El blog de esta semana examina la transición hacia la conversación en el IoT, desde el modelo actual, poco natural y basado en comandos. Hace poco hablamos de RRG, que permitirá a las máquinas conversar con nosotros mediante un nuevo enfoque lingüístico que conecta frases en cualquier idioma con significados y viceversa.
Aunque la conversación se basa en la comprensión del lenguaje natural (NLU), una observación interesante es que el seguimiento del contexto en una conversación puede eliminar gran parte de lo que la inteligencia artificial (IA) consideraría razonamiento.
La IA nació en la década de 1950, cuando sus defensores más acérrimos afirmaban que, cualquiera que fuera la propuesta, podía escribirse un programa para emularla. Sin embargo, pese al dinero, el tiempo y el esfuerzo invertidos, hasta la fecha nadie ha logrado ampliarla a niveles humanos.
Las tecnologías basadas en comandos aprovechan este enfoque temprano de la IA. Si un sistema se ha cargado con todos los comandos necesarios y el usuario puede recordar cuáles son, funciona. Además, se tienen en cuenta las limitaciones actuales del diseño del reconocimiento de voz: la necesidad de conocer de antemano todas las frases posibles.
El problema es que quizá los usuarios no conozcan un comando o, peor aún, que todavía no exista. Este es el estado de la técnica que sustenta Wit.ai (adquirida por Facebook) y Nest (adquirida por Google).
El algoritmo lingüístico de Thinking Solutions implementa RRG y funciona como cualquier entorno de desarrollo actual. Los desarrolladores pueden añadir vocabulario en cualquier idioma y vincularlo con significados únicos para todo el sistema. Es un enfoque diferente que vale la pena explorar.
Comandos frente a conversación
La conversación mejora los comandos porque permite al usuario describir su intención con palabras. Es infinitamente flexible, pero la conversación entre máquinas es nueva porque, hasta hace poco, era un problema difícil para la IA. Separar la NLU de la IA es un avance extraordinario.
Quienes vieron la película de 2004 Yo, robot, protagonizada por Will Smith, habrán visto el futuro: robots inteligentes capaces de comprender nuestro idioma. El detective Del Spooner, contrario a la revolución robótica, tiene en casa un arcaico reproductor de CD. En una escena divertida, la doctora Calvin intenta adivinar cómo interactuar: «Play» («Reproducir»), «On» («Encender»), «Run?» («¿Ejecutar?»), y luego intenta apagarlo con «End program» («Finalizar programa») y «Cancel» («Cancelar»).
Irónicamente, Calvin, que como experta en robótica debería entender la tecnología lingüística, estaba decidida a usar los arcaicos comandos actuales de 2015. Por falta de contexto, incluso los robots habrían tenido dificultades, ya que no está claro a quién se dirigía. Comparemos sus comandos con la petición: «Reproduce, por favor, la música que tienes puesta ahora, reproductor de CD». Esta frase conversacional identifica el dispositivo al que se dirige y añade contexto para limitar las respuestas. Por ejemplo, una tostadora, una aspiradora y un paraguas no reproducen música.
La tecnología sigue la mejor solución. Aunque puede que en 2035 aún haya reproductores de CD antiguos (el año en que transcurre Yo, robot), es poco probable que alguna máquina siga teniendo interfaces basadas en comandos.
Como los relojes antiguos, algunos se conservarán por interés histórico, pero todos los nuevos usarán la tecnología actual. En el caso del IoT, tendrán interfaces conversacionales. Predigo una rápida adopción de la informática conversacional, al ritmo de su desarrollo.
Una actualización para Hollywood
El motor de predicción de Hollywood sobre el futuro de la robótica está averiado. En el libro de 1968 de Arthur C. Clarke, 2001: Una odisea del espacio, una máquina superinteligente, el ordenador HAL9000, controla la nave y habla con nosotros. Parece inteligente y realista, incluso hoy. Desde entonces, Hollywood ha rebajado sus expectativas de inteligencia.
Para que Hollywood se ponga al día, hace falta más imaginación, como la de finales de la década de 1960, para hacer más realistas sus robots. Necesitan habla conversacional y emociones auténticas. En un próximo blog exploraremos las razones.
El lenguaje es infinito
Como todos los idiomas humanos son infinitos, no existe una lista que pueda abarcar todas las oraciones. Podemos seguir añadiendo vocabulario y ampliando oraciones, pero el futuro más prometedor de la NLU reside en el significado subyacente aún no desarrollado. A menudo, los problemas actuales se abordan mejor en el nivel del significado, no en el de las palabras, como sugieren las pruebas de inteligencia actuales, por ejemplo, la prueba del esquema de Winograd (WST).
