Hace unas semanas una inteligencia artificial llamada AlphaGo hizo historia al vencer a uno de los mejores jugadores del mundo en un match de Go. Este milenario juego chino es considerado el más difícil de los juegos de mesa, más complejo estratégicamente que el ajedrez. Pero lo más interesante no es la victoria, sino cómo se logró: utilizando tecnologías que permiten a las computadoras aprender por sí mismas.
Históricamente, programar una computadora era similar a escribir una receta de cocina. Había que indicarle paso a paso lo que tenía que hacer, y la máquina se limitaba a ejecutar una instrucción tras otra hasta terminar. Si los pasos estaban bien diseñados, el resultado era una torta tal como la había concebido el cocinero.
Sin embargo, existe un mecanismo mucho más interesante y prometedor: en vez de decirles a las computadoras los pasos para hacer una tarea, diseñar mecanismos que les permitan utilizar grandes volúmenes de información disponible para aprender por sí mismas el modo de alcanzar esa misma meta. Siguiendo con la metáfora culinaria, es como si le diéramos a una máquina todas las recetas que existen y le permitiéramos adquirir un saber que permita no sólo preparar todos los platos conocidos, sino diseñar platos nuevos, combinando ingredientes de maneras jamás imaginadas. Entrenada de esta manera, AlphaGo venció al campeón Lee Se-Dol usando movidas que el propio campeón describió como «innovadoras y hermosas».
Aun cuando está claro que estas máquinas no piensan ni saben que están jugando al Go, detrás de estos mecanismos de enseñanza conocidos como deep learning se esconden redes neuronales artificiales, inspiradas en el funcionamiento del cerebro de los seres vivos. Y muchas de las propiedades que muestran estas computadoras despiertan analogías con capacidades humanas.
Por un lado, AlphaGo juega mucho mejor al Go que quienes la programaron. En el proceso de entrenamiento con datos de las máquinas emerge un saber, una habilidad para jugar y entender el juego que los programadores no poseen de antemano y sorprende incluso a los mayores expertos por su ingenio y creatividad. El discípulo supera rápidamente al maestro y somos nosotros quienes comenzamos a aprender de ellas. Por otro, si entrenamos a dos versiones del mismo software con datos distintos, por ejemplo a una con partidas de jugadores agresivos y arriesgados y a otra con jugadores defensivos y conservadores, cada una aprenderá a jugar de una manera distinta en función a sus experiencias y mostrará una personalidad diferente como resultado.
Finalmente, una máquina que recibió más partidas (más educada) seguramente juegue mejor que una que cuente con menos datos para su entrenamiento. En el futuro, decidir cómo y cuánto educar a nuestra computadora resultará clave para su estilo y capacidades futuras. ¿Suena familiar?
Yendo un paso más alla: Watson, un software desarrollado por IBM, está siendo entrenado para diagnosticar y elegir tratamientos contra el cáncer. Y otros sistemas similares están detrás de la asombrosa capacidad de reconocer las caras en nuestras fotos o entender nuestra voz que muestran algunos programas actuales.
Como estos ejemplos muestran, el futuro impacto en nuestra vida de estas computadoras que aprenden va mucho más allá de los juegos de mesa. Al aplicarse a aprender sobre el mundo real podrán permitirnos trascender muchas de nuestras limitaciones y resolver algunos de los problemas más acuciantes de la humanidad.
