CONTENIDO DE LA UNIDAD

INTELIGENCIA ARTIFICIAL Y

NEUROCIENCIAS

  • Facebook
  • Twitter
  • YouTube
  • Pinterest
  • Tumblr Social Icon
  • Instagram
  • Material de estudio

  • Imágenes

  • Actividades de aprendizaje

1766817.png

FUNDAMENTOS DE ROBÓTICA

LOS SISTEMAS DE RECOMENDACIÓN

Los sistemas de recomendación son utilizados por todas las principales compañías de tecnología, especialmente aquellas que tienen contenido inclinado. Puede estar seguro de que YouTube, Facebook, Netflix y otros los emplean activamente en sus productos. Están diseñados de tal manera que cuanto más use estos servicios, más podrán recomendarle las cosas que desee ver.

Esto aumenta el tiempo promedio empleado en su sitio o servicio porque el consumidor muestra un video atractivo después de otro. También evita que el consumidor realice una búsqueda para encontrar lo que está buscando. ¿Quién de nosotros inicia sesión hoy en YouTube y nunca toca la barra de búsqueda? Muchas personas pueden limitar su sesión de YouTube a simplemente ver videos en su sección recomendada, u otro video que aparece en las secciones debajo. Siempre que haya iniciado sesión en su cuenta, estos videos están diseñados para satisfacer sus intereses. Incluso si no ha iniciado sesión, YouTube utiliza cada vez más su dirección IP y otros detalles del agente del navegador para personalizar la página de inicio según sus hábitos de visualización anteriores. Los sistemas de recomendación se están investigando activamente porque agregan valor a la empresa sin necesidad de cambiar nada. Todo el contenido ya está allí, estos sistemas actúan como un multiplicador de fuerza en la rentabilidad de ese contenido. Para que una empresa “sepa” quiénes son sus usuarios y cuáles pueden ser sus intereses, utilizan algoritmos de filtrado que comparan a los usuarios con las técnicas de perfiles de usuarios de todo el sistema. El más común de estos algoritmos se llama filtrado colaborativo. Otro tipo se llama filtrado basado en contenido. Logran objetivos similares, pero difieren en cómo se implementan.

Las diferencias se pueden deducir de dos servicios de transmisión de música en línea, Last.fm y Pandora. Las listas de reproducción o "estaciones" generadas por Last.fm utilizan el filtrado colaborativo para descubrir qué otros usuarios con gustos musicales similares están agregando manualmente a sus bibliotecas. Un usuario nuevo de Last.fm solo tendrá contenido que busque o escuche activamente. Después de unos días o incluso horas de escuchar su música favorita, el usuario recibirá música insertada al azar en sus bibliotecas. Este es el resultado de la técnica de filtrado colaborativo que busca a otros usuarios que escucharon a los mismos artistas y también descubrieron qué otra música les gustaba. Si todo va según lo planeado, el nuevo usuario estará satisfecho con la música recomendada y la seguirá escuchando. Por otro lado, Pandora utiliza un enfoque de filtrado de contenido. Recopilan atributos de canciones de su base de datos patentada Music Genome Project para encontrar otras canciones y artistas que se superponen en sus atributos.

La base de datos almacena 400 atributos diferentes por canción. Esta mezcla de música diferente pero similar puede ser refinada por el usuario que hace una lista de reproducción. Simplemente "no les gusta" una canción y el algoritmo no enfatizará los atributos de las canciones del proceso de selección de canciones. Cuánto más no le gusta a un usuario, con mayor precisión el sistema puede recomendar la música que desea escuchar. Del mismo modo, si el usuario "le gusta" una canción, el algoritmo busca música con los mismos atributos que le gustaron. En opinión de Pandora, toda la música puede reducirse a estos 400 atributos.

Con el exceso de información actual en línea, no es de extrañar que las empresas hayan desarrollado estos sistemas. En teoría, los sistemas de recomendación son una solución en la que todos ganan. El cliente no tiene que examinar cantidades interminables de datos ni tiene que sufrir una sobrecarga de información.