La WST, en particular, aprovecha las deficiencias de los enfoques estadísticos del lenguaje, que limitan su capacidad para conectar significados separados dentro de una oración. En contexto, el análisis de esos significados no solo puede demostrarse, sino que claramente es una función de la comprensión, no solo de los patrones de palabras.
«Me gustas». Según quién se lo diga a quién, el significado de «yo» y el de «tú» no tienen límites y solo se comprenden plenamente en contexto. ¿Y qué ocurre con el orden alternativo de las palabras en «Eres tú quien me gusta»? Aquí, «tú me gustas» se trata como si tuviera el mismo significado, pero un sistema estadístico los consideraría diferentes. ¿Y qué tal «Yo, bueno, ya sabes, tú me gustas»? Estas tres palabras también conservan el mismo significado. Y, para dejar claro el punto: «Yo, diga lo que diga cualquiera y por mucho que tarde en decirlo, tú me gustas. De verdad».
El lenguaje es infinito, y las palabras que elegimos usar no deberían imponérnoslas máquinas «estúpidas».
Al analizar los idiomas humanos basándose en secuencias de palabras, los programadores nunca han podido ampliar la escala. Inténtelo y verá cómo las combinaciones aumentan rápidamente. Aunque el significado es clave para la mayoría de las tareas de desambiguación, los modelos lingüísticos preferidos en el pasado ignoraban el significado y generaban una ambigüedad excesiva.
La IA actual no es escalable
La falta de escalabilidad de la IA es terminal. Hace más de cinco años que sabemos que ha llegado el momento de innovar. Como mencioné antes, la década de 1960 fue un buen momento para hacerlo. La crítica de Bar-Hillel a la traducción automática, de 1960, dependía de una enciclopedia universal del conocimiento.
Su contemporáneo de Bell Labs, John Pierce, señaló hacia 1969 que el reconocimiento del habla (ASR) requiere una NLU similar a la humana, lo que quizá propició su cita: «Financiar la inteligencia artificial es una verdadera estupidez». Tras su comentario estaba la observación de que una gran cantidad de dinero invertido no producía resultados. En cambio, ampliar prototipos funcionales entraña mucho menos riesgo que ampliar modelos de ciencia pura.
Yann LeCun, director de Investigación en IA de Facebook, señala que su «descripción menos favorita» de un campo de investigación actual, el aprendizaje profundo, es que «es como el cerebro». Además, «la IA ha atravesado varios inviernos porque la gente afirmó que podía lograr cosas que no podía cumplir».
¿Cómo contrasto el enfoque del aprendizaje profundo y su capacidad para generar características con el nuevo algoritmo lingüístico de Thinking Solutions, un sistema que actualmente usa aprendizaje automático supervisado para cargar contenido preciso, pero sin automatización de características?
La respuesta es que son muy diferentes. La mayoría de las soluciones actuales «aprenden» almacenando nuevas estadísticas, ya sea en forma de sinapsis de redes neuronales o de tablas. Hace más de 20 años, científicos de IBM propusieron una solución que aprovechara la solidez de los métodos estadísticos y la potencia de procesamiento, en particular para el reconocimiento del habla, pero también para los idiomas en general. El problema es que la investigación sobre métodos computacionales para el habla y la traducción aún no ha tenido éxito, y es poco probable que se consiga repitiendo lo mismo. Nuance Communications también usa el enfoque estadístico en su producto de dictado, pero está lejos de ser 100 % preciso. No comprende y puede producir disparates.
Muchos de ustedes habrán usado antes un sistema de voz basado en comandos. Podrían decir algo como: «Siri, llama, por favor, a casa de mi mejor amigo». Y recibir como respuesta: «¿A quién quieres llamar?». Es una respuesta desastrosa porque hay que empezar de cero. O, al menos, repetir la frase «a casa de mi mejor amigo», que no se reconoció la vez anterior. Ese sistema los hace retroceder. Un enfoque de todo o nada —reconocer la oración o no reconocer nada— desmoraliza a los usuarios. Incluso cuando se escribe mal, basta con cambiar las letras incorrectas, no toda la oración. El ASR resulta molesto cuando no es preciso.
Internet de las cosas: IoT
La actividad continúa con sistemas basados en voz para automóviles, sistemas de domótica y muchas otras áreas, mientras se dispara el número de dispositivos conectados a internet. Apple inició la carrera por estos sistemas con la adquisición de Siri y las patentes correspondientes, que muestran el alcance de una visión así para facilitar nuestro trabajo con el IoT.
Imagine un accidente en el que un camión cisterna de combustible queda volcado y su automóvil autónomo se detiene para ayudar. «No te detengas» podría ser un comando importante, porque de lo contrario el automóvil podría quedarse en una zona de explosión, con un resultado potencialmente mortal si el camión cisterna explotara. Comprender es fundamental.
