IMAGE: Robodread - 123RFEl título del liderazgo económico mundial no es precisamente honorífico. A los Estados Unidos, esa posición le ha brindado durante décadas una ventaja fundamental, y se ha convertido en uno de los factores más importantes a la hora de dar forma al mundo tal y como lo conocemos. Pero a estas alturas, todo aquel que estudie o planifique de cara al futuro debería tener cada vez más claro que esa posición está a punto de cambiar: el próximo liderazgo mundial no va a ser ejercido por los Estados Unidos, sino por otro país que lleva tiempo preparándose para ello: China.

El plan de China para convertirse en líder mundial absoluto tiene mucho sentido, y empieza por entender el factor más importante en esa transición: los datos. Olvida todo planteamiento de la privacidad como un derecho: en un país en el que el estado es el principal proveedor de datos, lo sabe absolutamente todo y lo comparte con sus compañías, cuestiones como autentificarte con tus datos biométricos, disponer de un sistema de rating crediticio universal o desarrollar el famoso Departamento de Precrimen se convierten en posibilidades reales, que no chocan con todos los obstáculos habituales que encontramos lógicos y normales en el garantista mundo occidental.

El país ha conseguido dar forma a un mercado doméstico enorme, con actores completamente diferentes a los del resto del mundo: las principales compañías tecnológicas ya no son únicamente norteamericanas, y se ven ya preparadas para tomar por asalto los mercados mundiales, mientras las empresas líderes de la etapa anterior se ven acosadas por intentos legislativos de reducir un poder considerado excesivo. En China, no es que Apple no sea un competidor importante en su segmento principal, el smartphone: es que está a punto de dejar de estar incluida entre las cinco primeras, con compañías chinas por encima como Huawei, Oppo, Vivo o Xiaomi que, además, ya conquistan los mercados internacionales. Y en tecnologías como 5G ocurre exactamente lo mismo.

El liderazgo chino comienza por un férreo control de una educación orientada al futuro, sigue con fuertes inversiones en desarrollo y en investigación, y continúa con ídolos locales con conocimiento del mercado como Andrew Ng o Kai-Fu Lee. El país ya se plantea superar a los Estados Unidos como líder en el desarrollo de inteligencia artificial en un futuro cercano, cuenta con los mejores laboratorios en automatización de la producción, está entrando con éxito en las aplicaciones más punteras del machine learning como los vehículos autónomos. Cualquier compañía que quiera trabajar en un entorno en el que la regulación se adapte al desarrollo de tecnologías con impacto en el futuro en lugar de plantearse mil impedimentos y resistencias, se encontrará en su salsa en China. Una actitud diferente hacia el futuro, que está empezando a dar sus frutos, con fortísimas posiciones en mercados emergentes como África o América Latina, y en la que todo se pone al servicio de los planes del estado para esa dominación mundial.

¿Positivo? ¿Negativo? Da igual. China ha planteado su modelo, con elementos que resultan implanteables en el mundo occidental, y ha convertido elementos como la ausencia de una democracia o la importancia de los derechos humanos en una ventaja inalcanzable. Te gustará o no, pero China va a ser el próximo líder económico mundial, con todo lo que ello conlleva. Ve preparándote.

 

Bonnier, G. et G. de Layens, "Flore complète portative de la France, de la Suisse et de la Belgique"En la foto, el Bonnier. Para la mayoría, simplemente un libro viejo. Pero para miles de estudiantes de Biológicas de media Europa, la tortura que simbolizaba el examen de Botánica (en el plan que yo estudié, la asignatura era Fanerogamia, separada de la Criptogamia, que se estudiaba en el año anterior) en el que tenías que identificar, utilizando las claves dicotómicas del Bonnier, un número determinado de especies vegetales, entre las que siempre había algunas gramíneas, con taxonomías particularmente enrevesadas y basadas en atributos mínimamente discernibles, para los que, en ocasiones, era preciso utilizar la lupa binocular. Una tarea ardua, pesada y que para llevar a cabo con ciertas garantías, era preciso acumular una cierta experiencia. Por lo que he podido encontrar, la determinación botánica sigue haciéndose del mismo modo, se sigue utilizando el Bonnier, aunque la edición es más moderna, e incluso sigue formando parte de los temarios de algunas oposiciones a profesorado.

