Por Manuel de León Rodríguez y Rodrigo Trujillo González
La Inteligencia Artificial (IA) se está infiltrando en nuestro día a día de maneras cada vez más sutiles y profundas, transformando tanto la forma en que vivimos como la forma en que trabajamos. Tenemos en nuestros entornos asistentes virtuales (Siri, Alexa, Google Assistant) que nos ayudan a realizar tareas diarias como programar alarmas, buscar información o controlar dispositivos inteligentes en nuestros hogares; estamos suscritos a plataformas como Netflix, Spotify o Amazon que utilizan algoritmos de IA para sugerir películas, música o productos basados en nuestros gustos y hábitos de consumo. En definitiva, los algoritmos de IA determinan qué contenido vemos en nuestras redes sociales, filtrando y ordenando publicaciones para mostrarnos las que consideran más relevantes para nosotros.
En el ámbito empresarial, por ejemplo, los chatbots y asistentes virtuales están reemplazando cada vez más a los agentes humanos en la atención al cliente, ofreciendo respuestas rápidas y personalizadas a las preguntas de los usuarios. En los aspectos comerciales, la IA se utiliza para analizar grandes cantidades de datos de los clientes y predecir sus comportamientos, lo que permite a las empresas crear campañas de marketing más efectivas y personalizadas. Además, en la industria manufacturera, la IA se utiliza para optimizar los procesos de producción, reducir los costos y mejorar la calidad de los productos.
De todas las aplicaciones de la IA, los resultados en salud ganan de calle las portadas de los grandes medios (por ejemplo, estudios que permiten predecir un ictus con dos años de antelación). Hay uno reciente que nos ha motivado a escribir este artículo: El algoritmo español capaz de predecir la sepsis con 24 horas de antelación y una tasa de aciertos del 96%. En el titular aparecen elementos que la ciudadanía posiblemente conoce bien: algoritmo y tasa de acierto, pero ¿tiene el ciudadano alguna idea de cómo se han obtenido estos resultados?
Un conocimiento mínimo de la IA permite identificar que todos los ejemplos descritos anteriormente están estrechamente ligados al Machine Learning (ML), o Aprendizaje Automático en castellano. El impacto del ML en cualquier área científica es hoy en día un elemento que determina prácticas profesionales nuevas, innovadoras y que sacuden los cimientos de cada una, porque plantea desafíos como la privacidad de los datos y la automatización de empleos.
Sólo por completitud de este artículo, y en atención del lector menos familiarizado con el ML, damos una breve descripción de lo que hace: Machine Learning (Aprendizaje Automático) es una rama de la Inteligencia Artificial que dota a las máquinas de la capacidad de aprender de los datos sin ser programadas explícitamente. A través de algoritmos, los sistemas de Machine Learning identifican patrones en grandes conjuntos de datos, construyen modelos matemáticos y toman decisiones o realizan predicciones basadas en esa información.
Hay ya ejemplos de su uso en cualquier área, basta con contar con grandes cantidades de datos. Las aplicaciones en ciencias como la medicina o las ingenierías son posiblemente más conocidas, pero hay muchos otros ejemplos:
Ciencias Sociales: análisis de sentimientos en redes sociales; predicción de comportamientos; análisis de normativas.
Artes: generación de arte; restauración de obras de arte; análisis de los estilos artísticos.
Humanidades: análisis de textos históricos, literarios y lingüísticos, facilitando tareas como la traducción automática, la extracción de información y la generación de resúmenes; reconocimiento de patrones en textos; digitalización y catalogación rápida de archivos históricos.
El machine learning se puede definir como la intersección entre la ciencia computacional y la estadística, así que las matemáticas son el fundamento de la IA, y esto explica el éxito de los matemáticos en estos días. Ese enorme territorio profesional que tenemos delante está a nuestro alcance si ponemos nuestro conocimiento al servicio de todas estas áreas. Ahora bien, ¿cómo podemos ampliar este desarrollo profesional?
Nuestra propuesta es sencilla, con impacto inicial en la educación superior, el desempeño de la comunidad matemática como fuerza formadora, y poniendo la vista en el medio y largo plazo: deben enseñarse los fundamentos del ML en todos los títulos universitarios (grados, másteres y doctorados), orientados a las aplicaciones en cada campo, pero con un conocimiento preciso, riguroso, de sus fundamentos. Porque lo que no se conoce bien, no puede ser bien utilizado.
Estamos formando a los profesionales del siglo XXI, que deben saber enfrentarse a los problemas de estos tiempos, con las herramientas actuales. Nuestras regiones se pueden quedar atrás si no somos capaces de poner en el mercado laboral profesionales capacitados para aprovechar las innovaciones que ya tenemos a nuestra disposición.
Cada área está generando nuevos empleos, servicios y empresas que usan la IA para promover y apoyar la innovación. El centro de todo está en la capacitación de todas las piezas: los generadores del servicio y los usuarios del mismo. Y ya vamos con retraso.
Las universidades tienen una oportunidad única de colocar la formación superior en un lugar importante en el desarrollo profesional de muchos futuros titulados. Incorporando los fundamentos del ML al mayor número de títulos, incrustado con sus aplicaciones, daremos un salto temporal importante. Adaptando a cada público el formato, las herramientas, sin el objetivo de “la computación en el centro”, sino colocando a las matemáticas en el centro, como han hecho pioneros como Andrew Ng con sus cursos en Coursera.
Partiendo de la regresión lineal (contenido de secundaria y herramienta de todas las hojas de cálculo), debemos hacer entendible la regresión logística, entender la polinomial, saber por qué se opta por árboles de decisión, e incluso bosques de decisión. De esta forma, plantaremos la semilla para que los futuros usuarios de la IA sepan identificar qué escenarios son propicios para su implementación, poder avanzar con tiempo el cuidado en la toma de datos, las estrategias de expansión profesional de su uso, etc.
Para concluir, una sociedad que mejor entienda la IA más básica (por eso hablamos solamente del ML), podrá afrontar la carrera vertiginosa de su expansión en mejores condiciones. Los países que han introducido la computación en los niveles obligatorios de la educación nos llevan ventaja para afrontar este escenario. Nuestros titulados deben recibir una formación mínima de calidad, supervisada por profesionales que puedan escalar para cada público el nivel de profundización, orientado a su uso y desarrollo. No podemos perder más el tiempo discutiendo cómo frenar su uso en nuestras aulas, batallando contracorriente a lo que sucede fuera de ellas.