Compárelo con «cuando llegue a casa, deja las luces encendidas un minuto mientras entro». Entonces el automóvil apagará el motor al llegar usted a casa y, siguiendo sus instrucciones, dejará encendidos los faros hasta que usted entre en la vivienda. Gran parte de la acción depende de una intención no expresada y de palabras ambiguas (cuando se sacan de contexto).
El debate que debemos tener gira en torno a la precisión del sistema y la facilidad de uso. Esta última está intrínsecamente ligada a nuestro lenguaje. Veamos un par de aspectos para entender hacia dónde debe avanzar el debate, ya que nadie está produciendo sistemas como este todavía, aunque con sistemas basados en el significado sería posible.
Veamos un breve análisis de uno de los programadores de Thinking Solutions para explicar qué podría hacer un sistema basado en el significado.
«Cuando llegue a casa» se refiere a un momento futuro, no a un lugar. Mi casa es un lugar, pero la oración se refiere a la próxima vez que llegue allí. Observe que no significa que yo vaya a tener una casa, como en la oración «Me comí una manzana». La palabra «yo» se refiere a mí, pero si usted lo dice, se refiere a usted. Si lo dice otra persona, se refiere a ella. Ese concepto no facilita la creación de un buen modelo de base de datos.»
«Deja las luces encendidas un minuto mientras entro» es una orden verbal que indica al IoT del automóvil que mantenga «encendidos los faros», no las luces interiores del coche. El contexto lo hace evidente, ya que se necesita luz para ver la puerta trasera. Y «deja las luces encendidas» es una orden sobre el estado de las luces (que no estén apagadas), no sobre su ubicación: «encima del coche». «Un minuto» es el tiempo durante el que deben permanecer encendidas las luces, no una finalidad como «para un ladrón», que usa la misma estructura. «Mientras entro» también expresa una duración. Tiene un punto final concreto: cuando se cierre la puerta trasera de la casa. Tenga en cuenta que podría pensarse que significa cuando entro en el automóvil, pero eso no tiene sentido en contexto.
Este ejemplo muestra un sistema futuro en acción, que toma el contexto de forma natural y lo aplica en un ámbito limitado. Los sistemas basados en comandos obligan a que el comando determine el contexto. Los sistemas conversacionales usarán las palabras para determinar el contexto, como hacen las personas.
La NLU puede separarse de los problemas difíciles para la IA porque el significado puede comprenderse independientemente de los sentidos. Simplificando un poco, se puede saber que una luz brillante hace daño a los ojos, lo cual es malo, tanto si se tiene visión como si no. En el caso del lenguaje, la NLU parece viable sin integrarse por completo con los sistemas sensoriales operativos, como exigía el modelo de problemas difíciles para la IA.
Un camión cisterna de combustible volcado no requiere conocer el olor del combustible, ni la imagen visual de un camión cisterna, ni la sensación de una explosión. Las personas con discapacidad afrontan la falta de información sensorial. Deberíamos aprovecharlo en la adopción temprana de la NLU, mientras otros trabajan en sistemas de visión.
Uso sin conexión
Ha habido una carrera por alojar en internet las aplicaciones de voz. Una razón es que el proveedor solo necesita una copia de sus grandes tablas estadísticas. También puede actualizarlas sin conexión, sin afectar a los dispositivos. El problema es que esta interfaz de máquina se volverá fundamental para todo, por lo que la capacidad debe funcionar sin conexión y estar almacenada en el dispositivo.
El IoT necesita funcionar sin conexión. Imagine que las luces de su casa se quedan encendidas porque se interrumpe la conexión a internet. Claro que los límites entre el internet actual y su papel futuro se difuminarán, pero la conversación tendrá un papel dominante. Estará en el dispositivo o localizada en una casa, y no bajo el control de un proveedor de la nube en lo relativo al rendimiento, las personalizaciones y la accesibilidad.
Es solo cuestión de tiempo que equipos de personas aprovechen la nueva tecnología en nuestros dispositivos, dondequiera que estén. La revolución de la comprensión del lenguaje aún tiene mucho camino por recorrer, pero ya existen varias aplicaciones.
¿Cuál es la prueba definitiva de que el IoT está listo? Que, en Star Trek, se pase de la orden «Energize» o de la petición personal «Beam me up, Scotty» a la frase conversacional «I’m ready to go, Enterprise», y que todas produzcan el mismo resultado.
Este artículo se publica en colaboración con LinkedIn. La publicación no implica que el Foro Económico Mundial respalde estas opiniones.
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: Un hombre escribe en el teclado de un ordenador en Varsovia. REUTERS/Kacper Pempel/Files