En mi época, a mediados de los ’80, el Bonnier que utilizábamos era exactamente ese de la ilustración (sí, ya sé que parezco el abuelo Cebolleta, pero os prometo que en su momento ya tenía aspecto de libro viejísimo, aunque la edición era de 1972), estaba encuadernado en rústica y con un papel de malísima calidad, no estaba traducido al castellano, y a mí, que en aquel momento ya llevaba algunos años interesado por la tecnología y las bases de datos, me obsesionaba la idea de informatizarlo. Incluso llegué a preparar una estructura de una base de datos y una interfaz sencilla para ello con las herramientas que utilizaba entonces, dBASE y Clipper, todo sobre MS-DOS. De haber seguido con el tema, cosa que no hice al ver el ingente trabajo que habría supuesto digitalizar todas aquellas fichas y atributos de varios miles de especies de plantas vasculares, habría conseguido simplemente una cierta comodidad: en lugar de movernos por las páginas del libro, habríamos podido seleccionar las opciones en una pantalla… visto así, no parecía realmente un gran avance.

Ahora, más de treinta años después, me encuentro a través de Boing Boing un artículo de Nature, Artificial intelligence identifies plant species for science, en el que dan cuenta del desarrollo de un algoritmo de machine learning que va bastante más allá: tras entrenarlo con unas 260,000 imágenes digitalizadas de más de mil especies de plantas en herbarios de todo el mundo – se calcula que hay unos tres mil herbarios de cierta entidad en el mundo, con un total aproximado de unas 350 millones de muestras, de las que tan solo una pequeña parte están digitalizadas – el algoritmo es capaz de determinar la planta que se le está mostrando con unas tasas de acierto aproximadas del 80% (en un 90% de ocasiones, la especie estaba entre las cinco primeras elecciones del algoritmo). Esas tasas de acierto superan las habituales en botánicos expertos en taxonomía (en mi época, para aprobar necesitábamos identificar correctamente tres plantas de un total de cinco, y éramos simples estudiantes de tercer año). 

Cuando ves a un algoritmo capaz de llevar a cabo una tarea cuya dificultad eres capaz de valorar adecuadamente en función de tu experiencia, es cuando de verdad te das cuenta de lo que puede llegar a suponer el machine learning. En su momento, mi intento rudimentario de digitalización simplemente solucionaba un factor de comodidad, reducía una parte de la fricción implicada en la determinación. Ahora, basta con mostrar al algoritmo la imagen digitalizada de la planta, y directamente contesta con su género y especie, con un 80% de acierto.

¿Qué implicaciones tendrá algo así para el desarrollo de la Botánica? En pocos años, teniendo en cuenta el rendimiento del algoritmo y las necesarias correcciones progresivas, ya no existirán investigadores capaces de determinar la especie de una planta sin la ayuda del correspondiente algoritmo: los pocos que puedan hacerlo serán jubilados que aún guarden el Bonnier en su estantería, y recuerden cómo utilizar con un mínimo de soltura sus claves dicotómicas. Y sin embargo, esto no significará una pérdida del valor del profesional como tal, porque solo con los conocimientos de esos profesionales se habría podido llegar a adiestrar a ese algoritmo, y porque el papel de esos profesionales estará ya situado mucho más allá, en un escenario en el que ya no será necesario invertir tiempo ni esfuerzo en la determinación de una planta, porque eso se hará ya de manera automatizada. Será preciso modificar la forma de enseñar la disciplina, incluir otro tipo de ejercicios, otros materiales y otras disciplinas, ampliando así las fronteras del conocimiento. ¿Será la idea de perder la habilidad de determinar plantas a mano una gran pérdida como tal para la disciplina? La respuesta es simplemente… no. Del mismo modo que hoy prácticamente nadie sería capaz de escribir en cuneiforme sobre una tabla de arcilla.

¿Algo que ver con la idea de robots “inteligentes”? No, un algoritmo que clasifica especies vegetales lleva a cabo una tarea que hasta entonces, solo un humano podía hacer, pero está muy lejos de la inteligencia: simplemente es capaz de llevar a cabo una tarea muy definida en función de una serie de atributos de una muestra. Sácalo de ese entorno, y necesitará muchísimos ajustes para poder aplicarlo a otra tarea. La inteligencia es otra cosa. ¿Algo que ver con la idea de robots que  sustituyen a expertos en Botánica? En absoluto, y de hecho, la idea parece, vista así, de un simplismo que asusta. Hablamos de otras cosas: de aplicar la inteligencia humana a tareas de más entidad, de liberar recursos que no estaban siendo optimizados… de más progreso y más avance en la disciplina. ¿Podríamos imaginar de alguna manera a profesionales de la disciplina negándose a colaborar con el entrenamiento del algoritmo por miedo a ser eventualmente sustituidos? La sola idea resulta absurda, prácticamente ofensiva.

