Machine Learning, los byte-servant

Durante el imperio Romano la esclavitud se fue dulcificando promulgándose ciertas leyes que hacían algo menos injusta la condición del subyugado. Con la llegada de la edad media el termino “esclavo” se cambio por el de “siervo”, siendo este último un hombre sometido a los caprichos de un señor feudal al que no obstante se le permitía gozar de alguna libertad. El siervo de gleba era un tipo de semi-esclavitud  un tanto particular, se trataba, claro esta, de un siervo, pero de tal condición que debía permanecer sujeto a la tierra, a la gleba. Era, por decirlo en otros términos, un bien inmueble. Para el señor se trataba de una herramienta inteligente, un tipo de útil experto en pastoreo o agricultura  que podía usar con total libertad en su feudo. Los hijos del siervo eran a su vez siervos por el resto de su vida y para que fueran útiles al señor tan solo debían ser adiestrados por sus progenitores de forma conveniente. La figura del siervo de gleba existía en toda la Europa medieval, por ejemplo, el protoeslavo designaba a este tipo de siervo con la palabra *orbota, que luego derivó en robota en Checo. El escritor Karel Čapek uso este término, parece ser que por sugerencia de su hermanoen la obra teatral de ciencia ficción R.U.R para designar a una especie de sirvientes mecánicos con inteligencia similar a la humana.

Por desgracia el ser humano aún no ha logrado erradicar el concepto de siervo de gleba, existiendo hoy en día hombres y mujeres subyugados. Sin embargo la técnica y la ciencia avanzan a paso más firme que nuestros valores y ya hemos logrado crear nuestros pequeños siervos de gleba que como los medievales permanecen sujetos al objeto que les sustenta, servidores remotos, un móvil, un pc, un sistema embebido… Nacen para un propósito determinado pero al igual que el hijo del siervo, deben ser enseñados para cumplir con sus objetivos. Con el tiempo y con los datos suficientes se convertirán en expertos capaces de tomar decisiones inteligentes, clasificar imágenes, distinguir objetos casi como un humano o estimar la vida útil de un sistema electromecánico. Estamos hablando de ese concepto tan de moda actualmente, hablamos del machine learning.

Machine learning o aprendizaje automático, es un conjunto de técnicas que permiten a las computadoras aprender de los datos logrando solucionar problemas complejos. Mucho se habla las posibilidades del machine learning y de las técnicas de inteligencia artificial IAIA en general, pero lo cierto es que más allá de las grandes compañías IBM,Google,...IBM,Google,… son pocas la empresas que incorporar y no digamos desarrollan soluciones machine learning. Sin embargo muchos problemas podrían ser resueltos mediante estas técnicas, mejorando y optimizando procesos, aumentando la vida útil de los componentes, racionalizar los mantenimientos o ayudando a usar de forma más eficiente los recursos . Un campo de aplicación de estas técnicas  es el de la industria, de tal manera que se podría  tener una estimación de la vida útil de un elemento electromecánico usando los algoritmos apropiados. Por ejemplo; en todos aquellos sistemas rotatorios, especialmente donde se emplean rodamientos, se puede emplear las vibraciones para determinar la vida útil del elemento. Para ello se emplean los decibelios a diferentes grados de envejecimiento para obtener un modelo de envejecimiento. Para tal fin se ha ensayado con Redes Neuronales Artificiales con retropropagación del error, siendo los resultados muy satisfactorios. La industria, que camina imparable hacia ese nuevo paradigma denominado industria 4.0, empleará sin duda este tipo de técnicas, que por otra parte ya se usan en sectores muy punteros tal como el aeroespacial. Sin embargo no hay que pensar ni si quiera en el futuro inmediato, la maquinaría ya incorpora un número considerable de sensores y en caso de carecer de ellos no es un problema incorporarlos. Luego, mediante un software de monitorización adecuado, como pudiera ser la plataforma Noname  ya tendríamos la posibilidad de disfrutar de estas tecnologías disruptivas sin necesidad de complejos desarrollos. 

A menudo el concepto de machine learning se confunde con el de big data, data mining o en nuestra lengua vernácula, minería de datos. Con este término se hace referencia a aquellos conjuntos de datos tan grandes que la metodología informática tradicional no es suficiente para tratar con ellos. Por lo general se habla de las tres V’s, Volumen, Velocidad y Variedad. Se cita muchas veces que el origen de esta nueva metodología se encuentra en el aumento exponencial de los datos disponibles, si bien esto proporciona dos de las V’s, volumen y variedad, no es menos cierto que es la capacidad de computo la que proporciona la velocidad que ha permitido extraer de estos datos una fuente rica de conocimiento. Sin embargo las metodologías de aprendizaje automático no tienen por que requerir siempre un volumen grande de datos, por ejemplo, la típica clasificación de las flor Iris se puede resolver empleando un conjunto de unas 150 instancias. Sin embargo gracias a las capacidades actuales de computo solo hay un camino para lograr extraer conocimiento de los grandes conjuntos de datos y este pasa por las técnicas de IA y machine learning. Sin duda es en ese ámbito donde los byte-servant están teniendo su mejor papel, absolutamente imprescindible incluso en la ciencia más básica. Si realmente quiere ver algo impresionante en este sentido visite la página del proyecto ATLAS del CERN. En estas páginas también encontrarán ejemplos de machine learning, modestos pero muy útiles.

Hay una escena muy reveladora en Odisea del espacio 2001, donde Hal 9000 predice el fallo de la unidad AE35 con 72 horas de antelación. Cuando se escribió el guión, donde A. C. Clarke fue coguionista, este tipo de tecnología era aún un sueño de futuro. No obstante algunas de las bases ya estaban establecidas, McCulloch y Pitts ya habían escrito  en  1943 A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 544, 115-133, origen del concepto de redes neuronales artificiales y que por cierto, tiene la friolera más de 15000 citas. En la actualidad el empleo de técnicas basadas en aprendizaje automático han entrado de lleno en nuestras vidas, Siri de Apple, el coche autónomo, los chatbot… pronto las máquinas empezarán a servirnos en muchos otros campos, cada vez más cotidianos y cada vez resultarán más imprescindibles. Unamuno comenzaba su Del sentimiento trágico de la vida con el proverbio latino “Nada de lo humano me es ajeno”  y Nietzsche escribía “Para que el hombre pueda tenerse respeto a sí mismo es necesario que sea capaz también de ser malo”  en Humano, demasiado humano,  ¿aprenderán también las máquinas de nuestras miserias?, ¿se respetarán a sí mismas?… en cualquier caso no hay que olvidar que por el momento somos nosotros los maestros.     

Facebooktwitterlinkedin