El proveedor de servicios, a su vez, obtiene más ganancias. El área principal de la disputa con los sistemas de recomendación es que pueden filtrar información del usuario. Los esfuerzos para anonimizar los datos en el pasado han cumplido con su parte justa de críticas por parte de los defensores de la seguridad y la privacidad. Netflix fue demandado por un pequeño grupo de personas que se enteraron de que sus datos anónimos utilizados en la competencia del Premio Netflix podrían ser referenciados con recursos en línea gratuitos para revelar sus identidades. Netflix llegó a conformarse con una cantidad no revelada. Otras preocupaciones en este espacio se centran en la discriminación y el posible mal uso de los datos de filtrado colaborativo. Si estos datos no están anonimizados, se pueden vincular a cuentas de usuarios individuales, lo que significa que la empresa tiene conocimiento privado de las cosas que le gustan. Esto, a su vez, puede alimentar los esquemas de mercadeo dirigidos a la sombra.

El futuro de estos sistemas apunta en una dirección clara: cada vez mayor nivel de personalización. Actualmente, los sistemas de recomendación están aislados en el mundo del contenido. A los usuarios les gusta el contenido, pueden ser contenido recomendado y, por lo tanto, querrán utilizar más el servicio. Sin embargo, ¿qué pasaría si estos sistemas pudieran generalizarse a áreas que no se centran en el contenido? Esta tecnología combinada con el Internet de las cosas, por ejemplo, podría crear el mejor clima de personalización para los consumidores. Los sistemas de recomendación podrían conectarse al refrigerador inteligente del usuario y aprovechar una amplia red de preferencias de alimentos entre todos los propietarios de refrigeradores inteligentes. La aplicación de refrigerador inteligente podría entonces recomendar al usuario alimentos populares basados ​​en varios atributos. Algunas de estas aplicaciones también podrían realizar un pedido automáticamente. Pandora usa 400 de estos atribuidos a canciones; se podría desarrollar un sistema similar para alimentos. Probablemente ya usted pueda imaginar algunos de estos atributos. El contenido de carbohidratos, el contenido de azúcar, el consumo de cetona, los alimentos para diabéticos y muchos otros podrían contribuir a una dieta personalizada y saludable.

LA ROBÓTICA

La robótica es un campo interdisciplinario que combina elementos de ingeniería, ciencia, física, informática y electrónica, solo por nombrar algunos. La robótica se refiere al diseño, implementación, programación y mantenimiento de robots. Un robot puede ser cualquier sistema físico que esté diseñado para realizar una acción o una serie de acciones con distintos grados de autonomía. La robótica tiene una larga historia y probablemente ha estado en la psique humana desde que se contaron las primeras historias griegas de los autómatas.

La tecnología moderna permite que los robots sean más inteligentes, más realistas, más amigables y, en general, más útiles que nunca. Muchos creen que la humanidad se dirige hacia una nueva revolución industrial que será encabezada por la adopción masiva de estos sistemas en prácticamente todos los sectores económicos. Además del tipo obvio de robots industriales que se encuentran en las plantas de fabricación de automóviles y refinerías, también se están desarrollando sistemas robóticos para minoristas, hoteles, transporte, telecomunicaciones, medicina y servicios de alimentos. 

La robótica y la inteligencia artificial a menudo se agrupan, pero son cosas distintas. Si bien algunos aspectos de la robótica se prestan para utilizar técnicas de inteligencia artificial, el campo en su conjunto no se preocupa por simular la inteligencia.

La robótica también se puede dividir en varios subcampos que se especializan en ciertas aplicaciones de los principios robóticos.

En el aspecto industrial, los robots se utilizan para manejar tareas que son fáciles de delegar en una máquina. Algunas de estas tareas requieren alta precisión o movimientos repetitivos que serían muy difíciles de sostener por un largo período de tiempo. Otros están diseñados para altos rendimientos como el envasado y etiquetado de alimentos.

Estos sistemas varían en cuántos comportamientos son capaces de realizar, sus propiedades físicas y cómo se programan. Los robots industriales vienen en diferentes variedades, pero una de las configuraciones más comunes es el tipo de "brazo". Estos tienen diseños similares, pero realizan diferentes tareas. También tienen diferentes grados de libertad que les permiten moverse de manera diferente. La cinemática es muy importante para estos tipos de robots porque las ecuaciones matemáticas determinan cómo se mueven las articulaciones de los brazos.

El interés en los robots humanoides carece gravemente de robots industriales con respecto a la penetración en el mercado y su utilidad. Si bien la investigación en androides o sistemas robóticos similares a los humanos sigue siendo alta, el papel del robot humanoide sigue siendo una curiosidad tecnológica más que un negocio comercialmente viable, aunque un día es posible que se compren y vendan tal como la ama de llaves robot de Los Jetsons.