¿Cuántas de las cosas que hoy consideramos exclusivamente humanas acabarán haciendo algoritmos? ¿Cuántas cosas más podremos hacer cuando sea así?

 

Terminator Mi columna en El Español de esta semana se titula “Alimentando la paranoia” (pdf), y habla de los tratamientos informativos irresponsables y de ese supuesto robot que provocó que los ingenieros de Facebook, presas del pánico, lo desconectasen a toda velocidad porque, perverso él, había desarrollado todo un lenguaje propio que los humanos no podían entender y estaba, sin ninguna duda, preparando la llegada de Terminator para aniquilarnos a todos…

Lo único que merece la pena de esta historia es el evidente mensaje de que cada vez que escuchéis noticias sobre inteligencia artificial con tono tremendista, distópico o fatalista, debéis inmediatamente poner en marcha todas las alarmas correspondientes. Tras las primeras noticias al respecto, que lo tienen todo para ser clasificadas como antologías del disparate, en medios como Tech Times o BGR, resulta impagable leer la reacción de Dhruv Batra, de Facebook AI Research, en su Facebook cuando llegó de una conferencia y se encontró semejante pastel. Menos mal que tenemos Snopes

El caso es un ejemplo clarísimo de paranoia, clickbait e irresponsabilidad informativa. No, los bots de Facebook no estaban fuera de control, ni se habían vuelto demasiado inteligentes, ni nadie acudió corriendo para darle a ningún botón rojo ni tirar de ningún cable antes de que llegase el apocalisis de la humanidad. Nada de eso es cierto. Por triste que resulte a efectos informativos, nadie entró en pánico, ni se escuchó ningún grito desde el interior de la máquina cuando fue desenchufada… porque ni siquiera hubo nada que desenchufar. Traduciendo al propio Dhruv,

“En pocas palabras, los agentes, en entornos diseñados para resolver una tarea, suelen encontrar formas no intuitivas de maximizar la recompensa. Analizar la función de recompensa y cambiar los parámetros de un experimento NO es lo mismo que ‘desconectar’ o ‘cerrar AI’. Si ese fuera el caso, cada investigador de IA ha estado ‘cerrando AI’ cada vez que terminan un trabajo en una máquina.”

Se analizó el experimento, y se cambiaron sus parámetros, porque el que la negociación utilizase otros medios de comunicación diferentes al lenguaje humano no aportaba nada. Tampoco es cierto que las máquinas inventasen un lenguaje incomprensible para los humanos: simplemente, utilizaban repeticiones para indicar el número de unidades en una negociación. Big deal.

El tremendismo y el sensacionalismo son siempre una tentación para los medios. Cuando sazonamos esas tentaciones con desconocimiento, se convierten en una combinación peligrosísima. Procura estar atento, o terminarás mirando con ojos temerosos a tu Thermomix y pensando que planea asesinarte…

 

IMAGE: Yauhen Korabau - 123RFMi columna en El Español de esta semana se titula “Inteligencia artificial y miedos irracionales” (pdf), y es un comentario al hilo de las declaraciones de Elon Musk, sin duda una de las personas más influyentes, respetadas y seguidas del actual entorno tecnológico, en las que reclama “regulación para la amenaza existencial que supone la inteligencia artificial, antes de que sea demasiado tarde“.

Que una petición de este tipo venga nada menos que de la persona que convierte en realidad retos tecnológicos tan complejos como el vehículo eléctrico, la generación de energía sostenible o la exploración espacial es algo que resulta, en principio, inquietante. Sin duda, Elon Musk no es un indocumentado que opine desde la barra de un bar. Que su preocupación se una, además, a las de personas como el físico teórico Stephen Hawking o el fundador de Microsoft, Bill Gates, podría desencadenar toda una epidemia de miedos y prevenciones. Sin embargo, el hecho de que ninguno de ellos tenga experiencia concreta y directa en la investigación o el desarrollo de este tipo de tecnología es algo que debe más bien llevarnos a considerarlo más bien como un caso de libro del llamado argumento o falacia de autoridad: el hecho de que sean personas indudablemente destacadas en otros ámbitos de la ciencia o la industria no convierte necesariamente sus preocupaciones en elementos que no puedan ser discutidos o puestos en duda.

