Hablar de inteligencia artificial en estos últimos años es hablar de aprendizaje automático y de redes neuronales artificiales. "Google crea un asistente que suena como un ser humano". "Reconocimiento de armas de fuego con inteligencia artificial". "Música creada con inteligencia artificial". La mayoría de noticias que nos han llegado recientemente y que nos llegarán en el futuro inmediato que contengan las palabras inteligencia artificial nos hablarán de este tipo de técnicas.
Una red neuronal artificial es un modelo de cómputo. Lo conforman diferentes nodos (neuronas artificiales) interconectados entre sí. Cada uno de ellos realiza un cálculo muy sencillo en función del resultado de sus nodos adyacentes (capa anterior) y ciertos parámetros iniciales.
Cada nodo le entrega el resultado a sus hermanos de la capa siguiente. Así, capa tras capa, la información se va transformando hasta llegar a la salida. A vista de pájaro es una caja negra por donde entra información por un lado y sale información por el otro. Lo interesante de este modelo es que puede ser entrenado: podemos indicarle cuál es la salida esperada a cada entrada que le mostramos. Dentro de la caja, cada uno de los nodos se irá adaptando para dar un resultado más próximo a lo que se espera de él la próxima vez que se le vuelva a preguntar por la misma entrada. A esto se le llama backpropagation.
No se trata de un modelo precisamente reciente. La formalización del mismo no está muy alejada en el tiempo de la introducción de la mismísima máquina de Turing, y la primera versión del algoritmo de backpropagation surgió en la década de los 70. ¿Por qué hasta hace menos de cinco años no se ha aplicado de manera generalizada? Ahora disponemos de la potencia de cálculo necesaria para poder crear y entrenar estructuras masivas de neuronas en tiempos razonables y, además, tenemos al alcance ingentes volúmenes de información ya clasificada para entrenarlas. A día de hoy las redes neuronales artificiales son sistemas que pueden tener como entrada y salida casi cualquier tipo de información codificable.
Este modelo está resultando eficaz para que las máquinas puedan resolver problemas que, con la computación tradicional no podían resolver. O, mejor dicho, que no sabíamos cómo hacer que resolvieran. "¿Hay un perro en esta fotografía?". No parece un problema complicado para un niño o niña de dieciocho meses. Sí lo es si queremos programar de la manera tradicional una máquina para que lo solucione. Utilizando redes neuronales artificiales, la estrategia de resolución cambia: sencillamente escogemos una topología (hay tipos de estructuras de neuronas que funcionan mejor que otras para la clasificación de imágenes) y la entrenaremos de la misma manera que enseñamos a un pequeño humano. En la entrada le ponemos una foto de un perro, y en la salida le indicamos en esa foto hay un perro (es decir, señalamos la foto con el dedo diciendo "guau").
Además, también tenemos que entrenar al modelo con fotos sin perros, indicando que ahí no hay perro. Lo tendremos que hacer muchas veces. Con muchas fotos distintas.
Ciertamente muchas más de las que necesitaría un niño pequeño. El algoritmo que permite discriminar no ha sido introducido explícitamente en la máquina por un humano, sino que ha surgido del entrenamiento.
TRANSFOMAR Y AÑADIR
No únicamente podemos construir y entrenar redes neuronales que clasifiquen información, sino que transformen y añadan información a una entrada dada.
Efectivamente existen modelos (los llamados generativos) que pueden aprender a realizar este tipo de tareas. Google incorporará el autocoloreado realista de fotos en blanco y negro en la nueva versión de Google Photos. Simplificando mucho el proceso, se ha diseñado una red neuronal que ha sido entrenada al revés, es decir, a la entrada se le ha aplicado la fotografía pasada a blanco y negro y a la salida la imagen original. El modelo, una vez entrenado, podrá inventar (quizás sería más correcto decir interpolar) los colores de una fotografía en blanco y negro con la que no se había enfrentado anteriormente. Del mismo modo que hay topologías que funcionan razonablemente bien aprendiendo a transformar imágenes, también existen modelos que lo hacen con secuencias de información (textos, audios) donde el orden es relevante.
Para los sectores relacionados con la creación, la irrupción de la inteligencia artificial (y principalmente los modelos generativos) implica disponer de nuevas herramientas y por lo tanto de nuevas posibilidades creativas. Actualmente las piezas generadas por este tipo de artefactos no suelen tener un valor intrínseco más allá del que les da haber sido creadas por máquinas. El tiempo dirá si estas obras sintéticas (creadas por artefactos que son muy buenos normalizando y homogeneizando) acaban consiguiendo tocar las teclas que consiguen tocar las creadas por humanos o se trata de un mero autotune creativo. Seguirá estando en el terreno de los humanos la decisión sobre cómo y con qué conjunto de datos entrenamos estos artefactos para conseguir que los resultados que nos ofrezcan tengan un valor más allá del proceso, y quizás, del mismo modo que está cambiando la manera de programar máquinas, el entrenamiento de redes neuronales acabe formando parte del proceso de creación.
 Álvaro Sandoval es ‘tech director' de DoubleYou