Ya existen robots auxiliares de limpieza como el Roomba que ha estado disponible desde 2002. El Roomba es fabricado por una compañía de robótica llamada iRobot. Rodney Brooks, profesor de robótica en MIT, cofundó la compañía en 1990 con sus compañeros de clase. Desde entonces, Brooks comenzó a crear otra compañía llamada Rethink Robotics en 2009, más conocida por su creación de los robots colaborativos Sawyer y Baxter. Baxter es fundamentalmente un robot industrial con capacidades industriales, pero con un poco de imaginación. A diferencia de la mayoría de los robots industriales que generalmente se asemejan a un brazo mecánico, Baxter tiene dos miembros principales y una cara animada en una LCD. Fue diseñado para realizar tareas mundanas en una línea de montaje.  Baxter es una versión humanitaria del robot industrial. En lugar de realizar tareas de forma rápida y mecánica, Baxter utiliza sensores para estar "al tanto" de su entorno.

450_1000.jpg

La pantalla LCD mostrará una cara según el estado del robot. También puede responder a cambios en su entorno, como cesar la operación si deja caer una herramienta o pieza y no puede recuperarla. Una de las facetas más intrigantes del robot es que los trabajadores pueden programarlo en las instalaciones. Donde otros robots industriales requieren que un ingeniero esté configurado a través de sistemas de control, Baxter es programable a "mano". Un trabajador no calificado puede mover las manos del robot para realizar una determinada tarea, y la computadora hará todo lo posible para reproducir los movimientos. Esto hace que Baxter sea accesible para todos en la línea de producción, no solo para técnicos capacitados. Baxter ha sido elogiado por ser más seguro que los sistemas industriales tradicionales que no prestan atención a otros factores fuera de su programación inmediata. A pesar de esto, la compañía cerró sus operaciones en octubre de 2018 debido a las bajas ventas.

Muchas empresas de manufactura antigua vieron estos sistemas como experimentales y la tecnología probablemente no lo suficientemente confiable.

Los robots Sawyer y Baxter todavía se utilizan en la investigación actual. Algunas universidades los utilizan para enseñar a estudiantes en cursos de robótica. Más recientemente, los investigadores conectaron electrodos entre Baxter y un operador humano para transmitir directamente las señales cerebrales. En algún momento en el futuro, la interacción entre humanos y robots puede parecerse a algo que es tan intuitivo como simplemente pensar. La mayoría de los robots industriales no requieren percibir cosas o ser particularmente inteligentes. Realizan una tarea determinada y normalmente se dejan a un lado. Al contrario a esto, la investigación con robots humanoides se centra en la capacidad del robot para percibir el mundo a su alrededor e interactuar con él. Para poder mover un robot se necesita algún sistema de propulsión, como una serie de actuadores o motores eléctricos.

Otra opción es utilizar sistemas hidráulicos o neumáticos. Todos los robots necesitan una fuente de energía, ya sea una batería o una conexión directa a la corriente a través de un enchufe de pared. Para poder ver, un robot puede estar equipado con cámaras, LIDAR y varios sensores.

La visión de la computadora se combina con las cámaras, y los sensores envían directamente datos ambientales como la velocidad, la posición, el equilibrio, etc. al sistema de control del robot. Si el aprendizaje automático es solo una combinación de estadísticas y programación, los robots son una combinación de muchas otras cosas. En ambos casos, ninguno se acerca a una inteligencia general como el droide 3-CPO de Star Wars. Si ese es el caso, ¿cuál es el estado actual del arte de la robótica? La investigación en robótica se divide en muchas áreas de enfoque, con algunas personas trabajando en sensores, destreza de robot, interacción entre humanos y robots, movimiento autónomo, etc. Se proyecta que los robots humanoides alteren áreas de venta minorista, hospitalidad y servicio de alimentos. Es probable que ya haya visto en línea los sistemas de menú automatizados para McDonald's y otros restaurantes de comida rápida. Definitivamente se está trabajando en estos sistemas, pero es posible que no se vea la implementación por varias razones. Algunas empresas nuevas incluso están trabajando en sistemas de fabricación de hamburguesas que pueden realizar prácticamente todas las tareas de una aleta de hamburguesas promedio a una fracción del costo.