En múltiples ocasiones he hablado de las enormes posibilidades del machine learning, la parte que considero en este momento más real y prometedora de eso que se ha dado en llamar inteligencia artificial y que no deja de ser un conjunto laxo de tecnologías que algunos piensan que terminarán llevando a que una máquina piense como una persona. Por el momento, las máquinas son capaces de muchas cosas: el hecho de que sean capaces de aprender a partir de un conjunto de datos dentro de un escenario sujeto a una serie de restricciones y reglas claras e inmutables, por ejemplo, es algo que lleva a cientos de compañías de todo el mundo a pagar por herramientas que permiten tal posibilidad, y que hacen que puedan optimizar procesos y convertirlos en ahorros o en ganancias de eficiencia. Las máquinas son capaces de reconocer imágenes, de participar en conversaciones, y por supuesto, como es bien sabido por su uso como argumento publicitario, son capaces de ganar a los humanos en cosas como el ajedrez, el Jeopardy, el Go o el póker. Sin embargo, en todos esos casos seguimos hablando de lo mismo: de la dedicación de la máquina a una tarea que se intenta limitar de todas las maneras posibles a un escenario completamente cognoscible, a un conjunto de reglas fijas y un contexto estable en el que, además, sea posible acumular y analizar una gran cantidad de datos. Extrapolar estos casos para imaginar una inteligencia “completa”, un robot capaz de tratar de manera inteligente una situación general, no limitada ni restringida por una serie de reglas fijas, es algo tentador, pero no real. Pasar de ver algoritmos capaces de construir procesos de aprendizaje en tareas específicas a imaginarse a Skynet, esa red de ordenadores de Terminator convencida de que debe acabar con la raza humana es algo indudablemente fácil, pero para considerarlo una realidad es preciso pasar por un sinnúmero de saltos conceptuales que están aún muy, pero que muy lejos, si es que en algún momento llegan a tener algún viso de realidad.

Reclamar regulación sobre una tecnología o conjunto de tecnologías antes de que se desarrollen es un problema. La regulación parte de una base muy problemática, y es que muy pocas veces se desarrolla de la manera adecuada, y tiende a basarse en la restricción de posibilidades. Eso la convierte, por un lado, en algo por lo general imposible de llevar a ejecución en un mundo en el que esa regulación tiene en prácticamente todos los casos un ámbito estrictamente territorial – los intentos de regulación a nivel global son pocos y, por lo general, con desigual nivel de cumplimiento – y, por otro, en una manera de identificar los elementos que permitirían, en caso de obtenerse, generar una supuesta ventaja. Regular – o mejor dicho, restringir – el uso de transgénicos en Europa, por ejemplo, o de tecnologías de manipulación genética en otros países es algo que ya está siendo activamente utilizado en otros países para obtener ventajas tangibles en términos de productividad y de avance científico. Plantear que sistemas regulatorios que resultan tan malos e ineficientes se apliquen a un conjunto de tecnologías con tanto potencial, y generar una especie de histeria colectiva en torno a la posibilidad de robots más inteligentes que las personas desplazándose por las calles y dedicándose a matar todo lo que se mueve, como si algo así fuese a llegar pasado mañana, me parece inadecuado y peligroso. Y cuantas más personas conozco trabajando directamente en el ámbito del machine learning, de la IA o de la robótica, más me convenzo de que es así. Por muchas películas que veamos, Skynet no está ni se le espera.

Esperemos que esas peticiones de regulación no lleguen a ningún político temeroso e inspirado. Y mientras tanto, sigamos trabajando.

 

IMAGE: Natalia Merzlyakova - 123RFUn artículo de CNN titulado What happens when automation comes for highly paid doctors comenta el reciente crecimiento de la tendencia hacia el desarrollo y utilización de sistemas de diagnóstico de imagen – radiografías, tomografías, resonancias magnéticas, ultrasonidos, etc. tradicionalmente interpretados por un médico, un especialista o un radiólogo – para su interpretación mediante sistemas que procesan el diagnóstico mediante visión computerizada y algoritmos de machine learning, entrenados a partir del extenso archivo recopilado a lo largo de muchos años de práctica.

