Tecnologías de la Información y la Comunicación: Isabelle Guyon, Bernhard Schölkopf y Vladimir Vapnik

Los métodos que han desarrollado en inteligencia artificial están contribuyendo a la “transformación de nuestro mundo cotidiano”

Gracias a sus estudios, las máquinas inteligentes pueden hoy ser entrenadas para clasificar conjuntos de datos

Isabelle Guyon, Bernhard Schölkopf y Vladimir Vapnik, son los galardonados con el Premio Fundación BBVA Fronteras del Conocimiento en la categoría de Tecnologías de la Información y la Comunicación en su duodécima edición a por sus “contribuciones fundamentales al aprendizaje automático”. Los métodos que han desarrollado en inteligencia artificial están contribuyendo a la “transformación de nuestro mundo cotidiano, mejorando campos tan diversos como el diagnóstico médico, la visión por ordenador, el procesamiento del lenguaje natural y la vigilancia del cambio climático”.
La Inteligencia Artifical está cada vez más en nuestro día a día. De manera más o menos básica está en el teléfono desde el que navegamos por internet y visitamos nuestras redes sociales, desde el televisor en el que vemos las series que más nos gustan, desde el ordenador en el que buscamos información o incluso desde la nevera que detecta si la temperatura que tiene es la correcta para mantener los alimentos que están dentro en ese momento en las mejores condiciones. Pero también se encuentra en los diagnósticos médicos, el cambio climático, la astrofísica… Pero ¿cómo las máquinas pueden aprender para ofrecer aquello que se les está demandado?

Los galardonados, Guyon, Vapnik y Scholkopf han desarrollado métodos para que los ordenadores adquieran una habilidad humana básica y crucial: reconocer patrones en grandes cantidades de datos, y poder así clasificarlos en categorías. El objetivo es que la máquina aprenda a partir de numerosos ejemplos. Vapnik y Guyon, en concreto, crearon las llamadas Máquinas de Vectores Soporte (SVM, por sus siglas en inglés), y Schölkopf potenció aún más estas herramientas matemáticas aplicando los denominados métodos de núcleo (kernel), que permiten establecer categorías mucho más específicas y por tanto multiplican las aplicaciones. Gracias a esto, las máquinas inteligentes pueden hoy ser entrenadas para clasificar conjuntos de datos con una precisión humana o, en ocasiones, incluso mejor. Esto les permite reconocer desde la voz y la escritura hasta rostros, células cancerosas o usos fraudulentos de una tarjeta de crédito.

Las SVM se emplean hoy día en genómica, en investigación del cáncer, en neurología, en la interpretación de imágenes médicas –diagnóstico por imagen– e incluso en la optimización de tratamientos contra el sida. También se aplican en la investigación del clima, en geofísica y en astrofísica. Schölkopf, director del Instituto Max Planck para Sistemas Inteligentes, en Tubinga (Alemania), ha aplicado estos métodos, además, para analizar los datos del satélite de la NASA Kepler 2, y ha hecho posible así el descubrimiento de 21 planetas extrasolares, uno de los cuales cuenta con una atmósfera en la que por primera vez se han hallado indicios de vapor de agua.

Aprender de los ejemplos

Isabelle Guyon y Vladimir Vapnik crearon juntos a principios de los 90 el primer método demostrado para categorizar datos de manera óptima, las máquinas de vectores soporte. En 1994 se unió a la colaboración el entonces estudiante de doctorado de Vapnik, Bernhard Schölkopf, que extendió las aplicaciones de las SVM.

Según Vapnik, “el problema fundamental en inteligencia artificial es lograr que la máquina reconozca y diferencie objetos, como distinguir entre hombres y mujeres, o entre diferentes diagnósticos médicos. No puedes proporcionar a la máquina la regla para hacerlo, la máquina tiene que aprender esa regla. La máquina de vector soporte se desarrolló precisamente para lograr este objetivo. El objetivo de todos estos métodos en el aprendizaje automático es simplemente que una máquina aprenda a partir de ejemplos”.

La ciencia de causalidad

Aunque sus trayectorias se han separado, los tres premiados han seguido colaborando. En particular, Guyon y Schölkopf investigan en el que se considera uno de los problemas cruciales del área: identificar en un bosque de datos no solo las correlaciones estadísticas, sino las relaciones de causalidad. Avanzar en este terreno permitiría determinar, por ejemplo, si una mutación genética es causa de un cáncer, o consecuencia.

Schölkopf ha explicado cómo su investigación en las relaciones de causalidad condujo al hallazgo de los exoplanetas: “Teníamos un modelo causal para distinguir entre las señales que procedían de la estrella y sus planetas, y las del ruido producido por el propio instrumento. Con este modelo logramos eliminar el ruido y determinar qué señales eran las que realmente provenían del espacio”.

Amante de la astronomía desde niño, Schölkopf no oculta su satisfacción por que uno de los 21 nuevos exoplanetas detectados con su ayuda se encuentra en la zona habitable y tenga una atmósfera con vapor de agua.

Por su parte Guyon ha fundado organizaciones educativas sin ánimo de lucro, ha investigado en proyectos financiados por crowdsourcing y ha trabajado en la aplicación de técnicas de inteligencia artificial a la optimización de la red eléctrica.

La rebelión de las máquinas

Según los galardonados, la transformación impulsada por la Inteligencia Artificial no ha hecho más que empezar, y que muchas de las tareas actualmente realizadas por humanos serán desempeñadas por máquinas. Sin embargo, eso no significa que vaya a haber máquinas más inteligentes que las personas.

“La máquina ya ha sobrepasado al humano en el reconocimiento de muchos patrones, por ejemplo, en muchos casos de diagnóstico médico, o al reconocer rostros”, afirma Vapnik. “Pero para mí eso todavía no significa que la máquina sea inteligente. La inteligencia es mucho más que eso y solo ahora estamos empezando a comprender lo que es”.

Schölkopf, por su parte, coincide con en que “todavía estamos muy lejos de que una máquina sea más inteligente que el ser humano”. Es cierto, señala, que “si nos fijamos en aplicaciones concretas, como jugar al ajedrez, en ese caso las máquinas pueden ser superiores a los humanos”. Sin embargo, al igual que Vapnik, Schölkopf no cree que esta capacidad para reconocer patrones “realmente deba definirse como inteligencia”.

“Lo interesante de nuestra inteligencia”, recalca Schölkopf, “es que podemos jugar al Go y después levantarnos a hacer la cena, mientras que una máquina no puede hacer esto”. Sin embargo, los avances del aprendizaje automático son suficientemente notables como para que Schölkopf considere “una preocupación legítima que en el futuro estas tecnologías puedan transformar el mercado laboral”, y por tanto que “deberíamos empezar a reflexionar ahora sobre ello”.