Una de las tres películas con más candidaturas a los Óscar, logra alzarse entre otros galardones con las estatuillas a la mejor película, la mejor dirección y el mejor guion. En una escena final sublime, el guion insinúa un próximo relevo en las preferencias del público: buena parte de los peligros que en el arranque de la película acechaban a Margo, aguardan ahora a Eva.
La digitalización, automatización y robotización de procesos en relación con la inteligencia artificial
Llevábamos años escuchando hablar de digitalización, automatización o robotización de procesos. Recientemente, la irrupción de la Inteligencia Artificial (IA) ha relegado a las anteriores a un segundo plano, logrando hacerse un hueco en nuestras conversaciones cotidianas con la promesa velada de resolver nuestras necesidades de una forma inmediata y simple: “pídeselo al chatbot”. Impulsada por un relato tan eficaz, cada vez más organizaciones sin experiencia previa en este ámbito sienten la imperiosa necesidad de subirse al tren de la IA.
Esa aparente sencillez resulta a priori contraintuitiva. De acuerdo con la definición de Stuart Russell y Peter Norvig en su excelente ‘Artificial Intelligence: A Modern Approach’, la Inteligencia Artificial es el campo del conocimiento que busca diseñar soluciones, ya sean éstas algoritmos, robots o máquinas “… que puedan actuar de manera eficiente y segura en un amplio abanico de situaciones novedosas”. La promesa de adaptación automática ante situaciones inesperadas es precisamente el rasgo diferencial de la IA frente a sus predecesoras como la automatización, o la robotización de procesos, que también apuestan por la eliminación de la intervención humana, pero requieren de intervención directa vía reingeniería para incorporar escenarios novedosos.
En entornos cada vez más sensorizados, la Inteligencia Artificial toma el papel de Eva en la película de Mankiewicz, mientras que la automatización y robotización de procesos, el de su mentora Margo Channing: buena parte de los peligros a los que se enfrenta la veterana diva terminará heredándolos su joven y talentoso relevo.
Uno de ellos es el peligro de trabajar en determinados escenarios. A pesar de los avances logrados por la Inteligencia Artificial en los últimos años, ni el aprendizaje automático ni, por supuesto, sus predecesoras en las preferencias del espectador garantizan dejar en cero la tasa de errores. Y ello nos lleva en primer lugar a reflexionar sobre las consecuencias de estos en función del escenario donde tiene lugar la actuación de nuestra nueva estrella.
Imaginemos a una IA participando en un torneo de ajedrez. Cualquier posible error que cometa ésta, por embarazoso que suponga, no pone en peligro la integridad del contrincante ni expone a posibles acciones legales al equipo que lidera el desarrollo y entrenamiento de sus modelos.
Pensemos ahora en la conducción autónoma de un automóvil: la cosa cambia ¿no es así? En un escenario tan peculiar como éste, también la automatización clásica se enfrentaba a riesgos similares: esta es la razón por la que en sectores como la automoción, donde la sensorización cobra cada vez más relevancia, proliferan las soluciones híbridas o supervisadas. Imaginémonos, por ejemplo, realizando maniobras de aparcamiento con un coche de última generación; si los sensores detectan la proximidad de un obstáculo, el software del vehículo nos alertará del posible peligro. Sin embargo, es el conductor quien tendrá la última palabra.
Calificábamos de contraintuitiva la sencillez que nos promete la IA, pues los modelos de entrenamiento en los que se basa requieren de ingentes esfuerzos por parte de personal humano debidamente cualificado.
Y es que un mundo sensorizado como el actual ayuda a acumular cantidades fabulosas de datos, por lo que dos tareas cobran especial relevancia: la limpieza de datos -aunque surgen ya voces afirmando que el cleaning se puede obviar- y su categorización -ésta última, sólo en determinadas técnicas de IA-.
La limpieza de datos y su categorización
Entenderemos mejor el alcance de estas dos actividades con ayuda de otro símil: la incorporación del video arbitraje en la toma de decisiones durante un partido de fútbol. En jugadas especialmente polémicas, el árbitro puede interrumpir momentáneamente el partido para revisar con la ayuda del VAR las imágenes disponibles, tomadas desde diferentes ángulos, hasta escoger la más apropiada. Nótese que la cámara a priori mejor orientada no siempre ayuda a aclarar las dudas si, por ejemplo, otro jugador se interpone entre ésta y los protagonistas de la acción. En ocasiones, una de las tomas puede sugerir que un jugador cometió falta, y sin embargo otra nos demuestra que el jugador que podía ser sancionado tocó el balón y no al adversario. En el mundo de la Inteligencia Artificial, la labor de descarte de tomas que inducen a error formaría parte de la limpieza de datos.
Incluso con la ayuda del video arbitraje, las decisiones que termina tomando el árbitro pueden resultar muy controvertidas, por lo que de forma periódica éstos se reúnen para revisar jugadas preseleccionadas por un comité con el objetivo de fijar criterios comunes. Algunas de ellas incluso engrosarán el temario con el que se forma a las nuevas generaciones de árbitros. Volviendo a la Inteligencia Artificial, ese rol es el que adopta la categorización, pues a partir de una colección de situaciones ambiguas pero documentadas, se fija un criterio de decisión con el que entrenar (y reentrenar) al modelo ante futuras tomas de decisiones.
Desde la perspectiva del consumidor final, que es la que realmente importa, la promesa de sencillez que acompaña a la IA es correcta, pues como espectador no percibe esa capa de complejidad: la labor de limpieza de datos y de categorización de éstos es una actividad que transcurre entre bastidores. Pero, si bien las Margo Channing de nuestra moderna historia precisan de nuevas reglas concretas para abordar nuevas situaciones concretas, los modelos de IA necesitan apoyarse no sólo en un entrenamiento inicial -la letra P del acrónimo Chat GPT significa ‘preentrenado’- sino en sucesivos reentrenamientos, y en no pocas ocasiones en la aplicación de técnicas de fine-tuning con una importante participación de especialistas humanos.
Otros desafíos de la inteligencia artificial
Finalizamos esta rápida revista con otro desafío que la IA comparte no ya sólo con sus antecesoras -la automatización y la robotización de procesos- sino con cualquier proyecto. Nos referimos a la dificultad que tenemos los seres humanos para definir nuestras propias necesidades y priorizar éstas, tal y como anticipó George H. Gallup hace casi cien años cuando sentó las bases del análisis de mercado. ¿Quién no sufrido en sus propias carnes algún malentendido colosal fruto del proceso de captura de requisitos, o en la interpretación de éstos?
Pero esta es otra historia que merece ser contada con más detalle, y aquí lo dejamos por hoy, pues como decía Margo Channing: “Fasten your seatbelts, it’s going to be a bumpy night!”
