Alan Turing, el padre de la inteligencia artificial

Alan Turing, el padre de la inteligencia artificial

Fue famoso por descifrar el código nazi en la Segunda Guerra Mundial y pionero en otras ramas como la biología y la inteligencia artificial, cuya contribución es imprescindible en el desarrollo de las tecnologías actuales.

Lo recordamos a 108 años de su nacimiento.

Alan Mathison Turing nació el 23 de junio de 1912 en el barrio de Paddington, Londres.

Su familia era de clase media alta.

Fue el segundo hijo de Julius y Sara, que permanecieron en la India durante varios años, por lo que pasó la infancia con su hermano mayor John.

The Guardian

En 1928, en la escuela Sherborne conoció a su amigo Christopher Morcom, quien fallecería dos años después.

Por este motivo es que Turing se interesa por el estudio de la mente humana a través de la física y la mecánica cuántica, buscando la solución a la relación entre mente y materia.

Al año siguiente en Cambridge, en el King's College, encontró un método de estudio que permitía ideas más abiertas y allí consiguió distinguirse en lógica y matemática.

En 1936 le otorgaron un premio por sus investigaciones en la teoría de la probabilidad.

Sus investigaciones

A los 26 años Turing comenzó a trabajar para el servicio oficial británico de cifrado.

Obtuvo el doctorado por la Universidad de Princeton, especializándose en criptología.

En 1936, imaginaba una computadora que resolviera cualquier problema traducido a expresiones matemáticas y luego reducido a una cadena de operaciones lógicas con números binarios, en las que sólo cabían dos decisiones: verdadero o falso.

Se trataba de reducir cifras, letras, imágenes, sonidos a unos y ceros y usar un programa para resolver los problemas en pasos muy simples.

National Geographic

Enigma era la máquina alemana que encriptaba mensajes durante la Segunda Guerra Mundial.

Bombe fue creada en 1939 por Turing para poder desencriptar dichos mensajes del ejército alemán y poder localizarlos, adelantándose a su estrategia.

Era una versión mejorada de un dispositivo diseñado en 1938 por el criptologista polaco Marian Rejewski.

Además, Bombe fue la precursora de la computadora programable electrónica digital.

Techrepublic

Bletchley Park era una base militar en la cual se interceptaban mensajes del ejército nazi y se realizaba un ejercicio de traducción intersemiótica e interlingüística.

La utilización de esta práctica mediante el dispositivo de análisis criptográfico creado por Turing permitió a los aliados tener una ventaja durante la Segunda Guerra Mundial.

Allí trabajaron diez mil personas: matemáticos, ingenieros, lingüistas, docentes universitarios, oficinistas.

Dos tercios de los trabajadores de Bletchley eran mujeres.

El trabajo realizado allí fue mantenido en secreto hasta 1970.

Bletchley Park

La inteligencia artificial

En 1950 Turing inició su artículo Computing machinery and intelligence formulando la siguiente pregunta: ¿las máquinas pueden pensar?.

Fue el primer científico en cuestionarse esto, aunque no acuñó el término que hoy conocemos como inteligencia artificial.

La Inteligencia Artificial es la disciplina científica y tecnológica cuyo objetivo es crear procesos de la mente y su conexión con el cuerpo a través de la metáfora computacional.

La metáfora computacional es un concepto utilizado por la psicología cognitiva.

Dicha disciplina sostiene que el cerebro posee un sistema de procesos de datos, similar al de una computadora digital.

A su vez, el concepto es utilizado en el estudio de la neurociencia y también en la neurofilosofía (filosofía de la mente).

Mediante el test de Turing se medía la capacidad de una máquina para hacerse pasar por ser humano mediante una prueba de conversación entre ambos.

Si el humano no logra identificar que se trata de una máquina, esta última sería considerada inteligente.

Turing contribuyó además a la biología matemática. 

Publicó un artículo en 1952 que derivó en un campo de investigación matemática basada en la formación de patrones, utilizada en la actualidad.

Su lucha

En 1952, en la cumbre de su carrera, Turing fue juzgado y condenado por el gobierno británico debido a su homosexualidad y tuvo que elegir entre ser encarcelado o someterse a la castración química.

Eligió la segunda opción.

Se le denegó acceso a las instalaciones de Bletchley Park.

 La situación lo llevó a una profunda depresión.

Alan Turing falleció el 7 de junio de 1954, envenenado al morder una manzana con cianuro en su laboratorio.

Los forenses determinaron que fue un suicidio, teoría confirmada recién en 2012 por Jack Copeland, historiador y director del Archivo Turing de Historia de la Computación.

En el cine

Descifrando el código (1996) fue protagonizada por Derek Jacoby y dirigida por Herbert Wise, fue una película para televisión del programa estadounidense Masterpiece.

Enigma (2001), una película protagonizada por Dugray Scott y Kate Winslet, fue dirigida por Tom Stoppard, que se basó en la novela de Robert Harris.

Decodificando a Alan Turing, de 2009, es un cortometraje de Christopher Racster, centrado en la reivindicación de su figura más allá de su condición sexual.

Codebreaker es un documental de 2011 dirigido por Clare Beavan y Nic Stacey, protagonizado por Ed Stoppard.

Basado en los diarios del psiquiatra de Turing, la historia se centra en sus conversaciones luego de ser juzgado por el gobierno británico.

