Las predicciones sobre el futuro son importantes para nuestra planificación, así que hoy les daré mi visión sobre el uso de los idiomas humanos por parte de las máquinas durante los próximos 5 años. Hace poco escribí sobre mis diez principales predicciones de hace una década que se han cumplido con la explosión de los avances centrados en IP. También escribí que «los años entre 2020 y 2025 estarán dominados por las máquinas. Los consumidores y las empresas vivirán en un mundo robótico: un escenario inquietantemente parecido a la saga Terminator». ¿Cómo nos está yendo con eso?
Las predicciones científicas son más fáciles cuando la innovación ya ha tenido lugar y solo queda aplicar sus resultados. Somos muy buenos aplicando tecnologías que funcionan, como se ve en la miniaturización de los televisores y la ley de Moore. En cambio, muchos predijeron el auge de las máquinas inteligentes en la conferencia de Dartmouth de 1956, donde se acuñó el término «inteligencia artificial» o IA. La mayoría de las predicciones, como la traducción automática entre idiomas, la robótica general y la conversación con máquinas, aún no se han hecho realidad porque al principio la tecnología era inmadura y, además, las soluciones se diseñaron para adaptarse a las limitaciones. Sin embargo, en algunos casos se siguen persiguiendo las soluciones originales sin innovar más para aprovechar la tecnología actual.
Thinking Solutions es una empresa australiana que ha descubierto que es posible comprender el lenguaje sin depender del enfoque dominante actual: el análisis estadístico para el aprendizaje automático. Y no solo eso: se puede demostrar que es posible alcanzar una precisión similar a la humana en esta área crítica, como se necesita para la próxima generación de máquinas.
Panorama general
La conversación humana se considera un problema difícil para la IA: algo que no se puede lograr sin resolver primero todos los problemas de la inteligencia artificial. Algunos sostendrían que primero se necesita una comprensión detallada de cada actividad del cerebro, pero, como se ha visto desde la fundación de la IA, la mayoría de los problemas parecen poder resolverse independientemente de la solución completa. Los problemas de la conversación pueden desglosarse, así que examinaré las piezas del rompecabezas junto con sus soluciones.
Para trabajar con el lenguaje, una máquina necesita comprender (a) al menos el texto e, idealmente, algo más: (b) el lenguaje hablado y la generación de (c) respuestas habladas. Algunas tecnologías actuales parten solo del texto, seleccionan unos cuantos fragmentos según reglas y transfieren el control a aplicaciones; pedirle al auto que llame a casa es un ejemplo. Pero el siguiente paso humano en el lenguaje consiste en (d) comprender lo que se dice. Un hablante nativo capta todos los matices de significado de una oración y corrige nuestra elección de palabras, si hace falta, de una manera que los sistemas lingüísticos actuales no pueden.
A continuación, tomamos lo que hemos comprendido y, junto con nuestra situación actual, usamos (e) el contexto para intentar aclarar lo que se dijo. La interacción que sigue el contexto es lo que llamamos (f) conversación. Por último, al comprender lo que se ha dicho, (g) actuamos. La acción puede consistir en tomar nota, pero no hacer nada; en moverse físicamente; o en decidir qué responder verbalmente: quizá una pregunta aclaratoria o una respuesta informativa.
Reconocimiento de texto
El reconocimiento de texto comienza con las letras que se introducen en una computadora mediante un teclado. Algunos análisis se detienen en este nivel de reconocimiento.
IBM Watson, por ejemplo, toma el texto reconocido y, mediante algoritmos sofisticados y hardware especializado, puede determinar qué información conocida es más pertinente a partir de una enorme base de conocimientos construida mediante la adquisición de información de documentos no estructurados. Pensemos en «Big Data» procedente de documentos, no en una cognición similar a la humana, porque el sistema no entiende las palabras.
Reconocimiento de voz
El reconocimiento de voz ha sido popular en la ciencia ficción, aunque en la práctica aún no ha alcanzado nada parecido a la precisión humana. Peor aún, Hollywood empieza a dar por sentado que nuestro futuro se limitará a los comandos de voz, y sus sistemas de ciencia ficción ya funcionan de manera poco natural, con órdenes como «música, pon» o «abre el agua». ¿No es más fácil decir lo que se nos ocurra, por ejemplo: «enciende la ducha para que el agua esté bien caliente cuando llegue al baño»?
Nuance es líder del mercado de software de dictado. Su adopción puede verse limitada por su precisión. Si no apostarías tu vida a que los sistemas de dictado líderes del mercado transcriban con precisión lo que oyen, la tecnología aún no está lista. Muchos coinciden en que, desde finales de la década de 1960, la falta de comprensión del lenguaje ha frenado el dictado.
Síntesis de voz
Nada evoca más la falta de progreso científico que oír un sintetizador de voz deficiente. Parte del problema histórico ha sido la falta de una representación lingüística del sistema, pero, para sonar natural en cualquier idioma y con el acento adecuado, es necesario saber dónde poner el énfasis dentro de las palabras y frases, y a qué velocidad producir las sílabas.
Comprensión del lenguaje
Hoy, en el sector, la comprensión del lenguaje sigue siendo un problema abierto, cuyas soluciones resultan insuficientes. Se suele describir como un problema que solo requiere más reglas para lograr precisión, pero en realidad se trata de escalabilidad. La cantidad de reglas necesarias puede seguir creciendo hasta superar la capacidad de los programadores para gestionarlas.
En cambio, la automatización con técnicas de aprendizaje automático acumula estadísticas mediante el análisis automatizado de documentos, pero no aporta el significado de las palabras. Se considera que un enfoque actual, el aprendizaje profundo, permite extraer automáticamente más características útiles. Google está invirtiendo actualmente en aplicaciones de aprendizaje profundo junto con uno de sus padres fundadores, el Dr. Geoffrey Hinton.