El papel del robot humanoide en el servicio al cliente es más obvio en lugares como Japón, donde la robótica ha entrado en los medios populares. De todas las naciones industrializadas en la actualidad, Japón tiene la mayor densidad de robots por un amplio margen. La mayoría de estos robots se utilizan en la industria automotriz, pero algunos de ellos asumen roles de servicio al cliente. Se pueden encontrar en tiendas departamentales seleccionadas para saludar a los clientes y en aeropuertos que actúan como transportistas de equipaje. Con una población en constante contracción y menos trabajadores no calificados dispuestos a hacer estos trabajos, tiene sentido que Japón tenga una alta tasa de adopción. Para muchos ciudadanos japoneses, los robots de servicio sirven para aumentar la calidad de vida y son una parte normal de su vida diaria.  Sin embargo, aún queda mucho camino por recorrer para que el consumidor promedio de otros países se acostumbre a estos sistemas robóticos y automatizados. Algunos incluso dirían que simplemente no existe la necesidad. En 2017, las muertes en Japón superaron en número a los nacimientos por 1.000 a uno. La población se redujo en 264.000 personas en un solo año.

Otras naciones industrializadas con tasas de desempleo en aumento y una población estable tal vez no necesiten tantos robots. También existen otras preocupaciones, además de la población y el desempleo, sobre por qué los robots de servicio aún no se ven en el extranjero. Superar el extraño efecto de valle no es una tarea fácil, especialmente con las generaciones mayores. En Japón, la gente está acostumbrada a ellos, por lo que el efecto tiene menos peso, aunque no se puede decir lo mismo de las generaciones mayores en otros países. Los jóvenes de hoy se sienten más cómodos utilizando las líneas de autoservicio y los sistemas automatizados, pero la generación de más edad se suscribe abrumadoramente a la importancia de la interacción cara a cara con su comunidad. Un gran argumento para la adopción de robots de servicio en Japón es su gran población que envejece. El cuidado al final de la vida es sinónimo de vida asistida, pérdida de autonomía personal y contratiempos embarazosos. Estas son áreas que los robots de servicio pueden abordar directamente. Por un lado, es menos probable que un paciente mayor se sienta avergonzado si un robot está limpiando después de que haya algún accidente en el baño. Si hay una fuerte interacción entre humanos y robots, el paciente puede sentir que el robot es una parte de sí mismo, como creemos que lo son nuestros teléfonos. El resultado es una ganancia neta en la autonomía personal, considerando todas las cosas. Con una escasez de profesionales de geriatría y cuidado personal más una población global que envejece, no solo en Japón, se proyecta que los robots de servicio aumentarán. Cada vez menos personas se inscriben para estos fines importantes de las carreras de la vida. El salario de estos trabajos es bajo en comparación con otras profesiones médicas que requieren una cantidad similar de capacitación. Si nadie más quiere cuidar a los ancianos, ¿quién lo hará? No todas las familias están dispuestas o son capaces de cuidar a los padres ancianos. Además, el riesgo de negligencia profesional y abuso en las instituciones de vida asistida es alto. Cuidar a los ancianos no es un trabajo fácil de ninguna manera. Combine esto con un salario exiguo, y tendrá la base para un trato injusto. Toda persona que envejece merece ser tratada con dignidad y respeto. Si los robots de servicio pueden brindar este tipo de tratamiento es un tema de debate. Y es un debate que sin duda se desarrollará dentro del siglo actual. ¿Las generaciones mayores estarían interesadas en usar un robot de servicio para sus necesidades diarias? Para algunos, un robot puede parecer intimidante o impersonal.

Después de todo, los robots no son inteligentes como somos nosotros. Pueden ser capaces de manejar habilidades de conversación básicas y responder a nuestros comandos, pero eso está muy lejos de la inteligencia genuina. También está la cuestión de si estos sistemas deberían tener un aspecto similar al humano o seguir siendo, obviamente, un robot. Los robots humanoides tienen más probabilidades de crear un extraño efecto de valle, pero no es exclusivo del diseño humano.

Cualquier robot que actúe lo suficientemente "vivo" puede provocar el efecto. La investigación en el área de la mejora, el efecto valle cae bajo la interacción humano-robot. Sabemos por esta investigación que ciertos comportamientos robóticos provocan ciertas emociones humanas como el miedo y la incertidumbre. Por ejemplo, cuando un agente robótico se acerca demasiado o invade el espacio personal de alguien, hay una respuesta de miedo. Si un robot simplemente está descansando sin ningún propósito, el humano lo percibe como desalentador e incluso inútil. La interacción con estos sistemas puede resultar en un comportamiento imprevisto en el ser humano. Es probable que los humanos atribuyan rasgos de personalidad a un robot incluso cuando no están programados explícitamente. Este factor de imprevisibilidad ha llevado a los investigadores y diseñadores a agregar señales emotivas a sus robots.

