Por Micaela Mantegna (*)
Actualmente, una simple búsqueda arroja más de 378 millones de resultados, y es usual ver al menos una noticia diaria dedicada al tema, con una narrativa oscilante entre el optimismo de la innovación y las predicciones ominosas.
Este crecimiento exponencial parece marcar la inminente irrupción de la IA en nuestra realidad cotidiana, y con esto, recrudecer los temores acerca de cómo la automatización afectará nuestra sociedad.
Para deconstruir el fenómeno sin ver amenazas de robots hostiles detrás de cada titular, es importante entender que aquello a lo que coloquialmente se llama IA es en realidad mayormente un conjunto de técnicas de “machine learning” o aprendizaje automático. Sucintamente, se trata de modelos matemáticos que buscan representar algorítmicamente un problema de la realidad, en los que se logra que las computadoras aprendan en cada iteración a través de los datos de entrenamiento, sin necesidad de ser programadas específicamente.
Estos problemas pueden ser muy variados, desde organizar el tráfico, determinar el orden de los resultados de una búsqueda o clasificar imágenes potencialmente cancerosas, a reconocer lenguaje o imágenes, detectar fraude en transacciones, elaborar sistemas de recomendaciones, predecir patrones de consumo o la posible reincidencia de un imputado.
A pesar de su disparidad, hay que observar que todos comparten una raíz común: buscar respuestas escalables de gestión y alocación de recursos, a través de funciones de clasificación o predicción de resultados.
Actualmente, estos sistemas basados en machine learning solo pueden brindar soluciones particulares para el tipo de problema concreto para el que fueron entrenados, pero que no pueden resolver problemas generales al nivel de un ser humano, realizando múltiples tareas intelectuales. Esta “inteligencia artificial general” o AGI no se ha inventado aún, pero globalmente, gran parte de los fondos de investigación en el área están volcados en una carrera por su desarrollo.
A pesar del uso de IA y machine learning como términos equivalentes, hay que tener presente que este no es más que uno de los campos de esta disciplina. Dentro de esta área existen otros enfoques y abordajes, que fueron sucesivamente adoptados y abandonados en la cronología de lo que se conoce como los “inviernos de la IA”. Aunque suene futurista, no se trata de un campo nuevo, sus raíces se hunden en la cibernética y créase o no, los fundamentos teóricos sobre los que hoy se produce el despegue del aprendizaje automático ya estaban disponibles desde mediados de los años 40, en los desarrollos de McCulloch y Pitts sobre “neuronas artificiales”.
