Los sistemas de Inteligencia Artificial (IA) superan ya a la mente humana en muchos aspectos y han logrado un elevado grado de autonomía. Aunque es cierto que hay que cubrir algunos niveles de seguridad porque pueden suponer una amenaza para el ser humano, sus ventajas son mucho más extensas.
La consolidación de la Inteligencia Artificial en los distintos sectores durante los últimos años ha convertido lo imposible en realidad. La digitalización y las novedades en la industria abren la puerta a un nuevo uso de los datos que, junto con la IA, pueden adquirir una nueva dimensión y convertirse en los impulsores de muchas aplicaciones a nivel mundial en todos los sectores.
Según informes, la IA será mejor que los seres humanos en la traducción de idiomas en 2024, la promoción de artículos en 2031, y la realización de procedimientos quirúrgicos en 2053.
Es un camino tan interesante como prometedor que de momento no tiene límites, hay tres avances de Inteligencia Artificial que veremos próximamente, analicemos cada uno de ellos.
IA Neuro-simbólica
Los investigadores Artur d’Avila Garcez y Luis Lamb han descrito a la Inteligencia Artificial Neuro-simbólica como la tercera ola de la IA. Con ella, se espera que veamos un avance importante en los patrones de reconocimiento que usan los sistemas. Después de todo, hasta ahora la IA no es más que un compendio de conocimientos que, junto a un entrenamiento previo, es capaz de arrojar un resultado.
Sin embargo, esta nueva investigación de IBM tiene como plan hacer que la Inteligencia Artificial sea capaz de reconocer símbolos, y al mismo tiempo, aportarles un significado semántico y lógico. Se espera generar un sistema de Inteligencia Artificial capaz de llevar a cabo tareas más complejas, con una precisión más alta, y que al mismo tiempo necesite menos cantidad de datos y entrenamiento.
Así, se podría crear una inteligencia artificial capaz de responder a un razonamiento y un proceso, con la capacidad de explicar el motivo por el cual ha tomado ciertas decisiones.
«Las redes neuronales y las ideas simbólicas se complementan maravillosamente. Porque las redes neuronales te dan las respuestas para pasar del desorden del mundo real a una representación simbólica del mundo, encontrando todas las correlaciones dentro de las imágenes. Una vez que tienes esa representación simbólica, puedes hacer cosas muy mágicas en términos de razonamiento.» explica David Cox, director del Laboratorio MIT-IBM Watson A.I. en Cambridge, Massachusetts.
Redes generativas adversarias
Las Redes Neuronales Generativas Adversarias son una forma nueva de usar deep learning para generar imágenes que parecen reales. También pueden generar otro tipo de datos como por ejemplo música.
Las GAN son un tipo de red neuronal que se utiliza para el aprendizaje automático no supervisado. Se componen de dos módulos adversarios: redes generador y de costo. Estos módulos compiten entre sí de modo que la red de costo intenta filtrar ejemplos falsos mientras que el generador intenta engañar a este filtro creando ejemplos realistas.
A través de esta competencia, el modelo aprende un generador que crea datos realistas. Se pueden usar en tareas como predicciones futuras o para generar imágenes después de haber sido entrenadas en un conjunto de datos en particular.
Con las Redes Generativas Adversarias (GAN, por sus siglas en inglés), se espera que esta generación de imágenes a partir de inteligencia artificial se vuelva cada vez mejor.
El motivo es bastante sencillo, y es que con el uso de entidades “generadoras”, y otras “discriminadoras”, la IA es capaz de crear una retroalimentación. Así, se puede alcanzar un resultado en el que este algoritmo discriminador no sea capaz de diferenciar la imagen creada de manera artificial, de aquellas que sí son reales.
Algunos investigadores han ido incluso más lejos, y están usando las Redes Generativas Adversarias para crear un código genético totalmente falso. Sin duda alguna es uno de los puntos más interesantes que están por llegar.
Aprendizaje automático y síntesis molecular
Durante 2020, AlphaFold de DeepMind logró aplicar aprendizaje profundo (Deep learning) en tareas de biología. Específicamente, se usó en el problema del plegamiento de las proteínas. Este campo lleva décadas siendo estudiado, y una posible resolución con el uso de la IA podría conllevar al descubrimiento de curas para enfermedades; nuevos fármacos, y a entender con mayor profundidad el comportamiento de la vida celular.
En esta ocasión no encontramos a una IA con una función específica y revolucionaria. Sin embargo, es un claro ejemplo de cómo aplicar el uso de las inteligencias artificiales puede resultar beneficioso, sin importar el campo que sea.
De hecho, ya el uso de la inteligencia artificial y el aprendizaje automático está resultando beneficioso para campos como la biología y la sanidad. Con ellas, los científicos pueden determinar qué fármacos son potencialmente mejores, y cuáles deben evaluar. Además, pueden llegar a distintas conclusiones sobre las formas más eficaces de sintetizarlos.
Fuente: MuyInteresante.es