El código enigma (2014), fue protagonizada por Benedict Cumberbatch y dirigida por Morten Tyldum.

Código enigma. Hipertextual

En 1966 se creó un premio de ciencias computacionales en su honor, el Premio Alan Turing, equivalente al Nobel en esa rama de estudio.

En la ciudad de Manchester se puede encontrar una estatua de Turing; había perdido su puesto de trabajo en aquella universidad tras ser acusado por el gobierno.

En 2017 se publicó Más que un enigma, la biografía que su madre, Sara Stoney Turing, escribió poco tiempo después del fallecimiento de Turing, sobre su infancia y juventud.

Escrito por Jim Ottaviani e ilustrado por Leland Purvis, la novela gráfica Descifrando Enigma es la traducción del original inglés The imitation game: Alan Turing decoded, publicada en 2016 por Abraham Comics Arts, en Nueva York.

La historia, dividida en tres partes, abarca la infancia y juventud, sus primeros trabajos y la creación de Enigma.

Madridmasd

Henrik Olesen, artista danés, realizó un homenaje a la figura de Turing en 2018 mediante intervenciones a fotografías del científico.

Temporada de relámpagos

"Lo que me interesa de la biografía de Turing no es solo la forma en que ilustra los límites y las historias del siglo XX, sino que también parece casi una profecía de género. 

De una manera horrorosa, el cuerpo de Turing fue herido por la violencia de la ideología moderna, de alguna manera perdió su propio cuerpo, pero también creó uno nuevo", afirma Olesen.

En honor al matemático, Steve Jobs retomó el motivo de la manzana mordida como logo para su compañía Apple.

En Manchester comenzó el movimiento de reparación pública de la figura de Turing luego de su persecución.

El ingeniero informático William Jones puso en marcha una petición de firmas para que se concediera a Turing un perdón real póstumo, que fue firmado por 37 mil personas.

2012 fue declarado el año Alan Turing por el gobierno británico.

Al año siguiente, la Reina Isabel retiró los cargos contra el matemático.

"Un hombre provisto de papel, lápiz y goma, y sujeto a estricta disciplina, es en efecto una máquina universal".

Alan Turing

Fuentes:
Universidad Abierta de Cataluña, National Geographic, Temporada de relámpagos revista de arte y cultura, Universidad Nacional de México, Universidad Internacional de Valencia, bletchleypark.org.uk

Portada:Estatua de Alan Turing en Bletchley Park. El Diario.

Cultura
http://inngeniar.blogspot.com/

Cultura

inngeniar

La inteligencia artificial pueden hacer diagnosticos con sesgo de genero

Los autores del estudio: Agostina Larrazabal, Nicolás Nieto, Victoria Peterson, 

Diego Milone y Enzo Ferrante.

Los sistemas de inteligencia artificial pueden hacer diagnosticos con sesgo de genero si no son entrenados correctamente 

Los modelos que analizan radiografías pueden evaluar con errores determinados cuadros clínicos para hombres y mujeres si son entrenados con datos desbalanceados, según un estudio argentino.

Las instituciones médicas están adoptando en todo el mundo sistemas de inteligencia artificial (IA) para el diagnóstico y la detección asistida por computadora a partir de imágenes tales como radiografías, resonancias y tomografías.

Ahora, un estudio de investigadores  de Santa Fe demostró que esos sistemas pueden incurrir en un sesgo de género en detrimento de la salud de miles de pacientes.

Se trata de la primera investigación sobre el sesgo de género que pueden adquirir los modelos de diagnóstico asistido por computadoras al ser entrenados con datos desbalanceados.

El trabajo fue realizado por científicos del Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional o “sinc(i)”, con sede en la Ciudad de Santa Fe.

“Lo que encontramos es que si un modelo de diagnóstico asistido por computadora basado en aprendizaje automático sobre imágenes de rayos X es entrenado con datos desbalanceados de hombres y mujeres (es decir, pocos datos de alguno de ellos), el modelo puede presentar un rendimiento más bajo en el grupo subrepresentado”, afirmó a la Agencia CyTA-Leloir el coordinador del estudio, Enzo Ferrante, investigador del sinc(i), que depende de la Universidad Nacional del Litoral (UNL) y del CONICET, y tiene sede en la Facultad de Ingeniería y Ciencias Hídricas (FICH-UNL) .

Hace algún tiempo, la comunidad de IA comenzó a advertir sobre distintos tipos de sesgo en modelos predictivos de inteligencia artificial, mayormente adquiridos a partir de los datos que habían sido utilizados para su entrenamiento.

Por ejemplo, algoritmos de traducción de inglés a español que amplificaban los estereotipos de género existentes en nuestra sociedad, o modelos para la clasificación de imágenes que presentaban un rendimiento más bajo en grupos minoritarios.

“Esto nos llevó a adentrarnos en el estudio de un campo emergente dentro de las ciencias de la computación: el de equidad o fairness en aprendizaje automático (machine learning)”, indicó Diego Milone, investigador del CONICET y Director del sinc(i).

En 2019 se celebró en Santa Fe el Congreso Internacional de Género en Ciencia, Tecnología e Innovación, que llevó al grupo a conocer los trabajos de Londa Schiebinger, de la Universidad de Stanford, Estados Unidos, sobre la necesidad de integrar la dimensiones sexo-género en el análisis y diseño experimental en ciencia y tecnología.

