La inteligencia artificial es una disciplina reciente, aunque con gran impacto mediático. Las primeras aproximaciones provienen de mediados del siglo pasado, de la mano de personajes singulares como Marvin Minsky (EE.UU. 1927 – 2016), Claude Shannon (1916 - 2001), John R. Searle (1932-) o John McCarthy (1927 – 2011), que fue quien usó el término inteligencia artificial por primera vez allá por 1956 precisando: “Es la ciencia y la ingeniería de fabricar máquinas inteligentes”.
Descubre el Máster de Data Science de IMMUNE en la sesión informativa online que se celebra hoy, 22 de julio, de la mano de la directora del programa, Mónica Villas. Conecta con la dirección académica y resuelve tus dudas. IMMUNE puede ayudarte a impulsar tu carrera a través de sus empresas partners y contactos con recruiters y profesionales del sector.
Alan Turing (1912 – 1954) ya había desarrollado por aquel entonces su “Máquina de Turing”, que se convertiría en un modelo teórico de gran importancia para el desarrollo de los ordenadores tal y como los conocemos. En 1950, ya hablaba en su artículo 'Maquinaria computacional e inteligencia' de la posibilidad de que las máquinas pudiesen pensar.
Los orígenes de la IA
Con el desarrollo de las ciencias computacionales y los primeros ordenadores (ENIAC data de 1946) el concepto de inteligencia artificial empezó a ser una de las áreas de interés para personajes destacados en disciplinas como las matemáticas, la filosofía o la ingeniería, como Minsky, McArthy, Nathaniel Rochester o Shannon.
En 1956 organizaron la Conferencia de Darmouth con el apoyo de la Fundación Rockefeller en forma de 7.000 dólares. Es considerada la cuna de la IA como disciplina y el germen de todos los proyectos que empezaron a gestarse como resultado de dicha presentación ante organismos y empresarios.
Un área de investigación multidisciplinar
La IA bebía de campos tan diversos como la ingeniería, las matemáticas o la filosofía. De hecho, si la IA fuera un chiste podría empezar así: “Esto era un ingeniero, un matemático, un filósofo y un científico…”. Bromas aparte, sin ese carácter tan ecléctico, la IA no hubiera sido posible. Al menos en aquel momento.
A partir de ahí, la historia de la IA pasa un poco por el “venirse arriba” de sus creadores inspirados por Turing, que publicaba lo siguiente: “[...] en los próximos cincuenta años será posible programar computadoras para que puedan desarrollar el juego de imitación tan bien que un interrogador medio no tendrá más del 70% de probabilidades de realizar la identificación correcta después de 5 minutos de preguntas”.
Es decir, que sería muy complicado para un humano diferenciar a una máquina "pensante" o inteligente de otro ser humano. El test Voigt-Kampff que aparece en 'Blade Runner' tiene un notable paralelismo con esta noción de imitación planteada por Turing.
También se refleja en los programas académicos de los cursos y grados que se ofrecen para formar a los profesionales en el campo de la IA, como el Máster en Data Science de IMMUNE Technology Institute, donde tan solo examinando el plan académico del mismo se aprecia su evidente multidisciplinariedad.
Y se observa otro detalle interesante e importante: la IA cae dentro del campo de la Ciencia de Datos en vez de ser una disciplina con entidad propia. Y hay una buena razón para ello.
IA fuerte e IA débil
Tradicionalmente, la IA se divide en dos grandes ramas: IA débil e IA fuerte. La débil se entiende como una inteligencia que es necesario programar. La fuerte surge como propiedad emergente de una máquina, como la IA de HAL 9000 en '2001: Una Odisea en el Espacio' (1968). No en vano Marvin Minsky tiene mucho que ver como asesor técnico de la película, cuyo guion está escrito por Arthur C. Clarke y el propio Kubrick. Esa IA de HAL es emergente a partir de elementos como la complejidad del ordenador y su arquitectura, aunque a primera vista se trataba de una von Neumann clásica.
La primera década de estudio y desarrollo de la IA atrajo la atención de muchos organismos y empresas que invirtieron grandes sumas financiando trabajos en universidades como el MIT en Boston. Se sentaron las bases de piezas fundamentales de la IA como machine learning o las redes neuronales.
El problema con la IA en los años 50, 60 y 70 fue su dependencia de un hardware cuya potencia de cálculo máxima es hoy fácilmente superada por smartphones. Los resultados no llegaron y se sucedieron los que se dieron en llamar los “inviernos de la IA” en los períodos 1974–1980 y 1987–1993.
En la primera década del siglo XXI, se retomaron desarrollos como los relacionados con el reconocimiento de voz, usando técnicas con origen en los comienzos de la IA, pero implementadas en ordenadores mucho más potentes. Se evitaba usar el término IA para no ahuyentar a los inversores.
La nueva era de la IA
Progresivamente, los métodos de implementación de IA inventados en el siglo XX fueron llevándose a los ordenadores y tecnologías del siglo XXI y los avances en campos como el reconocimiento de voz o la traducción automática rehabilitaron conceptos como machine learning o deep learning, así como el propio concepto de IA.
