{"id":4610,"date":"2022-05-24T10:35:07","date_gmt":"2022-05-24T13:35:07","guid":{"rendered":"https:\/\/agencia.unq.edu.ar\/?p=4610"},"modified":"2022-06-06T10:58:01","modified_gmt":"2022-06-06T13:58:01","slug":"inteligencia-artificial-para-que-sirve-el-aprendizaje-automatico","status":"publish","type":"post","link":"https:\/\/agencia.unq.edu.ar\/?p=4610","title":{"rendered":"Inteligencia artificial: \u00bfpara qu\u00e9 sirve el aprendizaje autom\u00e1tico?"},"content":{"rendered":"\n

Los humanos entrenan computadoras para que realicen actividades de manera automatizada. Sin embargo, \u00bfc\u00f3mo aprenden las m\u00e1quinas? Las aplicaciones biom\u00e9dicas que podr\u00edan revolucionar el campo de la salud.<\/p>\n\n\n\n

\"\"
Cr\u00e9dito de la imagen: mrinformatica.es <\/figcaption><\/figure>\n\n\n\n

Gracias al avance de la inform\u00e1tica, la inteligencia artificial y el aprendizaje autom\u00e1tico llegaron para quedarse. \u00bfCu\u00e1les son las ventajas y las aplicaciones actuales? Lo que com\u00fanmente se conoce como \u201cdeep learning\u201d o \u201caprendizaje autom\u00e1tico<\/strong>\u201d remiten a un conjunto de t\u00e9cnicas, una familia de algoritmos que ense\u00f1an a las computadoras a hacer una tarea determinada. \u201cEs un aprendizaje diferente al que realizan los seres humanos<\/strong>: si yo le digo a un ni\u00f1o ‘esto es amarillo’ tres o cuatro veces, ya lo entiende y lo aprende. En cambio, la computadora es probable que necesite unos cientos de miles de ejemplos, es un aprendizaje estad\u00edstico\u201d, explica a la Agencia de noticias cient\u00edficas de la UNQ<\/a>, Emmanuel Iarussi, ingeniero en inform\u00e1tica, Investigador del Conicet del Laboratorio de Inteligencia Artificial de la Universidad Torcuato Di Tella. <\/p>\n\n\n\n

Resulta que si hay una gran base de datos, la computadora aprende a ver patrones<\/strong> o tendencias. Hay diferencias respecto de lo que se conoce como programaci\u00f3n cl\u00e1sica. El cient\u00edfico explica que cuando se programa, es necesario aclarar met\u00f3dicamente cada paso para que se termine realizando la tarea necesaria<\/strong>. \u201cEn aprendizaje autom\u00e1tico se da vuelta eso: se le muestra al algoritmo diferentes etiquetas y se le pide que lo aprenda\u201d, ampl\u00eda. Un ejemplo ser\u00eda indicar como etiquetas im\u00e1genes de perros y gatos: luego de escanear millones de im\u00e1genes, la computadora puede reconocer estos r\u00f3tulos en otras fotograf\u00edas que nunca antes vio. Iarussi aclara que computacionalmente es muy caro<\/strong> porque hay que repetirlo numerosas veces.<\/p>\n\n\n\n

El aprendizaje autom\u00e1tico utiliza algunas t\u00e9cnicas que se conocen desde hace tiempo pero que explotaron en el presente por dos cuestiones fundamentales. Por un lado, existe un gran n\u00famero de datos; internet y las computadoras incrementaron notablemente esta disponibilidad, algo que en los a\u00f1os 90 era impensado. Por otro, en la actualidad se cuenta con el hardware para manejar toda esta informaci\u00f3n ya que los algoritmos de aprendizaje autom\u00e1tico son muy demandantes.<\/p>\n\n\n\n

Algoritmos por todos lados: tontos y poderosos<\/h2>\n\n\n\n

Hoy en d\u00eda los algoritmos de aprendizaje autom\u00e1tico ya forman parte de la vida cotidiana<\/strong>. Un ejemplo de esto son los sistemas de recomendaci\u00f3n de las plataformas de entretenimiento: el algoritmo aprende de miles y miles de usuarios con determinadas caracter\u00edsticas hasta que finalmente sabe qu\u00e9 pel\u00edculas o series prefiere y puede sugerir a los dem\u00e1s consumidores. Esto es algo relativamente simple, se pueden realizar tareas m\u00e1s complejas, por ejemplo, lo que se conoce como \u201cdeep fake<\/strong>\u201d. En este tipo de tarea se predice c\u00f3mo va a ser un video de una persona diciendo algo. Iarussi aclara, entre risas, que el problema es que “\u00a1funciona muy bien!”. Existen millones de videos de personas habl\u00e1ndole a una c\u00e1mara: si se separa el audio y se entrena al algoritmo para que diga una frase determinada, el resultado es un video muy real de una persona diciendo algo que no ocurri\u00f3 en la realidad. Las implicancias de esto son inimaginables, se puede poner en boca de personas frases que nunca dijeron y esto es sumamente cre\u00edble.<\/strong><\/p>\n\n\n\n