Allí participaron los primeros autores del trabajo Agostina Larrazabal y Nicolás Nieto, ambos becarios doctorales en el sinc(i), junto a Victoria Peterson, becaria postdoctoral en el Instituto de Matemática Aplicada del Litoral.

Dado que Ferrante y sus colegas se dedican al desarrollo de nuevos métodos computacionales para el análisis de imágenes biomédicas (como imágenes de rayos X, tomografía computada o resonancia magnética), comenzaron a preguntarse cuáles serían las implicancias de los sesgos de género en ese campo de aplicación y qué se podría hacer para mitigar su impacto.

Si los modelos de diagnóstico asistido por computadoras son entrenados con datos desbalanceados pueden evaluar con errores determinados cuadros clínicos al analizar radiografías 

de hombres y mujeres.

“Entrenamiento” de los sistemas de IA

¿Cómo aprenden estos sistemas?

Se utiliza un conjunto de datos (imágenes con el correspondiente diagnóstico médico) para “entrenarlos” y luego se les pide que arrojen una predicción sobre una nueva imagen médica que no habían visto.

En el nuevo estudio, publicado en Proceedings of the National Academy of Sciences (PNAS), los científicos santafesinos utilizaron bases de datos públicas: una curada por investigadores de la Universidad de Stanford, con 65.240 pacientes con un total de 224.316 imágenes, y otra publicada por el National Institutes of Health de Estados Unidos (NIH) que incluye 30.805 pacientes y un total de 112.120 imágenes.

Estas bases de datos están compuestas por radiografías de tórax de todos los pacientes, acompañadas por el correspondiente diagnóstico médico que indica si poseen o no distintas patologías comunes del tórax que pueden afectar tanto a hombres como mujeres, por ejemplo hernias, neumonía, fibrosis, enfisema, edema, engrosamiento pleural y neumotórax.

Los modelos utilizados están basados en redes “neuronales” convolucionales profundas y son entrenados para predecir si esas patologías del tórax están presentes o no en la imagen.

En sus experimentos, los científicos del CONICET y de la UNL generaron conjuntos de datos considerando distintos porcentajes de hombres y mujeres, y luego evaluaron el rendimiento de cada  modelo a la hora de predecir el diagnóstico en nuevas imágenes de hombres y mujeres por separado, cuantificando el rendimiento en ambos grupos.

En concreto, lo que hicieron fue entrenar distintos modelos usando bases de datos de entrenamiento con diferentes niveles de desbalance de género, por ejemplo, 25% de hombres y 75% de mujeres, o 0% y 100% respectivamente.

Luego evaluaron el rendimiento del modelo en nuevas imágenes de personas de ambos sexos por separado.

“Lo que encontramos es que si el desbalance de género es muy grande, el rendimiento del modelo disminuye significativamente en el género subrepresentado”, afirmó Ferrante, especialista en aprendizaje automático y visión computacional.

Y agregó: “Incluso en los casos de desbalance intermedio como 25%-75%, el rendimiento del modelo en el grupo minoritario se ve reducido”.

Si no se toman en cuenta estos desbalances, advirtieron los científicos, puede ocurrir que el sistema indique que determinadas patologías están presentes cuando en realidad no están (falso positivo), o viceversa (falso negativo).

Los investigadores santafesinos creen que su trabajo tiene implicaciones a varios niveles.

En primer lugar, respecto a las personas que diseñan las bases de datos que luego serán utilizadas para entrenar los sistemas de diagnóstico basados en IA.

“En este sentido, es importante contar con la información demográfica que nos permita luego comprobar que el rendimiento de nuestros modelos sea independiente del género, edad, etnia y otros atributos, es decir, que su desempeño no disminuya en grupos minoritarios”, afirmaron los investigadores.

En segundo lugar, el nuevo estudio es importante para que quienes se desempeñan en las ciencias de la computación desarrollen modelos que sean “justos”, insistieron.

El diseño experimental y los modelos desarrollados en este trabajo constituyen una base de referencia para futuras investigaciones en la temática.

Agencia CyTA-Fundacion Leloir

inngeniar

¿Inteligencia artificial? Qué es

¿Qué es la inteligencia artificial?

Para conocer más de la I.A. nos visitaron Diego Fernández Slezak, doctor en ciencias de la computación y director del Laboratorio de Inteligencia Artificial Aplicada de la UBA, y el científico de datos, Marcelo Rinesi.

En 1956, John McCarthy acuñó la expresión “inteligencia artificial” y la definió como “la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes”. 

En ciencias de la computación, una máquina “inteligente” ideal es un agente flexible que percibe su entorno y lleva a cabo acciones que maximicen sus posibilidades de éxito en algún objetivo o tarea.

Coloquialmente, el término inteligencia artificial se aplica cuando una máquina imita las funciones “cognitivas” que los humanos asocian con otras mentes humanas, como por ejemplo: percibir, razonar, aprender y resolver problemas.

INGRESAR

tvpublica.com.ar

inngeniar

2030 - Inteligencia Artificial, eje de un nuevo boom de consumo global

El despliegue tecnológico modificará toda la cadena de producción y consumo a nivel global.

Por Jorge Castro
Para Clarin

Este proceso de los próximos 10 años es sinónimo de disrupción generalizada en la producción y el consumo.