Hoy, una mayor capacidad de procesamiento permite usar la tecnología, pero los conceptos se desarrollaron en la década de 1980. ¿Hay maneras mejores de obtener el resultado sin tanto procesamiento? ¿Es mejor la ingeniería en la que cada actividad se comprende a la perfección que aquella en la que una máquina recopila características y las aplica sin intervención humana? Personalmente, prefiero lo segundo: soluciones diseñadas en las que cada pieza funciona de manera coherente y predeterminada.
Seguimiento del contexto
El seguimiento del contexto, parte integral de la conversación, es un área de investigación científica que ha mejorado mucho, aunque recibe poca atención en las altas esferas. El profesor Robert Van Valin, miembro del consejo asesor científico de Thinking Solutions, modela los idiomas con tres dimensiones: secuencias de palabras (gramática), significado de las palabras (semántica) y conversación (discurso pragmático). Como principal creador de la Gramática del Papel y la Referencia (Role and Reference Grammar), el modelo de Van Valin facilita el seguimiento del contexto en la conversación mediante un algoritmo de enlace.
En los prototipos funcionales actuales, el algoritmo de enlace convierte el lenguaje en su significado y desambigua con precisión las referencias correctas en la conversación.
Conversación
La conversación ha sido una pieza ausente en la interacción con las máquinas porque no solo requiere comprender lo que se dice, sino que también debe tener en cuenta qué más está ocurriendo en ese momento. Hoy, los sistemas más avanzados utilizan soluciones basadas en comandos, en las que estos producen respuestas predecibles. No son interactivos como una conversación. Wit.ai, adquirida recientemente por Facebook, implementa una aplicación de este tipo basada en comandos. Una cita de Alex Lebrun, cofundador de Wit.ai, resume cuánto falta para cerrar la brecha entre comandos y conversaciones, y sugiere que no existe una solución cohesionada:
«Wit.ai… solo ha arañado la superficie del problema. A partir de los comandos simples, tendremos que enseñar a las máquinas a comprender enunciados más complejos, tener en cuenta el contexto, manejar una gran ambigüedad y generar interacciones naturales y fluidas. Dudo que alguna vez veamos una solución única y monolítica proporcionada por una sola empresa. En cambio, unas cuantas empresas emergentes resolverán partes bien definidas del problema. Las aplicaciones de lenguaje natural estarán formadas por estas piezas interconectadas».
Pasar a la acción
En esta etapa de la conversación, actuar no es complicado. Una vez que comprendemos lo que se dice, se determina la acción. Esa es la función de un programador, una habilidad que se ha vuelto un recurso básico para la mayoría de las tareas.
La variedad de aplicaciones para teléfonos móviles, como los asistentes personales, funciona prácticamente de la misma manera y ofrece capacidades similares. Hoy, todas carecen de competencia conversacional, pero, una vez determinada una acción, todas proporcionan respuestas coherentes y precisas. Cuando no se logra comprender, todas funcionan igual de mal desde el punto de vista humano.
Debate
El blog de hoy examina los requisitos de los sistemas lingüísticos para satisfacer la necesidad actual de que las máquinas comprendan. El tema despierta mucho interés. El Dr. Alan Turing, célebre por su trabajo pionero en el diseño de computadoras, el descifrado de códigos durante la Segunda Guerra Mundial y los antecedentes de la IA, ideó una prueba de inteligencia. Se utilizó la conversación para comprobar si la otra parte era inteligente. Hoy, algunos consideran que responder preguntas es una prueba mejor, como ocurre con el Winograd Schema Challenge. Nuance Communications ofrece ahora ese enfoque como concurso, aunque, por supuesto, en la prueba de Turing también se podían hacer esas preguntas.
Facebook, que adquirió recientemente Wit.ai y cuenta con varios expertos en IA en su plantilla, ha propuesto una prueba más sencilla. En ella, se presentan unas cuantas oraciones y, mientras que un hablante nativo siempre podrá responder correctamente a preguntas sobre ellas, la prueba consiste en comprobar si una máquina también puede hacerlo. Su prueba es un buen ejemplo de la comprensión del lenguaje tal como la he explicado.
Conclusión
En general, la IA —y, en particular, los productos de lenguaje y voz— ha carecido de innovaciones radicales que permitan abandonar las técnicas estadísticas de alto costo computacional. Pasar a sistemas basados en el significado no solo promete ofrecer la interfaz conversacional con las máquinas que tanto se ha esperado, sino también la plataforma para iniciar la siguiente fase de la evolución de la informática.
Cuando los seres humanos contamos con una solución que seguir, nuestra velocidad de adopción e innovación se mantiene constantemente alta. Las predicciones de 2020 parecen ahora tan sólidas como los resultados de las predicciones de 2015.
¿Debemos preocuparnos quienes estamos a la vanguardia de este desarrollo por que se haga realidad la predicción de 2020 de la saga Terminator? Por fortuna, los sistemas lingüísticos son solo una pieza del rompecabezas: una pieza fundamental para mejorar nuestra experiencia en el mundo robótico, pero solo una pieza, al fin y al cabo.
Este artículo se publica en colaboración con LinkedIn. La publicación no implica que el Foro Económico Mundial respalde las opiniones expresadas.
Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: el Dr. Hossein Eslambolchi es presidente y director ejecutivo de Cyberflow Analytics.
Imagen: El robot humanoide de la empresa británica RoboThespian «se sonroja» durante la ceremonia de apertura de la feria tecnológica Cebit de Hannover, el 9 de marzo de 2014, año en que Gran Bretaña es el país asociado. REUTERS/Wolfgang Rattay
