Mauricio Mondaca

Un grupo de ingenieros de Google alimenta computadoras con millones de ejemplos de la vida cotidiana. Los algoritmos que aprenden por sí mismos, permiten que los equipos escriban el comienzo de un correo electrónico, reconozcan una voz o contextualicen una foto. Pero este desarrollo está en su infancia y en esta empresa no se creen eso de la autonomía de las máquinas y el colapso de los humanos.

Javier Snaider, ingeniero de software senior de Google y parte del equipo investigador de esta materia, realizó una videoconferencia desde Mountain View (California) a un grupo de periodistas en las oficinas de Google Argentina -a la que fue invitado este medio- para poner en contexto el trabajo que desarrolla en machine learning.

El concepto

Si la inteligencia artificial (IA) estudia cómo hacer que las máquinas sean más inteligentes para resolver problemas de la vida cotidiana, el modelo de aprendizaje automático o machine learning es una rama de la IA que permite que un sistema "aprenda" por sí mismo en lugar de ser programado por un humano.

Lo anterior se realiza a través de millones de ejemplos que "entrenan" al software, para que pueda detectar distintos patrones entre miles de datos, experiencias y contexto. Machine learning hay detrás de muchas aplicaciones y funciones que se usan a diario. Por ejemplo, en las respuestas inteligentes que sugiere Gmail, en la interacción con el asistente de Google, en el reconocimiento de la voz al hacer una pregunta en la aplicación de búsqueda, en Google Fotos cuando se busca una imagen puntual a partir de una palabra clave o en Google Translate, para detectar un idioma y traducir un cartel a partir de una foto.

Un buen ejemplo podría ser el filtro de spam de Google: el dueño de la cuenta ayuda la casilla de correo a identificar los mensajes que contienen spam. En un determinado punto, la inteligencia artificial asociada procesa tanta información que será capaz de generar un modelo que prediga los correos basura. YouTube puede inferir qué tipo de videos le gustan a un usuario en base al tipo de contenido que reprodujo.

"Cada día hay más aplicaciones en Google y en todos lados que usan machine learning. En el 2012 prácticamente no existía nada, solo existía investigación. Hoy ya va en el orden de 20 mil aplicaciones", comentó Sneider.

¿Cómo se educa una máquina?

Según el ingeniero, "a medida que vamos cargando ejemplos vamos ajustando parámetros para tener cada vez menos errores. Se van a necesitar millones de ejemplos para ajustar estos parámetros".

"Si bien en el último tiempo machine learning ha hecho muchos progresos en ámbitos como reconocimiento de habla o de imágenes, estamos todavía en la infancia de todo esto. Estamos muy lejos de hacer cosas como que realmente que las máquinas puedan ser más autónomas", agregó el experto. Para Sneider, un gran problema muy difícil de resolver para entrenar estos modelos es que se requieren millones o billones de ejemplos. "Y esa no es la forma en que nosotros aprendemos algo. Un niño puede aprender una nueva palabra con dos o tres ejemplos. Para aprender una nueva palabra, estos modelos necesitan decenas de miles de ejemplos".

Para desarrollar esta labor de investigación, añadió Sneider, Google, que tiene más de 10 millones de CPUs comunes, utiliza el 10% de ese poder computacional en machine learning.

Usos prácticos

El potencial de machine learning se utilizó para mejorar el algoritmo que detecta la propagación del cáncer de mama a los ganglios linfáticos adyacentes o para reducir el tiempo y aumentar la precisión para identificar las propiedades de las moléculas. Según Sneider, en Google hay un equipo que trabaja en analizar imágenes de retinas para adelantarse a patologías como cataratas o cáncer. La idea es que médicos especialistas ayuden a clasificar imágenes reales que permitan crear un modelo que pueda distinguir ojos sanos de otros con algún problema.

Sobre el futuro, el ingeniero afirma desde EE.UU que "no sé cómo pueda evolucionar. Mi visión es que esto va a ser un trabajo en conjunto. No va a reemplazar cien por ciento a los médicos, por ejemplo. Esto no ha hecho que haya menos ingenieros. Estas y otras herramientas, que aún no conocemos, van a potenciar lo que se hace en distintos campos".

En código abierto

Sneider agregó que los desarrolladores que estén interesados en entender o colaborar en el trabajo de machine learning de esta firma pueden acceder al código abierto de modelos de aprendizaje de TensorFlow, una librería de la empresa tecnológica que permite acceder al machine learning que lleva adelante Google y aplicarlo en diversas modalidades.