Eso sí, una IA más cerca de la IA débil, por mucho que la imaginación pueda tentarnos a pensar en un futuro de máquinas pensantes como Skynet en 'Terminator',o Ava de 'Ex-Machina', Samantha en 'Her', Data en 'Star Trek', TARS en 'Interstellar' o Dolores y Rehoboam en 'West World'.
En la actualidad, está siendo adoptada de forma generalizada y masiva por todo tipo de negocios, empresas e incluso Gobiernos. Según un reciente informe de Deloitte, “Thriving in the era o pervasive AI”, la IA se emplea tanto en la automatización de procesos como en la lucha contra ciberamenazas, en medicina, en la selección de personal en departamentos de recursos humanos o en la segmentación de audiencias y usuarios. Según IDC, el gasto en tecnologías de IA crecerá un 250% desde 2019 hasta 2023, cuando alcanzará un volumen de 97.900 millones de dólares.
La IA está presente tanto en servicios como Netflix o la tienda de Amazon, pasando por las aplicaciones de mapas que nos ayudan a encontrar la ruta óptima para llegar a nuestro destino, los asistentes de voz o las cámaras de fotos de los smartphones que son capaces de identificar escenas, colores u objetos. La traducción simultánea o el reconocimiento biométrico se basan en algoritmos de IA. Hay hasta procesadores diseñados específicamente para acelerar el procesamiento de apps que usan machine learning o deep learning para funcionar.
Ese carácter multidisciplinar de la IA se mantiene hoy en día a la hora de abordarla en entornos reales de trabajo y escenarios de producción. De hecho, juega un papel fundamental de cara a habilitar un modelo de negocio o a desarrollar estrategias para mejorar aspectos como la competitividad, eficiencia o agilidad.
Esto significa que una formación académica en el campo de la IA es una buena inversión de cara a desarrollar una carrera profesional con un recorrido dilatado tanto en el tiempo como en la diversidad de salidas profesionales donde podamos desarrollar esta carrera. Eso sí: al ser un campo tan novedoso, es necesario elegir bien dónde obtendremos la formación necesaria para integrarnos en un equipo de trabajo dentro de este campo.
Debido al carácter transversal de la IA, que está destinada a influir de forma decisiva en todos los ámbitos humanos y sectores laborales, la capacitación en este área de la tecnología requiere una formación multidisciplinar. Ha de abarcar tanto competencias técnicas (programación en Python, data analytics, deep learning, matemáticas…) como soft skills.
Para ello, el Máster en Data Science de IMMUNE Technology Institute propone un programa formativo en el que el aprendizaje en tecnología se combina con otras habilidades (design thinking, the brain), lo que permite a sus estudiantes adquirir una visión holística única. Adicionalmente, el programa hace especial énfasis en afianzar los conocimientos de las distintas industrias con una formación eminentemente práctica.
Esto se evidencia tanto en las Industry Talks (charlas impartidas por profesionales de diferentes sectores, en las que los estudiantes descubrirán cómo las compañías están incorporando Data Science en sus procesos), como en el Capstone (proyecto de fin de máster), en el que los alumnos pondrán a prueba los conocimientos adquiridos en sets de datos de empresas 100% reales.
Los pilares de la Inteligencia Artificial
En esta era concreta en la que estamos inmersos, la IA se sustenta en la programación de la misma a través de métodos de aprendizaje máquina o Machine Learning.
Machine Learning es un caso particular de IA en los que se trabaja con algoritmos que pueden modificarse a partir del modelado matemático y estadístico de elementos introducidos en su programación que se modifican a partir de los patrones que se encuentran en los datos estructurados con los que se alimentan estos sistemas.
Deep Learning es un caso particular de Machine Learning en el que encontramos múltiples capas de algoritmos creando una red jerárquica de nodos a la que se ha dado en llamar red neuronal.
Básicamente, Machine Learning se sustenta en algoritmos como los de Regresión Lineal, Árboles de Decisión, Regresión Logística, Bosques Aleatorios, etcétera. Y se sustenta en el uso de lenguajes de programación como Python, además de en el conocimiento de disciplinas como la estadística.
Es importante recordar también que la IA se engloba en un área de conocimiento más amplia que es el KDD o Knowledge Discovery in Databases, que estudia la identificación de patrones en bases de datos y es un concepto que engloba a otros como la Minería de datos.
La aproximación a la Inteligencia Artificial desde la Ciencia de Datos permite abordar una formación muy completa y contextualizada. Es la que ha adoptado IMMUNE para su Máster en Data Science, impartido durante 420 horas en las que se hace un recorrido desde Python como herramienta de programación hasta deep learning pasando por la manipulación y análisis de datos, las matemáticas, la introducción a los algoritmos de ML o los procesos de toma de decisiones “humanos”.
El Máster en Data Science de IMMUNE acomete la formación de profesionales desde la perspectiva de una IA integrada en la Ciencia de Datos, ofreciendo una visión amplia de un campo donde los datos son el cimiento de cualquier otra disciplina, aunque ahora sean IA, machine learning y deep learning lo que copa toda la atención.
El trabajo de síntesis de contenidos que ha hecho IMMUNE en su Máster en Data Science se aleja de los “hypes” de la IA para ofrecer un conocimiento holístico basado en el ‘Learning by doing’ y el aprendizaje continuo.
