Blog

Cuando escuche por primera vez el termino Inteligencia artificial (IA), lo primero que me imaginé fueron robots totalmente autónomos, algo así como la película “Ex Machina”. Pero mi primer contacto con el mundo de la inteligencia artificial fue en mi proyecto de grado donde hicimos un sistema de recomendación para una cadena hotelera en México.
Sin entrar en tecnicismos y hablando en criollo (como dijo Einstein “Si no lo puedes explicar de forma sencilla, es que no lo has entendido bien”), se hizo una app que tenía un fuerte componente en multimedia y un sistema de recomendación.
La idea era que el vendedor en su puesto de venta del resort ya contara de antemano la información necesaria en su IPad y así estar preparado para saber qué producto ofrecer y qué multimedia mostrar. El sistema de recomendación era para el vendedor, dado el perfil del cliente se le recomendaba que ofrecer, aunque la decisión final siempre la tenía el vendedor.
Para esto se contaba con todos los datos de los clientes y su histórico de viajes para “entrenar” los algoritmos. Algunos de los datos que funcionaban como input eran; edad, soltero, pareja, familia, cantidad de hijos, país de origen, gustos/preferencias (spa, deportes, fiestas, lugar tranquilo, yoga, etc), y si era cliente, se contaba aparte con su historial de viajes, tipo de cliente, franja de ingresos, gastos registrados en los resorts, tipo de trabajo, posición en la empresa, etc. Después de una investigación previa se decidió usar las librerías de un framework libre CBR (Case-based reasoning) Jcolibri2 (Fuente).
Hoy día la inteligencia artificial está en la cresta de la ola con un gran y prometedor campo de expansión. Pero se hablaba de inteligencia artificial desde los 90, 80 o antes inclusive cuando empezó a pensarse en esta teoría como teoría básica computacional. Pero ¿qué cambió para que a la fecha de hoy sea de las palabras más nombrada en todos lados?
Para empezar, algunos de los cambios es que esta explosión de IA sucede después de la explosión del Big Data, imaginen la cantidad de información que se genera en los dispositivos, en los sensores hoy día. Esta gran cantidad de información no se generaba en etapas anteriores al Big Data. O sea que ahora tenemos mayor poder de procesamiento y mejores algoritmos, al punto que en el hardware ya tenemos procesadores con módulos de inteligencia artificial como el Neuronal Engine de Apple o el tensor processing unit (TPU) de Google por ejemplo.
Los referentes en el mercado tecnológico como IBM, Apple, Google, Microsoft, Facebook, Tesla, entre otros ya están hace tiempo con trabajos de investigación y desarrollo de la inteligencia artificial, al punto que han liberado librerías (open source) para que los desarrolladores en general puedan crear.
Librerías como Tensorflow de Google  , cognitive toolkit de microsoft 

Jeopardy
También tenemos al impresionante Watson de IBM  donde se puede observar la evolución de un gran trabajo, que ha venido haciendo desde tiempos inmemoriales empezando por Deep Blue derrotando al mejor jugador de ajedrez Garry Kasparov en 1997, y a tiempos más recientes como Watson derrotando (a mi entender, aniquilando) a los dos mejores jugadores de Jeopardy en USA.
Jeopardy es un juego muy conocido en USA, que básicamente alguien formula una respuesta y el participante dice la pregunta. Por ejemplo se formula “Es el CEO de Apple” y quien toque el botón primero contesta “¿Quién es Tim Cook?”.
Después de haber ganado Jeopardy IBM anunció que iban a trabajar en el campo de la medicina, por ejemplo analizando grandes cantidades de datos de código genético, de genoma humano, incluso análisis de radiografías para pelear contra el cáncer de cerebro e inicialmente contra el cáncer de pulmón.

Pizzería en Noruega
Tenemos casos de usos de IA en distintas áreas como por ejemplo en marketing, uno que me sorprendió el año pasado fue en Oslo, Noruega, en una pantalla donde pasaban publicidades tenia una cámara donde corría algoritmos de reconocimiento facial, esto se pudo ver porque se rompió y quedo al descubierto la lectura que hacia por detrás.
Si se observa la imagen debajo, la cantidad de personas que vieron la publicidad, en este caso han sido 74 personas (recuadro verde). También se puede ver que la persona 69 es una mujer adulto joven con una atención de 2015 sobre 4218 que debe ser un número cuánta atención le puso al tema (recuadro rojo). Otro dice hombre adulto, atención (ninguna), estaba sonriendo (no), tenia gafas (si) es lo que esta en el recuadro amarillo. Fuente 

Así se puede recabar un montón de datos, si la persona estaba sonriendo, triste, si prestó atención o no, que cantidad de atención le puso al anuncio. Estamos en un punto donde la publicidad a través de machine learning y herramientas como Watson, podes saber exactamente cuántos años tienes, que expresión tenias cuando viste la publicidad y si pusiste o no atención.

