Así serán los beneficios de los entrenadores de Inteligencia Artificial basados en SaaS

Los sistemas de Inteligencia Artificial (y los subconjuntos de la disciplina como Machine Learning o Deep Learning) son los protagonistas tecnológicos del siglo XXI. Gracias a ellos podemos disponer de buscadores web altamente eficientes, asistentes de voz, conducción autónoma y multitud de otras aplicaciones que harán nuestra vida más sencilla.

En el sector de los Centros de Datos, la Inteligencia Artificial será fundamental para hacer más sencilla su gestión, así como para otras mil y una aplicaciones en el terreno empresarial y de negocio.

El Machine Learning nos liberará de tareas repetitivas

¿Por qué son tan útiles los sistemas de IA? Si nos vamos al terreno del aprendizaje automático o del Machine Learning (ML) comprobamos que su objetivo es desarrollar técnicas que permitan a las máquinas (o sistemas, software…) aprender y mejorar de manera automática a través de la experiencia, sin haber sido explícitamente programadas para ese fin.

El software capaz de conseguir ese aprendizaje automático debe ser alimentado por conjuntos de datos específicos de los que pueda aprender. Por tanto, en todo sistema de ML existe una primera fase de entrenamiento en la que se nutre a dicho software de ejemplos, experiencia directa o instrucciones. Debe de ser una fase dirigida por humanos, en la que lo más importante es que los conjuntos de datos sean relevantes y consistentes con los objetivos pautados.

Finalizada la fase de entrenamiento, los algoritmos de ML serán capaces de encontrar patrones y tomar decisiones en el futuro sobre nuevos conjuntos de datos, aprendiendo con cada interacción y sin intervención humana alguna.

Conjuntos relevantes de datos para el entrenamiento del software ML

Como vemos, la clave para entrenar los sistemas de IA es contar con conjuntos de datos de entrada significativos para que los algoritmos determinen las soluciones esperadas. Tradicionalmente, estas son tareas humanas en que los entrenadores se encargan de etiquetar objetos (en sistemas de reconocimiento de imágenes), corregir respuestas o refinar los conjuntos de datos de entrada.

En el futuro a corto plazo, estas tareas pueden recaer en software de entrenamiento basado en Inteligencia Artificial que, además, se ofrezca como un SaaS. Entraríamos así en una era en la que un software entrena a otro software.

No es ciencia ficción. No nos encontramos ante una incipiente Skynet que un día tome conciencia y ponga en peligro a la Humanidad. Hablamos de servicios basados en la Nube y de algoritmos y sistemas de ML cuya misión será, sin más, entrenar otros nuevos algoritmos para tareas específicas.

Hoy, los algoritmos de IA se encargan de tareas específicas y no muy complejas. Por ejemplo, de reconocer rostros, pero no son capaces de interpretar emociones. Por compleja que parezca la tarea de entrenar un algoritmo de IA, en muchos casos no deja de ser una tarea repetitiva y muy enfocada. Volviendo al ejemplo del reconocimiento de imágenes, imaginemos un coche autónomo. Necesitará un «cerebro» que identifique cualquier elemento de su entorno inmediato para incluirlo en el proceso de toma de decisiones.

Esas decisiones serán, además, críticas. Por tanto, el entrenamiento de los algoritmos que «sentirán» el entorno de estos vehículos es, simplificando, una sesión interminable de etiquetado de objetos como semáforos, señales de tráfico, peatones, obstáculos, objetos de cualquier tipo…

Hay dos tendencias a las que podemos atender para explorar la posibilidad de que, a medio plazo, existan algoritmos de ML capaces de entrenar otro software:

  • El uso de motores de inteligencia artificial bajo demanda o basados en SaaS que pueden interactuar con otros motores de inteligencia artificial dentro de una nube pública o local es una realidad plausible.
  • Los motores de IA pueden combinarse con los modelos de entrenamiento.

La existencia dentro de un plazo razonable de servicios basados en SaaS capaces de entrenar (o de ayudar en la tarea)  a otros algoritmos terminaría de golpe con un problema acuciante que ya es real: no tener suficientes datos válidos para que el aprendizaje automático sea funcional.

A medida que los sistemas sean cada vez más complejos y refinados, necesitarán todavía más y más datos de entrada válidos, consistentes y relevantes. Quizás, la frase de «software que entrena a otro software» puede sonar grandilocuente además de poco probable, pero de la misma manera en que la IA ha permitido dedicarse a tareas complejas que requieren del ingenio humano, el terreno del entrenamiento de ML puede verse beneficiado.