ARTÍCULO COMPLETO

En el límite de la imaginación que despiertan las redes neuronales, algunos ven a una especie de Simón Barsiniestro detrás de estos desarrollos, moviendo palancas y sumiendo botones para complotar y controlar nuestras vidas. Lo cierto es que en los últimos años son varias las compañías que utilizan la RNA para mejorar y personalizar sus estrategias de marketing de precisión.

Entre las 10 predicciones sobre el futuro de la nube en los años venideros no podía faltar lo que ocurre en el espacio sideral de la inteligencia artificial (IA), y que Oracle se está encargando de propalar a través del estudio Oracle´s Top 10 Cloud Predictions 2019: Predicting the future of the Enterprise cloud by 2025. Your company in the Cloud, publicado en febrero de 2019, la cual retoma Rosanna Fedele Romero, especialista del sector de tecnología, en el blog de esta empresa que lidera el multimillonario Lawrence J. Ellison.

Las anchas avenidas de la nube

La nube, sostiene Fedele Romero, está transformado la forma en que se hacen negocios, influyendo en empresas de todos los tamaños y sectores industriales, de aquí que su adopción como plataforma empresarial en años recientes ha ido creciendo aceleradamente y, entre otros caminos, ha abierto anchas avenidas para integrar rápidamente tecnologías emergentes para hacer frente a las nuevas demandas del mercado.

El excéntrico Larry.

Para las huestes analíticas del excéntrico Larry, primero que nada, de aquí al 2025 todas las aplicaciones incorporarán IA; a la par, ésta y otras tecnologías emergentes duplicarán nuestra productividad; mientras, el 85% de las interacciones con clientes serán automatizadas con la ayuda del intelecto computacional. “Al recopilar, contextualizar, comprender y actuar sobre los datos, la IA propicia su amplio uso en diversas aplicaciones, por lo que será la base de todas las soluciones de próxima generación”, escribe Rosanna Fedele.

Experiencias humanizadas

Al facilitar la automatización, así como mejorar la capacidad de resolver problemas complejos o que consumen mucho tiempo, la IA va a reducir los tiempos de ejecución y los costos de mantenimiento, con lo cual los recursos disponibles podrán enfocarse en temas de innovación y crecimiento. “Oracle considera que para el 2025, la productividad se duplicaría gracias a los beneficios que generarán la inteligencia artificial, la realidad aumentada y las tecnologías emergentes”; añade.

Hoy, el 89% de los servicios al cliente usan asistentes de voz, en tanto 69% de las funciones de una empresa orientadas al cliente emplean chatbots para la atención. “Con la IA entendiendo y procesando el contexto y la intención, la efectividad de las interacciones automatizadas será cada vez mayor. facilitará entender qué quieren los clientes, los acercará aún más a las empresas y brindará experiencias más humanizadas”, explica la especialista

El poder de aprender

Es una realidad que los programas de IA están inspirados en la más compleja y perfecta maquinaria que existe en la naturaleza: la fisiología humana, señala por su parte Celsa Pardo Araujo, Consultant Artificial Intelligence, de Enzyme Advising Group. “Las redes neuronales son un gran ejemplo de esta aspiración.

“Las redes neuronales artificiales son sistemas computacionales inspirados en las neuronas que constituyen el cerebro de los animales, dotando a las computadoras de inteligencia artificial, y forman parte de los denominados Sistemas Inteligentes, dentro de la rama de la IA”, destaca Pardo.

El objetivo de estos algoritmos es entender los datos del mundo real –como son imágenes, texto y voz–, procesarlos, clasificarlos o etiquetarlos. “Una de las características más importantes de las redes neuronales es su poder para aprender”, completa la experta.

El teodolito de Simón

Aunque en el límite de la imaginación que despierta la incursión de la inteligencia artificial y las redes neuronales algunos ven a una especie de Simón Barsiniestro detrás de estos desarrollos, moviendo palancas y sumiendo botones para complotar y controlar nuestras vidas, lo cierto es que en los últimos años son varias las compañías que utilizan las RNA para mejorar y personalizar sus estrategias de marketing, y al cabo vaciar nuestras cuentas bancarias mediante ofertas irresistibles con precisión de teodolito.

¿Está Simón detrás del control de tu vida?

Considérese que finalmente las redes neuronales son algoritmos capaces de procesar gran cantidad de datos como son perfiles de compradores, patrones de compra u otro tipo de datos específicos para cada empresa. El objetivo es obtener información útil para la toma de decisiones.

