Por: Pablo Iturbe Gerente general Tigabytes
La generación de grandes caudales de información gracias a su interacción con los humanos es la gran fuente de aprendizaje de las máquinas, y al mismo tiempo, uno de los más importantes canales de desarrollo para la sociedad presente y futura.
Si bien la actual Revolución Digital combina diversos conceptos de alto impacto mediático como Cloud, IoT, BigData y Automatización, existen otros componentes de ella, tanto o más importantes, que aún no reciben tanta atención.
Uno de ellos es Machine Learning, una rama de la Inteligencia Artificial (IA), definida como la ciencia de lograr que los sistemas computacionales aprendan y extrapolen acciones a partir de una base, sin ser programados explícitamente para ello.
Hace tan solo un semana Google DeepMind anunció que enseñaron a un robot la diferencia entre un estímulo positivo y negativo. Para demostrarlo, pusieron estímulos positivos a su alcance, a partir de los cuales aprendió a caminar y correr por sí solo, sin que los científicos lo hubiesen programado para ejecutar dichas acciones. Este auto aprendizaje es lo que denominamos Machine Learning.
Hay muchos ejemplos más simples de cómo interactuamos todos los días con este avance concreto de la modernidad digital. Por ejemplo, cuando buscamos en Google, a medida que vamos introduciendo las palabras clave, el sistema nos va proponiendo cómo completar el cuadro de diálogo y nos entrega resultados orgánicos. Estos resultados se basan en variables tales como nuestra ubicación, quienes somos, el historial de navegación, búsquedas previas de personas similares a nosotros y vínculos más o menos visitados, entre muchas otras. Todas ellas son manejadas en los algoritmos de Machine Learning de Google, en millonésimas de segundos, para entregarnos resultados personalizados.
Sin embargo, el gran “pero” de Machine Learning es la cantidad y calidad de la información; en especial, la primera variable, puesto que es necesario disponer de un mayor volumen de datos, para que la información disponible incremente su calidad.
Con pocos datos se hace más difícil el aprendizaje y vemos resultados “tontos” de los sistemas. Un caso concreto es Waze y su compleja puesta a punto. Cuando esta aplicación se lanzó en Chile, el gran entusiasmo inicial se abatió rápidamente al darnos cuenta de que su potencial de inteligencia dependía de la cantidad de usuarios que alimentan cada segundo el sistema.
Fue así como en un principio, Waze cometía errores incomprensibles y muchas veces nos sugería rutas sin sentido, que hacían parecer más razonable no atender sus sugerencias y confiar en el propio instinto. Pero con el paso del tiempo, a medida que Waze sumó más y más usuarios, los algoritmos y la mayor disponibilidad de data, hacen que hoy en día el sistema sea muy confiable. De hecho, hoy nos reprendamos si quedamos atrapados en un atochamiento en lugar de hacer caso a Waze y tomar las alternativas que nos sugiere. Esto porque si bien pareciera que a veces entrega rutas muy raras o desconocidas, finalmente al tomarlas nos damos de que tenía razón.
¿Y quién no se ha sorprendido también con las sugerencias del día de Spotify, o las recomendaciones de Netflix o Amazon?
Todos estos son ejemplos concretos de aplicaciones que usan algoritmos de Machine Learning para personalizar la experiencia y anticipar necesidades del usuario; es decir, anticipar necesidades propias de cada uno, incluso antes de saber que las teníamos.
Pero Machine Learning requiere de mucha información para trabajar bien, y aquí entra el concepto de BigData, que se define como un set de información tan voluminoso que no puede ser manejado por herramientas tradicionales de análisis (tanto software como hardware). Las grandes empresas tienen grandes volúmenes, pero no tienen la infraestructura (poder de procesamiento) para analizar de manera eficiente la data y sacar conclusiones informadas. Pero gracias a economías de escala y nuevas tecnologías, la infraestructura ahora está disponible en la “nube” a través de proveedores como Google Cloud. Lo más importante de esto es que ahora las tecnologías de Machine Learning y BigData, entre otras, están disponibles bajo modalidad de pago-por-uso, partiendo por pocos dólares al mes, lo que las hace disponibles para empresas de cualquier tamaño.
El potencial de IA es gigantesco, ya nos hace la vida más fácil, es infinito e impactará en cada dimensión de nuestras vidas. De hecho, según IDC, las ventas de software de AI se multiplicarán por 50 hacia 2025.
La pregunta que nos queda por responder no tiene que ver con el desarrollo de esta tecnología, sino en cómo afectará a nuestra sociedad así como la forma en que trabajamos y vivimos. La oportunidad para que regiones, países y comunidades logren desarrollar el conocimiento para aplicar esta tecnología es gigantesca, ya que será considerada como el catalizador primordial para el desarrollo y crecimiento económico.
Nuestro rol como empresa tecnológica es poner el tema sobre la mesa y liderar el camino para que se implementen los cambios regulatorios, legales, laborales, sociales y de educación, y así estar preparados para crear un futuro mucho más productivo para las organizaciones y de mayor bienestar para la sociedad.