El despliegue de la “Inteligencia artificial” (IA) —la tecnología clave de la nueva revolución industrial, junto con la Internet de las Cosas (IoT) y la robotización— puede aumentar en US$15.7 billones el PBI global en 2030 (Price Waterhouse Cooper/PwC/2019).

Es una expansión de más de 14% en 10 años.

PwC estima que ese auge del PBI global se realizaría a través de dos vías: una tercera parte respondería al aumento de la productividad (US$6.6 billones); y el resto (US$9.1 billones) provendría del alza del consumo de los bienes y servicios que utilizarían intensivamente la “Inteligencia artificial”.

El resultado sería la aparición en gran escala de una nueva forma de producir y de acumular cualitativamente distinta de la actual, con una fuerza de trabajo que, al fusionarse con el conocimiento, se transforma en “Inteligencia colectiva” y crea nuevas actividades y oportunidades de negocios, imposibles de definir anticipadamente por su radical novedad, pero que van a surgir en forma inexorable.

En un sentido estricto, el nuevo sistema deja de ser capitalista, porque no se funda más ni en el capital ni en el trabajo, sino sólo y excluyentemente en el conocimiento.

La previsión de Marx en los “Grundrisse” se torna realidad efectiva.

El boom de consumo que se avizora por el despliegue de la “Inteligencia artificial” desataría tres tendencias: estandarización (descubrimiento en la masa de información de pautas estructurales); automatización (todo lo repetitivo se torna cibernético); y personalización (desaparece el consumo masivo e indiferenciado, al tiempo que se multiplica exponencialmente su volumen).

En términos históricos, la “sociedad de masas” se desvanece y se sumerge en el pasado.

Los sectores capital-intensivos, como transporte, manufactura, telecomunicaciones, experimentan un salto cualitativo de productividad, debido a la utilización intensiva y en gran escala de la “Inteligencia artificial”, que automatiza en forma prácticamente inmediata la totalidad de los procesos y operaciones en no más de 3/5 años.

Así, el alza de la productividad en los sectores capital-intensivos responde por más de 55% del aumento del producto en ese periodo, con un menor impacto de la personalización, la mejora de la calidad, y el menor tiempo de trabajo utilizado.

En una segunda etapa, a medida que aumenta la oferta de productos claramente diferenciados y novedosos, 58% de las ganancias provocadas por un mayor PBI provendrían en forma directa del nuevo y gigantesco boom de consumo.

Hay una diferencia estructural entre la primera y la segunda fase , separadas por un punto de inflexión que surgiría alrededor de 2025.

En la primera etapa —próximos 3/5 años — la IA potencia las actividades ya existentes, en tanto que se revelan en la etapa final (2025/2030) las nuevas oportunidades de negocios.

Hay una secuencia guiada por la necesidad entre el alza de la productividad de las actividades capital-intensivas ya existentes, propias de la primera etapa, y el fenomenal boom de consumo que es su consecuencia.

El vínculo entre ambas es el auge excepcional de la información procesada (Big Data), que desata un circulo virtuoso de más Big Data y más oportunidades de negocios.

Este proceso de los próximos 10 años es sinónimo de disrupción generalizada de la totalidad de la cadena productiva y de servicios, con la aparición de nuevos protagonistas y propuestas de negocios.

Mientras esto ocurre, todos los que se retrasan son eliminados, arrastrados por un ciclo del producto virtualmente instantáneo.

China lidera la aplicación de la IA en la estructura productiva y de servicios, con un aumento del PBI de US$7 billones (+26,1%) en 10 años, seguida por Norteamérica (EE.UU./Canadá/México), con un alza del PBI regional de US$3.7 billones (+14,5%).

La integración de EE.UU. con Canadá y México será absoluta en 2030.

La combinación China/Norteamérica representa 70% del impacto global de la IA en los próximos 10 años. 

Esto muestra con nitidez el significado que tendría la nueva revolución industrial en este periodo de la historia mundial.

Inequívocamente, la sociedad global del siglo XXI creada por la revolución de la técnica tendría un signo abrumadoramente chino/norteamericano.

En la República Popular, el boom de consumo característico de la segunda fase de la aplicación de la IA, se ha adelantado: alcanzó a US$6.5 billones en 2018 y crece al 18,5 % anual; y ha desatado a su vez un boom de importaciones de magnitud histórica.

China se apresta a importar US$40 billones de bienes y servicios en los próximos 15 años.

Las previsiones de Accenture son similares como tendencia a las de PwC.

La nueva revolución industrial aumentaría específicamente en EE.UU. un adicional de US$8.4 billones en el PBI de 2035.

El producto estadounidense ascendería entonces a US$32.2 billones (+40% con relación a 2020), con una tasa de incremento del producto que treparía a +4,6% por año.

Estas son las proyecciones/extrapolaciones de algunas de las grandes consultoras del mundo.

Falta ver ahora lo esencial, que es el proceso histórico, el eterno creador de novedades y sorpresas, que torna al futuro imposible de predecir.

DK

Por Jorge Castro
Para Clarin

inngeniar

OCDE - Inteligencia Artificial - Cuarenta y dos países adoptan sus Principios

París, mayo 22 de 2019

La OCDE y los países socios han adoptado formalmente hoy el primer conjunto de directrices de políticas intergubernamentales sobre Inteligencia Artificial (IA), y convenido en someterse a unas normas internacionales que velen por que el diseño de los sistemas de IA los haga robustos, seguros, imparciales y fiables.