“Son los algoritmos perfectos para analizar el mercado y proponer una estrategia de marketing personalizada por cliente. Sephora o Starbucks son dos de las compañías que utilizan este tipo de inteligencia artificial para incrementar sus beneficios”, sostiene Celsa Pardo Araujo.

Las redes de los monopolios

En este punto las empresas claramente dominantes de nuestro tiempo no han perdido la oportunidad de ampliar sus tentáculos y ocupar ese poder para ofrecer servicios eficaces a sus clientes. La compañía más grande del mundo para compartir, crear y visualizar contenido audiovisual, Youtube, utiliza las RNA para realizar las recomendaciones que recibimos sus usuarios al ingresar a sus terrenos.

“Su sistema RNA de recomendaciones es responsable de ayudar a más de mil millones de usuarios a descubrir contenido personalizado. Uno de los mayores retos que tuvieron que afrontar a la hora de crear el algoritmo fue la cantidad de datos que son subidos por segundo a Youtube –destaca la consultora. Esta red neuronal tiene la capacidad de ser sensible (responsive) tanto del último contenido subido a la plataforma como de las interacciones del usuario con ésta”.

El precio de la inanición

Y ya que hablamos de líderes que ciertamente podrían irse catalogando como monopolios en el campo del comercio electrónico, Amazon abrió algo que ellos mismos llaman Dynamic Pricing Amazon, que no es otra cosa sino una estrategia seguida por esta compañía para ir matando de inanición a su probable competencia, mediante la operación de precios dinámicos.

Según un estudio de la propia Amazon, sus precios varían más de 2.5 millones de veces al día. Así, el reto de su red neuronal es lograr que sus precios se fijen en tiempo, digamos, ultrarreal, basándose en la oferta y la demanda de un determinado producto durante un limitado periodo de tiempo. Pero no es el único ejemplo. En este aspecto, empresas como Walmart y Uber le siguen en esta maniobra para ofrecer precios más competitivos a sus clientes y de paso irse quedando con porciones más grandes del mercado.

La dentellada del caníbal

Y si se consideraba al Buró de Crédito como el coco de los tarjetahabientes habituados a la cultura del no-pago, dejen que se enteren que las instituciones bancarias ya utilizan las RNA para transformar la manera de procesar los préstamos e hipotecas. Una de ellas es HSBC. “Esta compañía usa este tipo de algoritmos de inteligencia artificial para analizar el comportamiento de antiguos clientes y así poder dar una estimación del riesgo para un cliente nuevo a la hora de adquirir una hipoteca o préstamo”, expone Celsa Pardo.

Por supuesto, el mayor caníbal de empresas de las denominadas TIC no podía quedarse atrás, Microsoft utilizó el software de red neuronal BrainMaker para determinar cuáles son los clientes más probables en convertirse en compradores, y de una sola dentellada aumentó de 4.9 a 8.2 por ciento la tasa efectiva de respuesta al correo directo. Esto implica para tal empresa una campaña más efectiva de mercadeo, obteniendo los mismos ingresos con 35% menores costos.

Aprendizaje de máquina

Las redes neuronales artificiales representan el ingrediente principal para que el aprendizaje profundo sea tan potente, señalan los especialistas. Los sistemas de IA utilizan algoritmos y modelos para analizar, organizar, procesar y convertir datos, en tanto las redes neuronales se diferencian de otros modelos de la IA en poseer la capacidad de aprender en forma automática. Este proceso se le conoce como machine learning o aprendizaje de máquina.

Una red neuronal tradicional está formada por capas de nodos (elementos de proceso) computacionales y conexiones (enlaces) que trabajan juntos para encontrar patrones en los datos. El modelo de capas ha funcionado muy bien en el campo de la IA; sin embargo, presenta inconvenientes cuando si lo que deseamos modelar se transforma continuamente con el tiempo, como lo es predecir la evolución de un paciente en un lapso determinado.

Predicción híbrida

En el artículo, Descubre la relación entre las redes neuronales artificiales, la inteligencia artificial y el eHealth, publicado en la plataforma Think Big, Carlos Rebato –quien laboró en el departamento de Global Digital Comms de Telefónica–, apunta que las RNA procesan entradas y generan salidas que ayudan a resolver problemas.

En finanzas, ejemplifica, investigadores de la Universidad de Stanford en Palo Alto, California, han aplicado para esta tarea sistemas de predicción híbridos. “Combinan redes neuronales artificiales y varias modalidades para mejorar la predicción del valor futuro de bonos y otros instrumentos de inversión.