Donde los robots de servicio sufren el extraño efecto de valle, los robots de utilidad no.

 

Prácticamente todos los principales militares del mundo están invirtiendo en robots para ayudar en el campo de batalla y en las operaciones. Una empresa con sede en los Estados Unidos, Boston Dynamics, está trabajando en sistemas robóticos conocidos por su movilidad. La compañía llegó a los titulares con su diseño de un robot cuadrúpedo llamado BigDog para la Agencia de Proyectos de Investigación Avanzada de la Defensa (DARPA). El robot tiene aplicaciones militares obvias como una mula de carga que lleva municiones y suministros para los soldados en patrulla. El proyecto finalmente fue desechado porque el sistema se consideró demasiado ruidoso para ser utilizado en operaciones de combate en vivo. Sin embargo, este tipo de sistemas se consideran en su mayoría prototipos. Otros robots utilizados por los militares de los Estados Unidos incluyen la familia Foster-Miller TALON de vehículos operados a distancia. Se asemejan a pequeños tanques o exploradores planetarios con movimiento completamente rastreado. Son capaces de usar desde armas de fuego pequeñas hasta ametralladoras pesadas de forma completamente remota. Aunque TALON vio cierto despliegue en Irak y Afganistán, su uso actual sigue siendo limitado. Otros sistemas completamente armados se utilizan fácilmente como el avión no tripulado Predator MQ-1 de General Atomics y el MQ-9 Reaper. Estos pertenecen a una clase de aeronave llamada UAV o vehículos aéreos no tripulados. Los drones Predator y Reaper pueden ser controlados por un operador en tierra o pueden volar de forma autónoma con la dirección de las computadoras a bordo. Estos sistemas se han enfrentado a un mayor escrutinio con asesinatos de alto perfil que involucran a civiles y cuestionables reglas de participación.

En 2011, bajo la administración de Obama, un ciudadano estadounidense de 16 años de ascendencia yemenita fue asesinado en un ataque con un avión no tripulado mientras comía en un restaurante en Yemen. No está claro por qué fue atacado el niño, pero su padre era un presunto líder de Al Qaeda y luego fue asesinado en un ataque similar. La legitimidad de los llamados "robots asesinos" se cuestiona de vez en cuando al ser anunciado un nuevo sistema. En el centro del debate está si una nación debe poseer el tipo de poder para matar de forma remota sin juicio y en el caso de un joven de 16 años en un país que no está en guerra. Los comentaristas se apresuran a señalar que una máquina con poder de matar es capaz de ser hackeada. Hacen un llamamiento al escenario "Skynet" donde las armas autónomas ganan sensibilidad y comienzan a exterminar a los humanos. Dichos escenarios son en su mayoría ciencia ficción y no son útiles en el debate. Si bien sabemos que algunos de estos sistemas son vulnerables a ser pirateados, todavía tenemos que ver cómo un sistema autónomo pirateado causa la pérdida de vidas y de miembros. Si alguna vez hay un caso en el que uno lo hace, puede causar suficientes problemas para que los gobiernos se vean obligados a prohibirlos. Sin embargo, otros cuestionan si los robots que van a la guerra son una buena idea. Si los algoritmos de aprendizaje automático de última generación apenas pueden conducir los cuidados autónomos con un cierto grado de seguridad, ¿cómo podemos esperar que un robot realice un llamado a la guerra?

