La historia de las redes neuronales y la IA: Parte 2

Este es el segundo artículo de una serie de tres partes, sobre la historia de las redes neuronales y la inteligencia artificial. Para ver el primer artículo, haga clic aquí.

Después de la era inicial de IA, un investigador británico especializado en inteligencia artificial, Donald Michie, diseñó una máquina hecha de cajas de fósforos en 1963 que funcionaba de manera similar a las redes neuronales.

El inicio del aprendizaje automático en los juegos

Antes de su trabajo en IA, Michie trabajó en Bletchley Park durante la Segunda Guerra Mundial contribuyendo a la creación de algoritmos que descifraron el código de teleimpresores alemán, trabajando junto a otras mentes brillantes que allanaron el camino en la informática como Alan Turing.

Después de su trabajo durante la guerra, Michie construyó uno de los primeros programas con la capacidad de aprender a jugar un juego perfecto de Ceros y Cruces, también conocido como Tic-Tac-Toe o Gato, en 1960. El programa se conoce como la "Máquina Motor Educable de Ceros y Cruces (MENACE por sus siglas en inglés). Dado que las computadoras tal como las conocemos no estaban disponibles, Michie creó MENACE a partir de 300 cajas de fósforos y le enseñó a jugar.

MENACE trabajó con cada una de las 300 cajas de fósforos que contenían una configuración distintiva del tablero. Cada una de las cajas de fósforos contenía esferitas de colores que representaban una maniobra específica en la configuración del tablero.

MENACE aprendió a jugar, jugando cientos de juegos contra otro jugador (perdón por tanta redundancia). Cuando tomaba un movimiento, Michie escogería aleatoriamente una cuenta de la caja de fósforos que reflejaba el estado actual del tablero.

Los colores de las esferitas en el tablero representaban las posiciones potenciales de las opciones de movimiento de la máquina y del jugador contrario. Si MENACE seleccionaba una esferita que resultaba en un movimiento pobre, esa esferita se eliminaría de esa caja de cerillas, o por el contrario se agregaría si el movimiento era bueno. Las habilidades de MENACE se optimizaron después de jugar cientos de veces, lo que permitió que ahora el programa ganara un juego en el menor número posible de movimientos.

Muchos estados comienzan de forma aleatoria, así como los movimientos que lleva (donde las esferitas son como activar pesas), optimizándose el programa lentamente. Una vez optimizado, MENACE es como un modelo físico simplificado que representa de manera no explícita cómo ganar un juego de Tic-Tac-Toe o Gato.

Desde la optimización aleatoria de al principio, hasta la forma en que el sistema es recompensado o castigado en áreas específicas del modelo, nos permite observar lo interesante que resulta ver cómo el principio de MENACE se alinea con el de una red neuronal moderna.

MENACE introdujo la idea de las interacciones entre la máquina y el ser humano a través del juego, revelando así las posibilidades que implica la evaluación de varios algoritmos de aprendizaje en un nuevo entorno. Este experimento permitió que el campo de la Inteligencia Artificial tuviera una forma mucho más clara de probar muchas teorías de aprendizaje automático en cuestión.

El comienzo de las conferencias de IA

En 1969, se llevó a cabo la primera conferencia acerca de Inteligencia Artificial: la "Conferencia Internacional Conjunta sobre Inteligencia Artificial" (IJCAI por sus siglas en inglés), que reunió a investigadores en el tema de la Inteligencia Artificial, Científicos en general, estudiantes y entusiastas de todas partes del mundo.

Esta conferencia ahora se considera la más reconocida en la materia. La IJCAI ofrece múltiples premios tales como el Premio al Mejor Desempeño, el Premio a la Computadora y el Pensamiento, así como el Premio a la Excelencia en Investigación, destacando cada año los logros en la comunidad de la IA.

La creación y la reunión continua de esta conferencia, colocaron a la IA en un rol más central y preponderante de la comunidad científica, ya que los premios y la investigación compartida, provocaron más motivación para continuar persiguiendo varios aspectos fundamentales de este campo.

El crecimiento de IA continúa: se presenta una nueva propagación

Los alcances y capacidades de IA continuaron creciendo. En 1970, sólo un año después de la primera IJCAI, el matemático e informático finlandés Seppo Linnainmaa ideó el primer algoritmo de "propagación inversa", mientras se presentaba el modo inverso de la Diferenciación Automática.

Sin embargo, debe tenerse en cuenta que el algoritmo de Linnainmaa no se conocía como "propagación inversa" o que se usara en ese momento. En cambio, era más un principio subyacente para revertir la diferenciación automatizada, mediante la aplicación recursiva de la regla de la cadena a los bloques de construcción de una función. En cualquier caso, la creación de Linnainmaa resultó esencial para el avance de la inteligencia artificial.

La "retropropagación" es absolutamente imprescindible para comprender la tasa de error en los modelos modernos de redes neuronales. Para que un modelo de Aprendizaje Profundo se corrija solo, primero debe encontrar su error entre las muchas rutas en la red.

Esto se hace retrocediendo a lo largo de las rutas de la red neuronal hacia las rutas individuales, revisando cómo las predicciones del modelo se comparan con el resultado real. Si la predicción está lejos del resultado real, entonces se deben ajustar las rutas del modelo.

En 1986, el estado de retropropagación tal como hoy lo conocemos surgió a través de un documento escrito por Geoffrey Hinton y Ronald J. Williams. El trabajo de Hinton y Williams demostró el uso general del algoritmo con redes neuronales multicapa. Con base en sus ideas, la retropropagación se ha convertido en un elemento básico en la enseñanza de las redes neuronales y la investigación relacionada.

Hinton más tarde fue nombrado el Padrino de la IA y continuó innovando en el campo. Desde entonces, ha tomado una postura interesante en la política de la IA, citando cómo podría ser existencialmente peligroso cuando sea implementado por los militares para sistemas de armas inteligentes.

En la actualidad, las redes neuronales, con su capacidad para abordar tareas no lineales, tienen aplicaciones que van desde el diagnóstico médico hasta la traducción automática; desde la identificación facial hasta el filtrado de correo electrónico.

Incluso el juego moderno y la toma de decisiones hacen uso de redes neuronales, escuchando las raíces tempranas del campo en el Tic-Tac-Toe o Gato. Si bien es importante considerar las posibles implicaciones negativas de las redes neuronales en la inteligencia artificial, como Hinton señaló, la innovación en este ámbito continúa avanzando en la vanguardia de nuestra búsqueda para dotar a las máquinas de una capacidad de aprendizaje similar a la humana.

Gracias a las Redes Neuronales, es posible gozar hoy de muchos adelantos tecnológicos que ya forman parte de nuestra vida cotidiana. ¿Por ejemplo? Los "Chatbots" y los Asistentes Personales Virtuales como Siri, Cortana, Alexa, etc.

Las más grandes empresas de Redes Sociales como Facebook y Twitter basan su éxito en el uso inteligente de las Redes Neuronales.

¿Sería Usted capaz de vivir el día de hoy, sin la ayuda de su Asistente Personal Virtual que incluye su Teléfono Inteligente?