“Las mejoras se reflejan en obtener predicciones con un margen de error de tan sólo 78 céntimos de euro –montos que se traducen en miles de millones de billetes cuando se toma en cuenta que es común que se sucedan una cantidad similar de transacciones por sesión–, con cálculos que apenas requieren segundos. Las predicciones sin uso de RNA a disposición de un agente de bolsa pueden llegar a tardar hasta 15 minutos luego de una transacción”, señala. 

En este marco, ya no resulta sorprendente destacar su proverbial utilidad en la construcción de aplicaciones generales típicas orientadas a crear sistemas inteligentes para la toma de decisiones en la gestión empresarial; ocuparlas en actividades de predicción; reconocer tendencias; identificar patrones y gestionar riesgos aplicados en la detección de fraudes.

Asimismo, se cuentan el desarrollo de artefactos inteligentes con capacidad de aprendizaje, como los homePods o los altavoces inteligentes; el establecimiento de hogares inteligentes (domótica); la creación de sistemas de visión computacional y detección; la fabricación de vehículos autónomos; así como idear herramientas para la explotación de las energías renovables, enumera Rebato.

Inteligencia bajo entrenamiento

Como algoritmos, las RNA pueden llegar a resolver problemas muy complejos de una forma muy atinada, pero no podemos desestimar que para ello necesitan un considerable esfuerzo computacional a la hora de entrenarlas. “El principal reto de las empresas a la hora de realizar estos algoritmos es disponer de la cantidad y calidad de datos para construir una red neuronal”, advierte Celsa Pardo Araujo.

Si bien las aplicaciones de las redes neuronales parecen muy generosas, están sujetas a un entrenamiento intenso para que puedan arrojar los resultados deseados. “Dependiendo del tipo de aprendizaje, estos algoritmos se clasifican en tres grandes grupos: supervisado, no supervisado y reforzado”, explica la consultora.

En el primer caso, se “etiquetan” los datos de entrada para ayudar a los algoritmos a valorarlos correctamente y asignar un valor de salida. Es un método de aprendizaje muy empleado para clasificaciones y regresiones.

“El aprendizaje no supervisado se basa en dejar que el algoritmo encuentre variantes de patrones y correlaciones. Se utiliza para descubrir qué hay detrás de los datos para perfilado o `clustering´ de clientes –refiere. El aprendizaje reforzado, por su parte, se sustenta en la técnica de ensayo y error. Cuanto más compleja sea la red neuronal, mayor será la cantidad de datos de entrenamiento necesaria para entrenarla.” 

David Duvenaud, investigador de la Universidad de Toronto, en Canadá, y sus colaboradores del Vector Institute, rompieron con el hallazgo con el que se ha ido construyendo la inteligencia artificial actual tal y como la conocemos desde hace 30 años, y rediseñaron por entero las redes neuronales para no dejar resquicio por donde se pueda fugar el libre albedrío.

Herramienta deficiente

En el caso de la salud, la obtención de predicciones se complica al tratar de agrupar los informes médicos en periodos definidos como años o meses. Al común de las RNA los datos de los registros médicos les resultan un poco confusos, pues “a lo largo de nuestra vida visitamos al médico en diferentes momentos y por distintos motivos, generando unas cuantas mediciones en intervalos arbitrarios”, apunta Karen Hao, en el revelador artículo Inteligencia Artificial, La red neuronal que quiere solucionar los grandes problemas de la IA, que apareció en MIT Technology Review.

“Por ejemplo, si se acudió al médico el 11 de enero y se volvió hasta el 16 de noviembre, los datos de ambas visitas se agruparán en el mismo año. Una red neuronal tradicional tiene problemas para gestionar este hecho. Su diseño requiere un aprendizaje de los datos con etapas claras de observación. Por tanto, es una herramienta deficiente para hacer un modelo de procesos continuos, especialmente aquellos que se miden de manera irregular a lo largo del tiempo.”

Romper con el hallazgo

Hao narra que David Duvenaud, investigador de la Universidad de Toronto, Canadá, colaboraba en un proyecto relacionado con datos médicos cuando descubrió un defecto importante en la IA, al tratar de desarrollar un modelo de aprendizaje profundo que pudiera predecir la salud de un paciente en un lapso determinado.

El genio matemático de Duvenaud.

