rendimiento previo, lo compara con el actual y actúa en consecuencia para recibir más y más recompensas y aprender más y más. Al combinar ambos principios se logra lo que se quería: el sistema interpreta lo que ocurre en pantalla, aprende de los errores y reacciona para lograr la máxima puntuación posible. Para ganar.

El sistema de Hassabis ha logrado algo sorprendente con esos juegos y con esa notable capacidad que acaba de mostrar al jugar a Go, pero tiene limitaciones. En juegos antiguos que requerían más planificación -Ms. Pac-Man, Montezuma's Revenge- las cosas no salían tan bien para el motor de DeepMind, algo a lo que podría ayudar el hecho de que este sistema tomara ciertos... riesgos. Esperan poder convertir al sistema en un jugador perfecto de juegos de los 90 -mucho más exigentes en todos los ámbitos- y luego ir más allá y destrozar los récords en juegos como StarCraft, pero para eso queda mucho.

Por ejemplo, explicaba Hassabis, cuando los niños aprenden a jugar al Pong intuían casi inmediatamente que el funcionamiento era similar al de Breakout: había una "transferencia de aprendizaje", algo que su sistema no puede hacer: en ambos juegos la máquina debe aprender desde cero. Los sistemas de este tipo también tienen problemas con situaciones abstractas en las que los humanos nos manejamos a diario de forma natural, y conferir esa capacidad parece un reto mucho más difícil de lograr que el de ganar una partida de Go a un maestro en este juego. Y aún así, está claro que este es un buen principio. Incluso un inquietante principio.

Tensorflow ante un futuro prometedor

Como decíamos Tensorflow se ha aprovechado para diversos proyectos, pero en los últimos tiempos sus pilares han demostrado su versatilidad: no solo permite generar esas curiosas imágenes , sino que la IA es clave para ese gran proyecto que quiere hacernos olvidar que algún día éramos nosotros los que conducíamos nuestros coches.

El alcance de esta plataforma es inimaginable, sobre todo porque ya se ha demostrado que empieza a ser aplicable prácticamente a cualquier cosa con una única condición: que haya datos suficientes para entrenar a TensorFlow. La demostración la tenemos en esos guiones artificiales que un usuario generó para la comedia televisiva 'Friends' a partir de los guiones que habían utilizado durante sus 10 temporadas de emisión. Aunque en su mayoría el resultado era un galimatías, se vislumbraban posibilidades prodigiosas en este ámbito.

El aprendizaje profundo es un disciplina de la inteligencia artificial que permite que los ordenadores aprendan conceptos más abstractos con los que los humanos suelen trabajar mejor de lo que lo hacen las máquinas. Por ejemplo, podemos reconocer una imagen de la Tour Eiffel sin apenas pensar en ello, pero los ordenadores pasan muchos apuros en este sentido: al preguntarle a un ordenador si lo que está captando es la Tour Eiffel le obligaría a recorrer una biblioteca entera de imágenes y ejemplos para tratar de buscar coincidencias.

La plataforma de IA de Google se basa en el manejo de redes neuronales, diseñadas para aprender a reforzar las conexiones entre ciertos nodos. Tensorflow está basado en Theano, un sistema creado en la Universidad de Montreal. En el caso de Tensorflow las mejoras son notables y entre otras cosas permiten que esta plataforma pueda ser utilizada en cualquier tipo de dispositivo -incluido un smartphone- aunque es recomendable que se cuente con una GPU solvente para esos cálculos masivos.

La apliación de esa inteligencia artificial es notable ya en sus motores de búsqueda. RankBrain es un sistema de aprendizaje que interpreta el lenguaje y los términos de búsquedas - mejor a la hora de entender el lenguaje coloquial, extraer el significado - y que ya interviene en el 15% de las búsquedas que obtenemos en el buscador de Googlea. El sistema ha evolucionado de forma notable, y en unas pruebas recientes Google enfrentó a su singenieros en el ámbito de las búsquedas con RankBrain.

La prueba era sencilla: navegar por diversas páginas web y adivinar cuáles de ellas acabarían estando entre los primeros resultados de búsqueda del buscador de Google. Los ingenieros adivinaron cuáles eran el 70% de las veces. RankBrain lo consiguió el 80% de las veces. El sistema lleva funcionando desde principios de 2015 tras una implantación delicada, y se sigue monitorizando su comportamiento continuamente.

A por los vectores de pensamiento

A este esfuerzo del equipo de DeepMind se le suman otras como las que está dirigiendo el profesor Geoff Hinton, una eminencia en el campo de la inteligencia artificial que quiere ir un paso más allá y hacer que vivamos en realidad lo que la ficción nos pintaba en la película 'Her': que hablemos con una máquina, y no precisamente para preguntarle qué tiempo hará mañana. Lo haremos para pasar un buen rato.

Geoff
Geoff Hinton

Este investigador mantuvo una entrevista con The Guardian el año pasado en la que hablaba de los "vectores del pensamiento", un nuevo concepto que están desarrollando y con el que cree que podría representar pensamientos complejos y abstractos. Eso según Hinton y su equipo ayudaría a dotar a la s máquinas de una capacidad de lógica y de conversación natural que hasta ahora solo habíamos visto representadas en el mundo del cine.

Hinton trabajaba en un sistema eminentemente dedicado a estudiar nuestra forma de hablar y expresarnos para que este sistema de inteligencia artificial pudiera "deconstruir" esas frases con precisión matemática no para sacar conclusiones lógicas a partir de los datos de entrada, sino más bien para dotar a esos sistemas de cierta intuición. De ir más allá de la respuesta automática. Incluso apuntaba a que cosas como un programa orientado a "flirtear" con otra persona -como lo que hace la voz protagonista de la citada película 'Her'- no sería demasiado difícil de implementar.

Y mientras, los robots también avanzan

Aunque Google es una empresa eminentemente reconocida por su trabajo en desarrollos hardware, estos avances también van ligados íntimamente al desarrollo hardware que permitirá que algunos dispositivos puedan aprovechar todos estos avances: los robots.

Boston

La empresa lleva años trabajando en este área y su apuesta quedó clara cuando hace dos años compraron Boston Dynamics, la empresa reconocida por sus grandes robots cuadrúpedos que imitan el movimiento de algunos animales y que están especialmente capacitados para moverse en diversos tipos de terreno tanto en interiores como en exteriores.

Esa apuesta ha tenido como resultado Replicant, una iniciativa formada por distintas empresas que Google ha ido adquiriendo en estos últimos tiempos -Shaft y Redwood Robotics son otros dos buenos ejemplos- y que se ha convertido en parte integral de la estrategia que Google tiene en este ámbito. Andy Rubin lideró este proyecto antes de desmarcarse de Google para crear su propia empresa de inversión, pero se despidió con una predicción:

[Antes de 2020] este equipo cogerá más de 20 años de investigación en robótica y lanzará una suite de productos 1.0 que serán el pilar de los futuros productos para usuario final que interactúen con el mundo físico.

La marcha de Rubin parece haber sido un duro golpe para esta ambiciosa iniciativa, y de hecho esa visión uniforme que este directivo parecía haber dado al proyecto parece haberse perdido sensiblemente. Sin embargo en Google no quieren dejar de avanzar, y recientemente se ha anunciado que tanto Project Titan -la unidad de drones satélites- y la unidad de robótica formarán parte de esos misteriosos laboratorios Google X de los que probablemente veamos salir proyectos que combinen esos desarrollos con lo que podría ofrecer TensorFlow.

En Xataka | El gran debate sobre si será posible o no una inteligencia artificial

Comentarios cerrados
Inicio