Caso Target
Otro ejemplo de IA es el caso de Target que hace uso de estas herramientas para hacer análisis estadístico del comportamiento de compras de sus clientes.
A quien no le ha pasado en un supermercado les preguntan “tiene tarjeta de comprador habitual, tiene la tarjeta X”, esas tarjetas de descuentos, de códigos de puntos se usan para hacer un tracking de marketing sobre tus compras, para pegar tu identidad personal con tu comportamiento de compra y luego enviarte promociones o terminar de hacer un análisis de como mejorar las ventas del supermercado. Esto fue lo que hizo Target, le empezó a mandar a una chica adolescente en USA publicidad de cosas de bebés (pañales, juguetes, ropa de mujeres embarazadas). Los padres al ver esto se enojaron y demandaron a Target. Resulta que la hija estaba embarazada, y ni siquiera ella sabía, solo Target sabía.
¿Por qué Target sabía? Porque usó machine learning para comparar el comportamiento de consumo de ella, y no porque estuviera comprando pañales o leche en polvo, sino por el comportamiento normal de una mujer en sus primeros meses de embarazo. Fuente 
Lo más interesante de esto fue que sucedió en febrero del 2012, hace más de seis años. Después de seis años la revolución del IA está en todos lados.
Watson tiene por ejemplo Marketing automation  , donde se crean todos los pasos del comportamiento de un usuario para poder venderle de una mejor manera o de forma más efectiva, desde que te descubren, hasta que aprenden de tu marca, prueban tu producto o servicio, lo compran, como lo usan y eventualmente como se vuelven influenciadores (personas que advocan por tu marca).
Se ha llegado hasta crear un trailer con Waston, la película Morgan de 20th Century FOX. Fuente. Esta es una de las tantas cosas que puede hacer Watson.

Uruguay
En el país se viene trabajando y profundizando en el área, a nivel gubernamental se vienen dando directrices respecto al tema. La Ministra del Ministerio de Industria, Energía y Minería, Carolina Cosse, dejó claro en su discurso del 18 de Julio que va a ser un de los ejes de desarrollo del país (fuente  )
En Quanam se están haciendo fuertes investigaciones al punto de lograr crear letras de canciones con IA usando técnicas de machine learning, procesamiento de lenguaje natural (NLP).Link
También como resultado de una asociación entre Quanam y GenLives para un proyecto, se ha desarrollado un gran trabajo en el campo genético para lograr detectar si la persona es propensa o tiene a una enfermedad por sus genes. Llegando a obtener el primer puesto en la categoría Data Scientist en Alemania, en el Dataworks Summit EU 2018. Link

Aprender IA
A nivel de aprendizaje ¿qué es lo que se necesita para aprender hacer IA? Aparte de las básicas de programación, a mi entender existen dos niveles. Uno es cuando podemos usar librerías de machine learning y poder desarrollar machine learning, por ejemplo, un clasificador de un objeto, reconocer si una persona es hombre o mujer y generar una experiencia de usuario. Es posible reutilizar modelos que ya existen en internet, utilizarlos y probarlos en otro ambiente como en un teléfono o en el cloud generando un dispositivo cliente – servidor.
El nivel dos es entender cómo funciona, cual es la matemática atrás de los algoritmos y el motivo por el cual funciona, donde está el conocimiento y su inteligencia. A este nivel se pueden crear nuevos algoritmos, desarrollar soluciones nuevas, porque muchos problemas que son innovadores y complejos, lo son porque no existe una solución concreta al momento.
Podríamos pasar días hablando de IA porque su campo es demasiado grande, empezando por los tipos de IA que existen, las distintas categorías, sus técnicas y algoritmos. De los más conocidos se pueden nombrar redes neuronales, machine learning, deep learning, etc. Los impactos en distintas industrias, como la automotriz donde tenemos a Tesla y sus grandes avances en los autos autónomos llegando a un nivel 3 de autonomía, involucrando distintos tipos de sensores con una IA de reconocimiento de ambiente y la toma de decisiones en tiempo real.

Ética
Un tema no menor que se está discutiendo, es sobre la ética en la IA. Que está bien o mal en su uso. Hay un caso reciente donde Google terminó decidiendo no renovar el contrato del proyecto Maven con el Ministerio de Defensa de USA.
Los desarrolladores al enterarse que el proyecto tenía como fin que los drones puedan reconocer con mayor detalle a las personas y objetos, llegar así a provocar bajas letales, estos se opusieron diciendo que iba contras los valores de la empresa. En modo de protesta hubo renuncia de desarrolladores referentes y hasta una carta abierta firmada por cuatro mil empleados de Google (fuente)
Está claro que la IA llegó para quedarse, posicionándose en distintas áreas con gran impacto en la sociedad, en las industrias y grandes proyecciones en lo laboral.

Gustavo Medina   @GustavoMedina_Z

Licenciado en Informatica  / Consultor en Data&Analytics