364079_avion-no-tripulado.jpg

La guerra tiene varias dimensiones más de complejidad que la conducción por la calle. La implementación de robo-soldados reales parece ser un uso improbable del gasto militar con la tecnología actual, aunque puede estar seguro de que los principales gobiernos los están investigando.  Un "robot asesino" es un término general que también es inútil. ¿Debería considerarse un robot Predator un robot, como lo es un tanque con una torreta autónoma? Las armas de centinela han estado en desarrollo durante varios años y se despliegan regularmente en el campo de batalla. Los más comunes de estos se llaman sistemas de armas cercanas (CIWS, por sus siglas en inglés) y se usan para proteger los buques de guerra de los ataques con misiles y aviones. Un CIWS es básicamente un cañón de gran calibre con una alta velocidad de disparo capaz de disparar misiles a 4.000 disparos por minuto o más. A diferencia de los sistemas antiaéreos de su antecesor que pueden haber requerido la observación manual, los CIWS utilizan guías de radar en una plataforma mecánica giratoria para bloquear objetivos de forma autónoma. No solo eso, sino que una vez "en vivo", el sistema de armas puede activarse sin entrada manual después de bloquearlo. Dispara a cualquier misil o aeronave que sea detectado por el sistema de radar automáticamente. En el caso del Phalanx CIWS utilizado por la Marina de los Estados Unidos, se usa un solo cañón Vulcan de 20 mm con precisión similar a una computadora.

El problema de la focalización se reduce a un algoritmo simple. No requiere aprendizaje automático ni ninguna otra técnica de inteligencia artificial sofisticada. Si el radar capta un objeto que se está acercando a la nave, primero debe asegurarse de que su rumbo se dirige hacia la nave. Si la aproximación del objeto se dirige directamente hacia la nave, entonces el sistema debe decidir disparar. Si el objeto está entre el rango de velocidad mínimo y máximo, entonces el cañón se dispara. Pero si el objeto es demasiado lento o demasiado rápido, el sistema no hace nada. Tanto el rango de velocidad mínimo como el máximo pueden ser programados por el operador. Los CWIS, al igual que los Phalanx, se consideran armas autónomas, pero utilizan una tecnología muy simple que ha existido desde la Guerra del Golfo. Sin embargo, para los estándares de hoy, esto sigue siendo un cañón "tonto". La naturaleza imperfecta del arma se ha demostrado en unos pocos ejercicios de entrenamiento desastrosos.

En una instancia, el sistema derribó con éxito un avión no tripulado de práctica, pero el combustible y los escombros de la explosión hicieron daño al barco y los miembros de la tripulación. En otro caso, el avión no tripulado de práctica fue derribado, pero el sistema lo volvió a atacar mientras caía, enviando inadvertidamente rondas en dirección a un barco opuesto e hiriendo a miembros de la tripulación. Este comportamiento debe esperarse de sus simples reglas de operación. Un sistema de armas más sofisticado probablemente podría haber evitado estos incidentes. Pero como sistema de defensa de misiles de último recurso, el Phalanx hace un trabajo relativamente bueno contra los ataques de misiles aislados. Otros sistemas autónomos guiados por radar son comunes en todo el mundo. Nuevamente, estos no necesitan esquemas de aprendizaje automático complicados para identificar objetivos y comprometerlos. Algunos comentaristas consideran que el sistema de cúpula de hierro de Israel para la defensa de misiles es el sistema de defensa contra misiles más avanzado del mundo. Estos sistemas demuestran cierto grado de inteligencia, pero en realidad lo único que hacen es calcular las velocidades.  A fin de cuentas, el futuro de la robótica es brillante. La demanda de sistemas de robots probablemente aumentará en proporción desigual a los profesionales de la robótica, creando empleos bien pagados para aquellos que estén interesados. Habrá un exceso de estos trabajos y una escasez de diseñadores e ingenieros de robótica. Al mismo tiempo, pueden surgir trabajos de baja cualificación, como técnicos de robots y reparadores.

PRIMERA ACTIVIDAD DE APRENDIZAJE

Con base a la exposiciones hechas con antelación, comparta su opinión respecto al uso de "robots" para el combate en guerra, considerando que la ejecución de estos está basada en algoritmos

La robótica se infiltrará en otras áreas de la tecnología como el espacio de computación en la nube y el Internet de las cosas. Los robots conectados a la nube llevarán a la creación de un mercado de robótica en la nube donde los licitadores pueden programar robots de forma remota para realizar ciertas tareas. Al igual que las habilidades de Alexa, estos programas de robot específicos se pueden comprar y vender en un mercado abierto. No solo esto, sino que la robótica está asumiendo roles cada vez más importantes en la estructura empresarial. Surgirá una nueva posición ejecutiva llamada director de robótica (CRO) para organizaciones vanguardistas que hacen un uso intensivo de los sistemas robóticos. Hay vistas divididas acerca de hasta dónde puede llegar el campo o la robótica cuando se trata de automatizar las tareas humanas.