El uso de herramientas de diagnóstico mediante imagen ha ido creciendo a lo largo del tiempo, y además de ser profusamente utilizado, supone un elemento muy importante del coste: donde antes un médico tenía que procesar manualmente unas pocas imágenes, ahora es perfectamente habitual que en una sola prueba se obtengan cientos o incluso miles de imágenes en finas capas, en procesos que pueden llegar a ser profundamente aburridos y que incrementan la probabilidad de error debido al cansancio o la pérdida de atención.

¿Puede un algoritmo ser capaz de reconocer en una imagen elementos de diagnóstico? Sin duda. ¿Puede, además, llegar a hacerlo mejor que un profesional especialmente entrenado para ello? Todo indica que, a medida que esos algoritmos son entrenados con más y más imágenes y sus posteriores resultados diagnósticos, esa posibilidad se convierte en una realidad, y que muy probablemente estemos ante mecanismos en los que la probabilidad de pasar por alto un indicio con trascendencia diagnóstica en una imagen sea significativamente menor que en el caso de que ese diagnóstico sea llevado a cabo por un humano.

Precisamente sobre este tema estuve hablando en el pasado Netexplo con Pooja Rao, co-fundadora de la startup india Qure.ai, que fue una de las compañías que obtuvieron galardón y la que me pidieron que entrevistase en el escenario. Pooja contaba con la experiencia perfecta para comentar el tema: además de ser médico de formación, había co-fundado una compañía dedicada al diagnóstico de imagen mediante machine learning, y trabajaba precisamente con médicos a los que trataba de convencer para que contribuyesen al entrenamiento de los algoritmos ofrecidos por su compañía, con un argumento claro: la posibilidad de poder obtener mejores diagnósticos, más seguros, más consistentes y con menos posibilidades de pasar por alto elementos clave.

Una imagen de diagnóstico médico es un fichero digitalizable o, cada vez más, directamente digital. Convertir esas secuencias de píxeles en elementos capaces de ser procesados algorítmicamente es algo que cae perfectamente dentro de las posibilidades del machine learning, en un ámbito, el de la imagen, en el que ya se han obtenido numerosos progresos. Que lleguemos a un momento en el que el análisis de una imagen se lleve a cabo directamente tras su obtención, o incluso durante la misma – para permitir un muestreo más exhaustivo de determinadas áreas – o, incluso, a un momento en el que los médicos directamente pierdan la capacidad de utilizar ese método diagnóstico por falta de práctica es algo que, a día de hoy, cabe perfectamente dentro de los escenarios posibles. En este momento, un algoritmo es capaz de procesar e interpretar una resonancia magnética de corazón, por ejemplo, en unos quince segundos, un examen que puede necesitar unos 45 minutos cuando lo lleva a cabo un cardiólogo o radiólogo.

En ese caso, ¿qué papel pasa a tener el médico especialista? Sencillamente, el de encargar la prueba diagnóstica e interpretar el análisis de la misma llevado a cabo no por sí mismo o por un radiólogo, sino por un algoritmo. El propio radiólogo pasaría a ser un interpretador avanzado de esos diagnósticos, un gestor de un instrumento que sigue los indicios marcados por un algoritmo y trata de ofrecerle elementos adicionales de diagnóstico, o tal vez, el que lleva a cabo un segundo análisis manual basado en los indicios encontrados por el algoritmo. ¿Realmente vemos ese proceso como una sustitución, o más bien como una asistencia especializada que mejora las capacidades del facultativo? ¿Perderían los radiólogos su trabajo, o simplemente deberían reciclarse para aprender a aprovechar una herramienta diagnóstica mucho más potente, capaz de ver lo que un ojo clínico bien entrenado anteriormente no veía? ¿Llegaremos a un momento en el que el diagnóstico mediante imagen sea algo que debe necesariamente ser llevado a cabo por un algoritmo, porque mejore sensiblemente el número de ocasiones en las que un indicio se pasa por alto o se dé lugar a un número menor de falsos positivos? ¿Llevará el hecho de que sea un algoritmo el que procesa las imágenes a que se puedan obtener muchas más, dada la mayor facilidad de procesamiento derivada de que que no sea un médico quien deba revisarlas todas una por una, y por tanto, termine redundando en mejores diagnósticos? ¿Alguien podría llegar a ver un proceso así como negativo?