La aplicación del análisis computacional y las técnicas de aprendizaje descritas en investigaciones anteriores se manifiestan en forma de inteligencia artificial (IA). La IA representa la ambición de crear máquinas capaces de pensar, aprender y crear soluciones a problemas con el mismo alcance que la mente humana.
La IA no es en absoluto algo nuevo: todos la usamos a diario. Cada vez que enviamos un correo electrónico, usamos una tarjeta de crédito o viajamos, o buscamos algo en Internet, los sistemas de IA son la base sobre la que realizamos estas actividades. Los algoritmos inteligentes detectan constantemente el fraude con tarjetas de crédito, pilotan y aterrizan aviones, llevan el control de los inventarios e incluso fabrican productos en fábricas robotizadas.
Algoritmo genético
Estos algoritmos de IA se basan en el aprendizaje automático, el aprendizaje profundo, las redes neuronales artificiales y el procesamiento del lenguaje natural. Otro componente de la IA son los algoritmos que se utilizan para desarrollarla. Un buen ejemplo es el algoritmo genético (AG), un método heurístico de búsqueda utilizado en inteligencia artificial e informática que se basa en la teoría de la evolución de Darwin. El AG se utiliza para encontrar soluciones optimizadas a problemas de búsqueda, a partir de las teorías de la selección natural y la biología evolutiva, es decir, la selección, la mutación, la herencia y la recombinación.
El AG se basa en la visión clásica de un cromosoma como una secuencia de genes. R. A. Fisher utilizó esta visión para fundar la genética matemática y proporcionar una fórmula matemática que especificaba la tasa a la que determinados genes se propagarían en una población.
Al resolver problemas de optimización con y sin restricciones, un algoritmo clásico genera un único punto de datos en cada iteración. La secuencia de puntos de datos se aproxima entonces a una solución óptima. En cambio, el AG utiliza un proceso similar a la selección natural: modifica repetidamente una población de soluciones individuales y, en cada paso, selecciona aleatoriamente puntos de datos de la población actual y los utiliza como «progenitores» para producir la siguiente generación. A lo largo de generaciones sucesivas, la población «evoluciona» hacia una solución óptima.
Aunque son aleatorios, los AG no son en absoluto producto del azar. En cambio, aprovechan la información histórica para dirigir la búsqueda hacia la región de mejor rendimiento dentro del espacio de búsqueda. El AG simula eficazmente la supervivencia de los individuos más aptos a lo largo de generaciones sucesivas para resolver un problema. Cada individuo representa un punto en un espacio de búsqueda y una posible solución. A continuación, los individuos de la población pasan por un proceso de evolución.
Es mediante la combinación de los AG, el aprendizaje automático, el aprendizaje profundo, las redes neuronales artificiales y el procesamiento del lenguaje natural que la IA puede aprender de los datos y crear soluciones, una actividad fundamentalmente humana. Hoy en día, estos métodos se utilizan para buscar en conjuntos de datos grandes y complejos soluciones razonables a problemas complejos, resolviendo problemas de optimización con y sin restricciones. Se emplean para resolver problemas que no se adaptan bien a los modelos estadísticos estándar, incluidos aquellos en los que la función objetivo es discontinua, no diferenciable o altamente no lineal. También pueden aplicarse a problemas combinatorios mixtos (continuos y discretos), ya que son menos propensos a quedar «atascados» en óptimos locales que los métodos clásicos de búsqueda por gradiente.
IA específica e IA general
Estos avances nos han permitido aprovechar las cantidades descomunales de datos que se producen en cualquier formato para llevar a cabo una multitud de acciones. Sin embargo, la mayoría de las IA que realizan estas tareas son «IA específica» (ANI, por sus siglas en inglés), es decir, están diseñadas y construidas para cumplir una función muy concreta. Son capaces de realizar tareas aisladas que son computacionalmente complejas, pero están bien definidas. Algunos ejemplos son Watson, de IBM, los coches autónomos y los chatbots.
Aunque ofrecen un alto rendimiento, estas IA son difíciles de generalizar a nuevos problemas. Son herramientas creadas para un objetivo muy concreto (por ejemplo, ganar una partida de ajedrez o responder a consultas de clientes). En cambio, una inteligencia artificial general (IAG) está concebida con un objetivo más amplio: aprender cosas nuevas, mejorarse, ampliar su funcionalidad o incluso crear algo nuevo. Los sistemas de IAG están diseñados explícitamente para aprender tareas novedosas de forma autónoma y adaptarse a entornos cambiantes. Se han desarrollado para tener objetivos abiertos. Incluso los lenguajes de programación para la IAG se diseñan conforme a esta filosofía. Replicode es un ejemplo de lenguaje para IAG: a diferencia de otros lenguajes de IA, está diseñado como programas paralelos breves que no contienen instrucciones condicionales explícitas, como las estructuras «si-entonces» o los bucles.
Implicaciones empresariales
La IA y la IAG se utilizan en numerosos sectores. El año pasado, Uber adquirió la empresa emergente de IAG Geometric Intelligence y tiene la intención de crear una nueva división de investigación en inteligencia artificial en su sede. Nadie sabe qué pretende hacer Uber con la adquisición, y analizar cómo cambiarán los planes de negocio con estas tecnologías es un proceso en curso. Pero hay algo claro: el panorama laboral está en un estado de cambio turbulento, y adaptarse a estos cambios es la única forma de garantizar la supervivencia económica. Como señaló Jeff Holden, director de producto de Uber:
«Si miramos al futuro, se producirán cambios drásticos en la inteligencia artificial que afectarán a los modelos y las oportunidades de negocio.»
Pero se están logrando avances, y las empresas financieras ya están creando fondos de cobertura capaces de predecir cambios de precios a partir de una gran variedad de datos, incluidos precios y volúmenes, noticias y datos de redes sociales en diversos idiomas, así como otros datos económicos y contables a escala nacional y empresarial. Los pilares de la teoría económica, como la elasticidad, la estructura del mercado, la optimización de precios e incluso los agregados en general, están expuestos a una profunda transformación desde la perspectiva de la IA.
Estamos a punto de presenciar implicaciones mucho más amplias de la IA para la economía, la sociedad y las empresas. El viaje de aprendizaje de la humanidad apenas comienza: deberá enfrentarse al ritmo de la propagación pacífica de la IA y al surgimiento de nuevos horizontes que la integración de esta tecnología moldeará con vehemencia a su imagen y semejanza.