Los 36 países miembros de la OCDE, junto con Argentina, Brasil, Colombia, Costa Rica, Perú y Rumanía han suscrito hoy en París los Principios de la OCDE sobre la Inteligencia Artificial en el marco de la Reunión del Consejo de Ministros de la Organización, con el lema “La transición digital al servicio del desarrollo sostenible”.

Los Principios, elaborados a partir de las orientaciones proporcionadas por un grupo de expertos integrado por más de 50 miembros procedentes de gobiernos, instituciones académicas, el mundo empresarial, la sociedad civil, organismos internacionales, la comunidad tecnológica y sindicatos, comprenden cinco principios basados en valores para el despliegue responsable de una IA fiable y cinco recomendaciones en materia de políticas públicas y cooperación internacional.

Su objetivo es guiar a los gobiernos, organizaciones e individuos para que, en el diseño y la gestión de los sistemas de IA, prioricen los intereses de las personas, así como garantizar que quienes diseñen y gestionen sistemas de IA respondan de su correcto funcionamiento.

«La inteligencia artificial está revolucionando nuestra forma de vivir y trabajar, y ofrece unas ventajas extraordinarias a nuestras sociedades y economías.

Ahora bien, también plantea nuevos desafíos y siembra incertidumbre y preocupaciones de carácter ético.

Compete, por tanto, a los gobiernos asegurarse de que el diseño de los sistemas de IA respete nuestros valores y leyes, de forma que las personas puedan confiar en que su seguridad y privacidad serán objeto de una consideración prioritaria», manifestó el Secretario General de la OCDE, Angel Gurría.

«Estos Principios constituirán un referente global para una IA confiable, de modo que las oportunidades que brinda redunden en los mejores resultados para todos», apostilló.

Los Principios sobre IA cuentan con el respaldo de la Comisión Europea, cuyo grupo de expertos de alto nivel en la materia ha elaborado unas Directrices éticas para una IA fiable, y se examinarán en la próxima Cumbre de Líderes del G20 que se celebrará en Japón.

En los próximos meses los expertos en política digital de la OCDE se servirán de los Principios para elaborar una guía práctica para su implementación.

Sin ser jurídicamente vinculantes, los Principios de la OCDE en otros ámbitos de política se han revelado muy influyentes en el establecimiento de normas internacionales y como ayuda de la que se sirven los gobiernos para diseñar sus legislaciones nacionales.

Por ejemplo, las Líneas Directrices de la OCDE sobre protección de la privacidad y los flujos transfronterizos de datos personales, que establecen límites a la recolección y el uso de datos personales, están en la raíz de numerosas leyes y marcos sobre protección de la privacidad de Estados Unidos, Europa y Asia.

Los Principios de Gobierno Corporativo de la OCDE, avalados por el G-20, se han convertido en referencia internacional para los responsables de la formulación de políticas, inversores, empresas y otras partes interesadas que trabajan en marcos regulatorios e institucionales relacionados con el gobierno corporativo.

El texto íntegro de los Principios sobre la IA puede descargarse desde este enlace. 

De forma sucinta, afirman lo siguiente:

La IA debe estar al servicio de las personas y del planeta, impulsando un crecimiento inclusivo, el desarrollo sostenible y el bienestar.

Los sistemas de IA deben diseñarse de manera que respeten el Estado de derecho, los derechos humanos, los valores democráticos y la diversidad, e incorporar salvaguardias adecuadas —por ejemplo, permitiendo la intervención humana cuando sea necesario— con miras a garantizar una sociedad justa y equitativa.

Los sistemas de IA deben estar presididos por la transparencia y una divulgación responsable a fin de garantizar que las personas sepan cuándo están interactuando con ellos y puedan oponerse a los resultados de esa interacción.

Los sistemas de IA han de funcionar con robustez, de manera fiable y segura durante toda su vida útil, y los potenciales riesgos deberán evaluarse y gestionarse en todo momento.

Las organizaciones y las personas que desarrollen, desplieguen o gestionen sistemas de IA deberán responder de su correcto funcionamiento en consonancia con los principios precedentes.

La OCDE recomienda a los gobiernos:

 Facilitar una inversión pública y privada en investigación y desarrollo que estimule la innovación en una IA fiable.

 Fomentar ecosistemas de IA accesibles con tecnologías e infraestructura digitales, y mecanismos para el intercambio de datos y conocimientos.

 Desarrollar un entorno de políticas que allane el camino para el despliegue de unos sistemas de IA fiables.

 Capacitar a las personas con competencias de IA y apoyar a los trabajadores con miras a asegurar una transición equitativa.

 Cooperar en la puesta en común de información entre países y sectores, desarrollar estándares y asegurar una administración responsable de la IA.

 Para más información sobre la labor de la OCDE en materia de Inteligencia Artificial consúltese el sitio web

  La OCDE es un foro de política global que colabora con más de 100 países y promueve políticas para mejorar el bienestar económico y social de las personas en todo el mundo.

oecd.org

inngeniar

Dolencias infantiles - La inteligencia artificial ya puede diagnosticar con la precisión de un pediatra

Imagen: REUTERS/Thierry Roge

El impacto de la inteligencia artificial en la sanidad crece día tras día, y la comunidad científica no para de buscar nuevos caminos para explotar todo su potencial.

Este lunes, un equipo internacional ha dado a conocer en un artículo el desarrollo de una máquina capaz de generar un amplio abanico de diagnósticos de dolencias infantiles.