Este reto llevó a Duvenaud y a sus colaboradores de Vector Institute a romper con el hallazgo en el que se basa toda la inteligencia artificial actual, y a rediseñar por entero las redes neuronales tal y como las conocemos desde hace 30 años. No por casualidad, su investigación fue considerada en 2019 una de “las mejores publicaciones” en la Conferencia sobre Sistemas de procesamiento de información neuronal (NIPS por sus siglas en inglés), uno de los eventos más importantes sobre investigación de la IA a escala global.

La suma de las capas

Como se mencionó párrafos atrás, una red neuronal tradicional está formada por capas de sencillos nodos computacionales que trabajan juntas para encontrar patrones en los datos. Las capas dividen el proceso de transformación en pasos y permiten que la red descubra una serie de fórmulas que describen cada una de las etapas del proceso.

La primera capa puede analizar todos los píxeles y utilizar una fórmula para elegir cuáles son más relevantes; una segunda, usar otra fórmula para encontrar patrones; cada capa subsiguiente identificaría características cada vez más complejas, hasta que la capa final decida basándose en todos los cálculos, establece Karen Hao.

Tal desglose permite que una red neuronal desarrolle modelos más sofisticados. Por ello, la mejor manera de hacer un modelo de la realidad de la forma más exacta posible y permitir que las predicciones sean más precisas, es añadir más capas para aumentar el nivel de detalle.

En el ejemplo médico la mejor red neuronal para este trabajo tendría un número infinito de capas para modelar cambios infinitesimales porque podríamos haber ido al médico dos veces en un día. Para solucionarlo, este equipo de investigación eliminó las capas sin miramientos y por completo, destaca Hao.

La magia de Duvenaud

“Precisamente –asegura Karen Hao– el modelo matemático ofrece las ecuaciones necesarias para calcular esta serie de cambios a pasos infinitesimales. Es decir, ahorra el problema de tener que saltar a un modelo continuo a partir de unidades discretas. Esta es la magia del trabajo de Duvenaud y de sus colaboradores: reemplazar las capas discretas por ecuaciones diferenciales.

Atrás de izq. a der.: Jordan Jacobs, Ed Clark, Geoffrey Hinton, Sanja Fidler and Tomi Poutanen; adelante de izq. a der.: Roger Grosse, Richard Zemel, Brendan Frey, Raquel Urtasun, del Instituto Vector, y David Duvenaud. (Foto: Johnny Guatto)

El resultado final ni siquiera es una red. No. En el camino, David Duvenaud y su ejército de matemáticos se desprendieron de nodos y conexiones, tan sólo dejaron un bloque de computación continuo; por eso, los investigadores llamaron a este diseño una red EDO (Ecuaciones Diferenciales Ordinarias) o Neural Ordinary Differential Equations, en inglés.

El violín o el piano

Duvenaud, que como se aprecia piensa en todo, utiliza una buena analogía para explicar su trabajo: en un violín, se pueden deslizar los dedos de la mano a lo largo de la cuerda para tocar la frecuencia que se desee; a diferencia, un piano tiene un número limitado de teclas por lo que nadie puede deslizarse entre frecuencias sino tocar un número fijo de ellas.

“Una red neuronal tradicional es como un piano: y cambiar a una red EDO es como cambiar el piano por un violín. No siempre es la herramienta correcta, pero es la más adecuada para ciertas tareas”, dice Hao.

Además, una red EDO también modifica ciertos aspectos del aprendizaje. Con una red neuronal tradicional, al comienzo se debe especificar el número de capas que deseamos en la red y después esperar hasta que se complete el aprendizaje para averiguar la precisión que arroja el modelo. “El nuevo método permite especificar primero la precisión deseada y encontrar la manera más eficiente de entrenamiento sólo dentro de cierto margen de error”, completa la periodista.

Al igual que cualquier técnica inicial propuesta en el campo, aún debe desarrollarse, experimentarse y mejorarse. Pero el método tiene el potencial de revolucionar el campo. Por lo pronto, David Duvenaud y su grupo de genios han dado el siguiente paso para no dejar resquicio donde el libre albedrío encuentre salida. Las redes neuronales no sólo nos tienen en su poder sino cada día adquieren mayor control de nuestras vidas. Cada vez menos lo dudan.

Las RNA están abriendo puertas a la resolución de problemas que antes no hubiéramos ni siquiera soñado con resolver, pero al mismo tiempo raja cajas que, como la de Pandora, no sería prudente destapar, toda vez que el dark side de la tecnología existe y pone en riesgo nuestra intimidad, más aún en tiempos en que ciberseguridad sigue sin ofrecer resultados contundentes para proteger los datos personalísimos de los clientes.