<\/p>\n\n\n\n

\n\n\n\n
\"Emmanuel<\/figure>\n\n\n\n

\u201cLa inteligencia artificial es aspiracional, suena como una entidad casi humana y la realidad es que estamos muy lejos de eso<\/em>\u201d.<\/p>\u2014 Emmanuel Iarussi, investigador del Conicet.<\/em><\/cite><\/blockquote>\n\n\n\n

\n\n\n\n

<\/p>\n\n\n\n

Los algoritmos de aprendizaje autom\u00e1tico est\u00e1n incluidos dentro de lo que se conoce como inteligencia artificial.<\/strong> Para Iarussi, \u201cla inteligencia artificial es aspiracional, suena como una entidad casi humana y la realidad es que estamos muy lejos de eso. Vemos cosas sorprendentes, pero no tienen la capacidad de hacer cosas que hacemos los seres humanos”. Y brinda un ejemplo: “Una red neuronal que yo entreno para una determinada tarea no suele ser buena para otra. En cambio, las personas tenemos la capacidad de realizar m\u00faltiples trabajos\u201d. Incluso, el investigador del Conicet explica que, a veces, los algoritmos suelen ser \u201ctontos\u201d<\/strong>, ya que cuando los datos no se presentan de manera similar a la aprendida, no pueden realizar la labor solicitada. \u201cUna verdadera inteligencia artificial deber\u00eda hacer muchas cosas a la vez con la misma estructura\u201d, remata.<\/p>\n\n\n\n

Todas estas aplicaciones vienen en \u201ccajas negras\u201d y se les otorga un poder, por momentos, excesivo. <\/strong>Incluso, a veces se usan algoritmos para efectuar descartes en b\u00fasquedas laborales. \u201cSi llegan dos mil curriculum vitae, para realizar la selecci\u00f3n m\u00e1s r\u00e1pida se descartan varios mediante un algoritmo que se entrena con los datos de los empleados que ya se que les fue bien dentro de la empresa.<\/strong> Ahorra trabajo, pero es bastante oscuro el rechazo que se produce. Hay caracter\u00edsticas m\u00e1s all\u00e1 de los datos que un algoritmo no puede censar y toda esa dimensi\u00f3n queda por fuera\u201d, detalla.<\/p>\n\n\n\n

\u201cA mi me gusta pensar a estas t\u00e9cnicas como una herramienta que aumente las capacidades, no como un reemplazo. Estas metodolog\u00edas empoderan<\/strong>, generan una revoluci\u00f3n similar a la que en su momento habr\u00e1 generado la fotograf\u00eda\u201d, reflexiona.<\/p>\n\n\n\n

La revoluci\u00f3n biom\u00e9dica<\/h2>\n\n\n\n

Usualmente las mol\u00e9culas interaccionan entre s\u00ed y reaccionan gracias a su estructura; es una especie de juego de encastre a nivel submicrosc\u00f3pico. Se sabe que el comportamiento de las prote\u00ednas est\u00e1 determinado por su forma y es por ello que la empresa \u201cDeepMInd\u201d, propiedad de Google<\/strong>, desarroll\u00f3 \u201cAlphafold\u201d. Este programa es un conjunto de algoritmos que realiza predicciones de la geometr\u00eda espacial de las prote\u00ednas gracias al aprendizaje autom\u00e1tico. \u201cEs una gran base de datos de prote\u00ednas que puede predecir estructuras con mucha precisi\u00f3n. No se puede escribir algoritmos infinitamente complejos, pero gracias a las bases de datos se puede hacer que se aprendan tareas autom\u00e1ticas\u201d, cuenta Iarussi.<\/p>\n\n\n\n

El cient\u00edfico se entusiasma al momento de compartir algunas de sus investigaciones: \u201cNos contactaron especialistas que precisaban contar y diferenciar r\u00e1pidamente c\u00e9lulas muertas y vivas en cultivos de c\u00e1ncer de mama<\/strong>\u201d. Para ello, consiguieron entrenar un algoritmo para volverlo capaz de diferenciar en im\u00e1genes de microscop\u00edas: \u201cAyudamos a resolver esa tarea y les pudimos dar alguna herramienta a los especialistas\u201d.<\/p>\n\n\n\n

El equipo de Iarussi tambi\u00e9n estudia la aplicaci\u00f3n de algoritmos de generaci\u00f3n de geometr\u00eda. Un ejemplo de ello es la tomograf\u00eda \u00f3sea computada<\/strong>, que reconstruye la geometr\u00eda de los huesos, pero a muy baja resoluci\u00f3n. \u201cNo alcanza para generar modelo 3D del hueso\u201d, explica. Lo que se hace es entrenar un algoritmo mediante huesos escaneados a muy alta resoluci\u00f3n. Esto no se puede realizar en personas ya que es una t\u00e9cnica que precisa de mucha energ\u00eda y ocasionar\u00eda un da\u00f1o muy grande. Sin embargo, se pueden realizar escaneos de huesos ex vivo<\/em> para entrenar al algoritmo y comparar con la tomograf\u00eda de baja resoluci\u00f3n. “Si bien estamos a\u00fan muy lejos de la aplicaci\u00f3n directa, las herramientas est\u00e1n mejorando a pasos agigantados<\/strong>\u201d, comenta.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n\n\n\n

\u00daltimas noticias de la secci\u00f3n Tecnolog\u00eda:<\/h4>\n\n\n