El sistema ha sido entrenado con los datos de más de 500.000 pacientes atendidos en una institución sanitaria de referencia ubicada en Guangzhou (China).

Los investigadores destacan que esta tecnología puede ayudar a los médicos a entender más rápidamente qué pacientes necesitan una atención prioritaria y acertar con más precisión el diagnóstico de enfermedades raras o peligrosas.

Los autores del artículo, publicado en Nature Medicine, explican que la disponibilidad de información médica ha crecido exponencialmente en los últimos años, lo que complica la toma de decisiones por parte de los médicos.

La capacidad de la inteligencia artificial de analizar grandes cantidades de datos puede ayudar a reducir esta carga y facilitar la valoración adecuada de cada caso clínico, aseguran.

Pero conseguir que las máquinas sean capaces de interpretar correctamente los datos no es un desafío fácil de superar, recuerdan también.

El modelo que han desarrollado se basa en la explotación de técnicas de deep learning y de procesamiento del lenguaje natural.

“Eso permite extraer información clave distribuida libremente en los historiales médicos electrónicos de los pacientes”, explica Kang Zhang, investigador de la Universidad de San Diego (California, EE UU) y miembro del equipo responsable del proyecto.

Tras ser entrenada con datos anotados manualmente por unos pediatras, la máquina adquiere progresivamente la capacidad de incorporar y clasificar de forma automática la información relevante y, posteriormente, elaborar diagnósticos.

Imagen: Guangzhou Women and Children Medical Center/ China

Zhang y sus compañeros aseguran que cuanto más grande es la cantidad de datos con la que se alimenta el sistema, más aumenta su eficacia.

En este trabajo han utilizado los datos procedentes de casi 1,4 millones de citas pediátricas de más de medio millón de niños y adolescentes menores de edad.

“Nuestro sistema de inteligencia artificial puede imitar a un médico humano y utilizar toda la información sanitaria para realizar un diagnóstico”, asegura Zhang.

“Nuestro sistema de inteligencia artificial puede imitar a un médico humano y utilizar toda la información sanitaria para realizar un diagnóstico”.

Al comparar las valoraciones del estado de salud generadas por esta inteligencia artificial con las realizadas previamente por pediatras humanos, los investigadores constataron un nivel de precisión similar entre las dos para un buen número de dolencias infantiles (del resfriado y la gripe a las enfermedades de tipo neurológico).

En algunos casos, la máquina hasta llegó a ser más precisa que los médicos menos expertos entre los que habían realizado los diagnósticos.

Zhang asegura que el sistema puede potencialmente diagnosticar cualquier tipo de dolencia pediátrica, aunque no resta importancia a lo que pueden aportar los profesionales humanos.

“Con más entrenamiento, este sistema puede llegar a realizar la mayoría de los diagnósticos con una supervisión mínima de los doctores.

Pero nunca podrá sustituir por completo a un humano”, zanja.

Una tecnología misteriosa

El experto del Instituto de Física Corpuscular (CSIC y Universidad de Valencia) Francisco Albiol destaca “el alcance” del estudio, que ha implicado “un gran despliegue de diferentes perfiles y trabajadores para recolectar datos, etiquetarlos, entrenar los modelos matemáticos, y comprobar los resultados de parte de la muestra”.

Ignacio Hernández, médico del Hospital Ramón y Cajal de Madrid, cree que los aspectos más novedosos son la amplitud de diagnósticos que es capaz de abarcar y la gran cantidad de información que analiza.

“Los modelos anteriores miraban solo datos muy concretos y estructurados”, compara.

Hernández, también cofundador de las empresas Savana y Mendelian, por otro lado cree que el estudio es “excesivamente opaco” en cuanto a la descripción de cómo funciona la tecnología de machine learning utilizada.

El experto afirma que en este ámbito es normal que se den poco detalles sobre el mecanismo de los sistemas desarrollados, no tanto por secretismo sino porque muchas veces es difícil para los propios desarrolladores identificar “qué variables mira la máquina y por qué cuando opera”.

Sin embargo, en su opinión, en este caso los autores “van más allá”.

“No explican absolutamente nada de su modelo. Es inquietante y en cierto modo hasta incorrecto”, afirma.

El médico opina también que estudios como este tienen la limitación de mostrar resultados solo “sobre papel” y no en un plan real.

“La práctica clínica es muy contextual, depende de aspectos como las condiciones sociosanitarias y económicas del paciente y muchos otros elementos”, argumenta.

“Si no tenemos una demostración en vivo, en perspectiva, no podemos todavía decir que un sistema así resuelve problemas”.

José Luis Salmerón, experto en inteligencia artificial de la Universidad Pablo Olavide de Sevilla, no ve información “sorprendente” con respecto a trabajos previos, pero sí considera prometedor que “desde los ámbitos de salud empiezan a ser conscientes de lo que los especialistas en este ámbito podemos aportar en ese sector”.

Hernández está de acuerdo con este argumento.

“Al tener estas herramientas, tenemos que volver a dibujar en nuestra cabeza cómo es un sistema sanitario.

La gente va a tener acceso a ellas online, en su móvil. Muchos elementos que damos por sentado van a cambiar”, considera.

Zhang y sus compañeros creen que el modelo propuesto permitirá acelerar el diagnóstico de las enfermedades más comunes y dará la posibilidad a los médicos de centrarse en los pacientes que necesitan una atención urgente.

