El Dr. Christopher Bishop tiene una “visión moderna del aprendizaje automático”. Él ha explicado que tradicionalmente se piensa que el aprendizaje automático es un tipo de función que se ajusta a algunos datos, sin embargo, considera que hay una visión más amplia en la que se dice lo que realmente está sucediendo: “la máquina está construyendo un modelo del mundo”.
A su juicio, ese modelo del mundo se cuantifica a través de la incertidumbre y el único cálculo de incertidumbre es la probabilidad. “Y así, la máquina se basa en probabilidades y su comprensión del mundo conlleva incertidumbre”.
A medida que ve más datos, según explica, esa incertidumbre típicamente se reducirá y se volverá menos incierta. “En otras palabras, se ha aprendido algo. Se aprende de los datos y esa noción se refleja en una pieza muy elegante de las matemáticas llamada Teorema de Bayes”.
Es así como Bishop ve el Teorema de Bayes y la cuantificación de la incertidumbre, a través de las probabilidades, como la piedra angular del aprendizaje automático. A partir de eso, todo lo demás puede seguir y, por lo tanto, cree que es totalmente fundamental para el campo.
En una entrevista publicada en el blog de Microsoft, el investigador ha dicho que la idea del aprendizaje automático, basado en modelos, es realmente tomar esa idea de conocimiento previo o restricciones, conocimiento de dominio, y convertirlo en un ciudadano de primera clase.
“Piénsalo menos como una técnica específica. Piénselo más como un punto de vista, una forma de entender de qué se trata el aprendizaje automático. Piense en las suposiciones que desea hacer en su solución de aprendizaje automático y, en realidad, escríbalas, sea explícito al respecto y luego traduzca esas suposiciones en un modelo”.
Ha destacado que el modelo es sólo una representación matemática de las suposiciones y que luego se puede combinar con los datos. “Cuando gire la manivela, la máquina aprenderá. Si ha hecho buenas suposiciones, la máquina aprenderá de manera muy eficiente de los datos. Entonces, si puede hacer suposiciones sólidas y son correctas, obtendrá mucha más información de la misma cantidad de datos”.
El riesgo, a criterio de Chris Bishop, es que si el investigador hace una suposición sólida y está equivocada, entonces la máquina no sólo puede hacer predicciones erróneas, sino que también podría confiar mucho en esas predicciones malas.
Ley de Moore
Christopher Bishop es compañero de la Real Academia de Ingeniería, del Darwin College en Cambridge, Inglaterra; de la Royal Society de Edimburgo, de la Royal Society y de Microsoft Technical.
Además es Director del Laboratorio de Investigación de Microsoft, en Cambridge, donde se encarga de supervisar una cartera mundial de esfuerzos de investigación y desarrollo en aprendizaje automático e Inteligencia Artificial (IA).
Para él, el término Inteligencia Artificial se refiere “a esa gran aspiración, a ese objetivo a largo plazo de producir inteligencia a nivel humano y más allá”, aunque considera que estamos muy lejos de eso.
A pesar de eso, cree que está sucediendo algo que es muy profundo y muy transformador que no tiene que ver con la IA sino con una revolución en la forma en que se crea la tecnología.
“Necesitas hardware y software para construir tecnología. Y el hardware, si piensa en las computadoras a lo largo de los años, todo el tiempo, es cada vez más rápido, más barato y mejor. Esa progresión, sin embargo, no es lineal. Fue algo lineal hasta cierto momento cuando se creó una tecnología particular llamada fotolitografía y eso nos permite imprimir transistores”.
Entonces, explica que, “en lugar de fabricar los componentes de una computadora y luego ensamblarlos, imprime todo el circuito de una vez en un chip de silicona. Eso fue profundo porque cambió la progresión a exponencial y esa es la Ley de Moore. Y todo lo demás sigue: la existencia de Microsoft, el hecho de que tienes una súper computadora en tu bolsillo, todo esto se desprende de la Ley de Moore”.
Basado en todos esos progresos, considera que estamos frente a la llamada revolución de la IA, “que es realmente una revolución de aprendizaje automático, un momento singular y similar en la historia del software”.
Ha dicho que los desarrolladores de software de hoy en día son más productivos, pero todavía tienen que decirle a la máquina cómo resolver el problema. “El cuello de botella es el intelecto humano, pero con el aprendizaje automático tenemos una manera radicalmente diferente de crear software porque, en lugar de programar la máquina para resolver el problema, programamos la máquina para aprender y luego la entrenamos con datos”.
A criterio de Christopher Bishop, el paso de limitación de velocidad ahora es el combustible que impulsa el aprendizaje automático: los datos. Por lo tanto, se escriben estos algoritmos de aprendizaje automático, la computadora puede aprender de la experiencia y ahora se le entrena usando datos.
Lo que es realmente interesante, para él, es que la cantidad de datos en el mundo está creciendo exponencialmente, de hecho, ha afirmado que se está duplicando cada dos o más años y está previsto que continúe durante mucho tiempo a medida que se instrumentan las ciudades con tecnologías como el Internet de las Cosas (IoT), entre otras.
“Eso alimentará esta revolución en el aprendizaje automático, por lo que creo que la exageración en torno a la inteligencia artificial no es incorrecta, simplemente está fuera de lugar. La verdadera emoción, durante los próximos años, será el crecimiento exponencial de nuestra capacidad para crear nuevas tecnologías, no por las máquinas de programación, sino por aprender”, expresa el investigador.
