25/04/2024
13/12/2022
Por: Luis Felipe Giraldo, profesor asociado del Departamento de Ingeniería Biomédica.
La Inteligencia Artificial, IA, ha ganado una gran popularidad en la última década y ha permeado casi toda actividad productiva donde se requiere tomar decisiones basadas en datos. Muchos hablan de la IA, pero estoy seguro de que tendríamos dificultad a la hora de definir exactamente qué es.
Si hacemos una revisión de la literatura encontramos que no hay una definición única de inteligencia, y en particular cuando la consideramos en sistemas artificiales. Shane Legg y Marcus Hutter, en su artículo titulado ‘Universal intelligence: a definition of machine intelligence’, definen la inteligencia como “la habilidad de un agente para alcanzar objetivos en una gran variedad de escenarios”.
Esto quiere decir que la IA podría definirse como la habilidad de un agente artificial para alcanzar objetivos en muchos posibles escenarios, implicando la capacidad del agente de tener un entendimiento del ambiente en el que existe y generalizar ante situaciones que nunca ha visto para tomar decisiones. Lograr estas capacidades en un agente es el objetivo de cualquiera que diseñe un sistema de IA.
La capacidad de un agente artificial para generalizar es posible gracias a lo que se conoce como aprendizaje automático o Machine Learning (ML). Es a través de un proceso de aprendizaje que un agente artificial puede llegar a generalizar ante escenarios no vistos.
En ML, esto se logra a través de datos de entrenamiento que proveen información sobre el ambiente y los problemas a resolver; la forma de representar el conocimiento aprendido y los supuestos sobre este conocimiento; una recompensa o costo que permite saber cuáles decisiones son más adecuadas; y una estrategia de búsqueda que direcciona el proceso de aprendizaje.
La apropiada selección y uso de estos elementos permite que el agente descubra, en los datos, diferentes patrones que le permitirán tomar decisiones ante nueva información.
Hoy, las condiciones son más que propicias para definir estos cuatro elementos del ML y aplicar la IA a problemas antes impensables.
Primero, la tecnología actual nos permite recolectar y almacenar altos volúmenes de información muy fácilmente para entrenar agentes artificiales. Segundo, el resurgimiento y avance del aprendizaje profundo o Deep Learning ha facilitado la definición de nuevas formas de encontrar abstracciones del conocimiento a partir de información de diferente naturaleza, abriendo una nueva era de desarrollos en ML. Tercero, el aumento de la capacidad de computación intensiva ha permitido la aceleración del entrenamiento y ejecución de los modelos de ML. Y cuarto, la comunidad que trabaja en este tipo de desarrollos ha hecho esfuerzos considerables para hacer este conocimiento de fácil acceso.
Los desarrollos se hacen principalmente en lenguajes de programación bajo licencias de código abierto; herramientas para usar que requieren mínimas habilidades en programación y matemáticas; y los artículos científicos, código fuente, y bases de datos típicamente se publican en repositorios completamente abiertos. Es fácil encontrar abogados, antropólogos, artistas, y médicos implementando sus propias aplicaciones de IA.
En el Departamento de Ingeniería Biomédica de la Universidad de Los Andes actualmente se desarrolla investigación de punta que trasciende las aplicaciones médicas. Por ejemplo, este año, en el International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2022), la conferencia más importante del mundo en análisis de imágenes médicas e intervenciones computarizadas, se presentaron nuevos métodos basados en IA para realizar el diagnóstico automático de cáncer1 y entendimiento de escenas de cirugías2. También, este año, se publicó un trabajo donde se propone una nueva perspectiva para resolver el problema de transferencia de conocimiento de agentes artificiales en el paradigma de aprendizaje por refuerzo, el cual es clave en el estudio de IA3.
Este trabajo fue divulgado en IEEE Transactions on Pattern Analysis and Machine Intelligence, revista número uno en el mundo en el área de IA según Scopus. Los autores de estos trabajos son 100% uniandinos.
También se han venido adelantando trabajos de investigación donde la IA juega un papel importante para resolver problemas en sistemas de energías renovables, agricultura, análisis de movimiento humano, deforestación, astronomía, análisis de comunidades vulnerables, y solución de dilemas sociales. Esto demuestra que tenemos las capacidades para desarrollar tecnologías basadas en IA al servicio de la humanidad con un impacto regional y global.
Es importante considerar que, a pesar de tener las mejores intenciones para desarrollar sistemas de IA para el beneficio de la humanidad, el uso de la IA no está exento de potenciales riesgos. El manejo de los datos y del entrenamiento de los agentes artificiales de forma irresponsable puede conllevar a la vulneración de la privacidad, crear sesgos de género y raza, tomar decisiones éticamente inadecuadas en la presencia de dilemas, y hacer predicciones potencialmente peligrosas. Es nuestra obligación siempre aproximarnos a los datos con humildad y objetividad, como lo recomienda el escritor y estadístico Nate Silver, y hacer nuestro mayor esfuerzo para reducir este tipo de situaciones.
1 G Mejia, N Bloch, P Arbelaez. CanDLE: Illuminating Biases in Transcriptomic Pan-Cancer Diagnosis. International Workshop on Computational Mathematics Modeling in Cancer Analysis, 2022
2 N Valderrama, P Ruiz, I Hernández, N Ayobi, M Verlyck, J Santander, J Caicedo, N Fernández, P Arbeláez. Towards Holistic Surgical Scene Understanding. International Conference on Medical Image Computing and Computer-Assisted Intervention, 2022.
3 D Gomez, N Quijano, LF Giraldo. Information Optimization and Transferable State Abstractions in Deep Reinforcement Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022.