De esta manera, subrayan, se podrá optimizar la atención sanitaria y reducir los tiempos de espera.

El sistema podrá ayudar también a los doctores a tomar en consideración más hipótesis de valoración de las que pueden formular en base a su propia experiencia cuando se enfrentan a dolencias raras o complejas, agregan.

Las ventajas potenciales, según estos científicos, serán particularmente beneficiosas en las áreas del mundo con escasos recursos sanitarios, como las zonas rurales de China.

Escrito por
Francisco Rodella
En colaboración con EL PAÍS.
Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.

weforum.org

inngeniar

Por qué tu profesor del futuro no va a ser un robot (pero sí tendrá que utilizar uno)

La pregunta sobre cómo será la educación del futuro es, a su vez, una larga sucesión de incógnitas:

¿desaparecerán las aulas tal y como las conocemos, reconvertidas en espacios más flexibles?

¿Las pantallas desterrarán para siempre al papel?

Y los profesores… ¿acabarán sustituidos por robots?

La inteligencia artificial ha llegado ya a la educación, acompañada como es habitual de afirmaciones apocalípticas.

Hace poco más de un año, el experto británico Anthony Sheldon se aventuró a pronosticar que en 2027 las máquinas inteligentes ya habrían reemplazado a los docentes.

Pero los primeros ensayos apuntan a un escenario mucho menos radical, al menos de momento.

No, los robots no van a sustituir a los profesores.

Pero sí, las clases del futuro serán una especie de tándem entre humanos y máquinas en el que cada uno de ellos se especializará en aquello que mejor sepa hacer.

La predicción de Sheldon para 2027 dibujaba un panorama inquietante.

En su visión, la tarea de transmitir el conocimiento recaería por completo en los robots, mientras que los docentes quedarían relegados a un papel de asistente (para mantener la disciplina en el aula, ayudar a los alumnos, preparar el material necesario para las clases…).

No parece un escenario factible a tan corto plazo.

Para empezar, porque la propia inteligencia artificial está todavía lejos de ser una verdadera inteligencia.

Los expertos distinguen entre dos tipos, la débil y la general o fuerte.

La primera es la que ya convive con nosotros.

Se trata de programar a la máquina para que realice tareas concretas, en rangos limitados previamente definidos: recomendarte una canción según lo que escuchas en Spotify, tramitar tus reclamaciones en el banco… o, en el caso de la educación, resolver la duda de cuándo es la fecha de un examen.

La inteligencia artificial general, por su parte, lo que persigue es dotar a la máquina de una verdadera inteligencia que funcione como la humana, es decir, que sea capaz de resolver problemas por sí misma y no en marcos previamente definidos.

De tener incluso emociones, personalidad o, por ejemplo, de dominar el lenguaje humano para ser capaz de leer las respuestas de un examen y decidir si se merecen un 4 o un 10.

Es una posibilidad aún lejana.

“Es el escenario de ciencia ficción”, asegura Guillem García Brustenga, director de tendencias del eLearn Center de la Universitat Oberta de Catalunya (UOC).

“Hablamos de décadas… aunque también es cierto que llevamos 20 años diciendo que es una cuestión de 20 años.

Eso me hace pensar que, en realidad, nadie lo sabe”.

El futuro, por lo tanto, se perfila con la forma de un binomio entre humano y máquina, en el que el profesor seguirá asumiendo la tarea esencial de transmitir conocimiento pero podrá apoyarse en la máquina para descargarse de las tareas más repetitivas y anodinas.

Ya hay numerosos ejemplos de cómo la inteligencia artificial puede aplicarse en los centros educativos para desatascar, por ejemplo, la parte administrativa y de gestión.

En la Universidad CEU Cardenal Herrera, en Valencia, están a punto de estrenar un chatbot que se va a encargar de dar respuesta a las dudas más engorrosas de los alumnos: explicar trámites, indicar horarios de tutorías, aclarar qué papeleo hay que presentar…

“Son preguntas en las que la respuesta que puede dar la universidad o el profesor tiene un valor añadido escaso, pero que los alumnos necesitan resolver con inmediatez”, señala Iñaki Bilbao, vicerrector de Relaciones Internacionales.

Este asistente inteligente ha implicado más de un año y medio de desarrollo de la universidad junto con Microsoft y Encamina, una consultora tecnológica.

El proyecto es, sin embargo, un primer paso.

El centro quiere impulsar una combinación de inteligencia artificial y big data como receta para alcanzar ese ideal que persigue la educación del siglo XXI: el aprendizaje personalizado.

Así, buscan recoger todos los datos posibles sobre cómo aprenden sus alumnos para elaborar modelos predictivos de rendimiento académico, capaces de activar alertas tempranas (por ejemplo, si un estudiante falta a clase) que permitan al centro y a los profesores poner en marcha acciones personalizadas.

Inteligencia artificial para adaptar la educación a cada estudiante, pero también para involucrarles más. “La tecnología posibilita la participación activa del alumno en clase.

Y eso conlleva que la atención del profesor sea más exhaustiva”, apunta Lorenzo Moreno, profesor de la Universidad de La Laguna, que imparte clase en un máster especializado en acercar la tecnología a los docentes.

El ejemplo de la CEU Cardenal Herrera sirve para ilustrar cómo el próximo paso de la inteligencia artificial en la educación es traspasar el ámbito de la mera gestión para introducirse de lleno en el propio proceso de aprendizaje.

“En las cuestiones administrativas o incluso de productividad hay más experiencias por la analogía que se puede establecer con los servicios de atención al cliente de cualquier empresa.

Pero los usos con intencionalidad educativa son mucho más complicados”, explica García Brustenga.

Algoritmos para aprender más

Aquí, las posibilidades son enormes.

El eLearn Center de la UOC acaba de publicar la investigación Los chatbots en educación, en el que hace recuento de cómo los asistentes inteligentes —tan solo un ejemplo de herramientas basadas en inteligencia artificial— se pueden usar con fines educativos: para acompañar al estudiante, motivarle, ayudarle a practicar habilidades concretas (aprender un idioma), simular situaciones (una consulta a un paciente), evaluar…

La propia UOC ha creado a Botter, un prototipo de robot pensado para animar a sus alumnos con el estudio, capaz incluso de mostrar decepción si el estudiante no rinde adecuadamente. Es una idea del departamento de Psicología, que quiere así investigar si este tipo de estímulos sirven para mejorar la motivación de los alumnos.

El aprendizaje de idiomas es terreno abonado para este tipo de experiencias.

Y los sistemas de reconocimiento vocal, habituales ya por ejemplo en los smartphones, son su principal herramienta. Aunque también suponen un reto.

La plataforma Lingokids, pensada para que los niños puedan aprender inglés, recurre a algoritmos para ayudar a definir el contenido y las actividades que le ofrece a cada niño, en función de su nivel de inglés y de sus gustos.

Pero se enfrenta a la dificultad de que estos sistemas de reconocimiento de voz están pensados para adultos.

“En niños no funcionan todavía muy bien.

Con la complejidad añadida de que son niños pequeños hablando una lengua que no es la materna”, explica Carlos García Prim, su director de ingeniería móvil.

En ABA English, una academia virtual de idiomas, recurrieron al prestigioso Instituto Tecnológico de Massachusetts (MIT) y a la popular Alexa —el asistente de Amazon— en un pequeño experimento: simular una conversación entre profesor y alumno para evaluar el nivel de inglés en apenas cinco minutos.

La empresa ya emplea inteligencia artificial, por ejemplo para asignar profesores reales a cada uno de sus estudiantes.

Su responsable de aprendizaje, María Perillo, asegura que lejos de sustituir a los docentes, esta tecnología les convierte en todavía más necesarios.

“El profesor tiene ahora un papel diferente del que solíamos pensar.

Muchas veces nos limitamos a recoger datos y damos por cierto el resultado de la máquina, pero es necesario tener a los expertos detrás para analizar e interpretar esos datos.

También para hacer aquello que la máquina no puede: motivar al estudiante, darle el feedback correcto...”, enumera.

“No se trata de utilizar la inteligencia artificial para todo, sino de usarla en todo”.

Esa división de tareas, junto con la imagen del docente como una suerte de entrenador de asistentes, algoritmos, sistemas de recogida de datos…, es una constante en los proyectos educativos de inteligencia artificial.

A veces incluso en terrenos insospechados.

De los más de 15.000 aspirantes que el pasado fin de semana se enfrentaron a la temida prueba del MIR para conseguir una plaza de médico residente, algunos se habían preparado para el examen con la ayuda de un algoritmo inteligente.

Tras cuatro años de desarrollo, la Editorial Médica Panamericana ha lanzado recientemente Promir, un curso online que se basa en inteligencia artificial para preparar la prueba.

Así, la herramienta es capaz de analizar en detalle a cada alumno para trazar un camino personalizado: le indica qué estudiar cada día, selecciona las preguntas y las tareas en función de aquello que más le cuesta y le ayuda a repasar lo que ya ha asimilado.

Esa es la parte en la que la máquina es imbatible.

Pero no es suficiente.

“Aplicamos la inteligencia artificial para lo que la tecnología hace bien: conocer al alumno, hacer un diagnóstico muy detallado de su perfil y guiarle en el proceso”, explica Ignacio Ferro, su director tecnológico.

“Pero hay otras tareas para las que es más eficaz que intervenga un profesional: desarrollar los contenidos, resolver las dudas, preparar al alumno psicológicamente.

Para eso hay tutores especializados”.

Pero como en todo escenario que se mueve entre un presente comprensible y un futuro casi de ciencia ficción, surgen los interrogantes éticos.

El informe de la UOC destaca una pregunta: ¿cuál es el objetivo final de la máquina?

Si se trata de que el alumno aprenda más, señalan los investigadores, el riesgo es que la inteligencia artificial plantee retos demasiado difíciles que conduzcan al suspenso.

Si la finalidad es que apruebe, puede fijar estándares demasiado fáciles de manera que el alumno finalmente no aprenda.

Y si el objetivo es aumentar las matriculaciones, ya entra el juego el debate sobre si la tecnología es un medio para mejorar el aprendizaje o un fin en sí mismo para, por ejemplo, utilizar como herramienta de marketing.

“Tendremos que llegar a un compromiso, incluso a nivel social, sobre qué es lo que queremos de todo esto”, resume Guillem García Brustenga.

Escrito por
Bárbara Sánchez
En colaboración con EL PAÍS.
Las opiniones expresadas en este artículo son las del autor y no del Foro Económico Mundial.

weforum.org

inngeniar