Si la introducción de estas tecnologías lleva o no al desempleo técnico y si deben regularse, es un tema de debate.

EL INTERNET DE LAS COSAS

Imagine usted un mar de dispositivos conectados que puedan comunicarse entre sí y transmitir información. El Internet de las cosas es una de esas palabras de moda que se lanzan mucho, pero que sin embargo tiene un nombre relevante. Internet es la abreviatura de "red de redes internas" o simplemente red de redes. Una empresa o universidad tiene su propia red de computadoras conectadas que pueden o no estar conectadas a Internet. Esto se llama una intranet. Cuando conecta esas intranets a través de un protocolo de enrutamiento común como lo hace Internet, tiene una comunicación digital a gran escala. El Internet de las cosas entonces es una red de dispositivos conectados. Las tarjetas adaptadoras de red, cada vez más pequeñas, permiten que los dispositivos sean más pequeños y se adapten a prácticamente cualquier lugar. Para dar una idea de cuán pequeños pueden llegar a ser estos dispositivos, una baliza Bluetooth de bajo consumo de energía tiene aproximadamente 30 mm de diámetro, 10 mm de espesor y pesa aproximadamente 7 gramos. Además de ser minúsculo, este dispositivo tiene un bajo consumo de energía y, según la configuración, puede durar un par de años antes de necesitar un reemplazo de la batería. Los dispositivos como estos tienen un rango de transmisión pequeño dependiendo de qué tecnología inalámbrica utilizan para comunicarse. Pero como son pequeños, baratos y de producción masiva, muchos dispositivos pueden colocarse en un área de interés para formar una red de retransmisión que puede aumentar efectivamente el rango de transmisión.

El Internet de los dispositivos conectados está programado para explotar en las próximas décadas, ya que estos dispositivos se vuelven más baratos y las células de energía solar mejoran. El Protocolo de Internet (IP) bajo el espacio de nombres IPv4 para direcciones IP permite un máximo de 4.294.967.269 direcciones. IPv4 utiliza direcciones de 32 bits de aproximadamente 232 bits en tamaño total. Solo hay unas pocas combinaciones de direcciones diferentes que ofrece el protocolo. Sin embargo, el protocolo IPv6, mucho más nuevo y mejorado, utiliza direcciones de 128 bits y, como puede imaginar, ofrece por su magnitud, más direcciones. De hecho, hay entre 10 y 22 direcciones de poder, que es un número alucinante. Parte del razonamiento detrás de la implementación de IPv6 fue que el mundo se estaba quedando sin direcciones IP para usar en los sitios web. Otra razón fue que el Internet de las cosas agrega significativamente más dispositivos conectados que requieren direcciones IP únicas. Con IPv6, el mundo está listo para soportar la carga del Internet de las cosas. A nivel del consumidor, la penetración del Internet de las cosas ha sido alta en los últimos años. La llamada revolución del "hogar inteligente" ha visto una introducción de dispositivos inteligentes, termostatos, abridores de garaje, tostadoras, microondas, televisores y refrigeradores que están conectados a Internet. Estos dispositivos generalmente vienen equipados con una interfaz o panel de control común que se puede configurar a través de un teléfono inteligente. ¿Por qué alguien querría comprar un electrodoméstico común que esté conectado a Internet? Es una buena pregunta, una que los equipos de mercadeo de todo el mundo tuvieron que enfrentar cuando se diseñaron estos productos.

Los beneficios de una conexión a Internet son obvios para algunos aparatos y menos obvios para otros. Un refrigerador inteligente que viene equipado con un escáner de código de barras puede mantener un inventario del suministro de alimentos del hogar, así como también anotar cuando los productos están a punto de caducar. La aplicación de teléfono inteligente complementaria puede mantener una base de datos de todas las compras de alimentos a lo largo del año y ofrecer análisis básicos. Más técnicamente, los usuarios inclinados pueden buscar una manera de exportar sus datos para un análisis más detallado. Como puede imaginar, estos productos tienden a apoyarse en el lado costoso y se están comercializando hacia hogares de clase media y alta.  Una definición más general llamada automatización doméstica se refiere a los dispositivos, tecnologías y sistemas de control que ayudan en la economía doméstica. En el nivel más básico, usted tiene cosas como abridores de garaje y luces que prenden al aplaudir. En algún lugar del medio, tiene sistemas de iluminación, sistemas de cine en casa y control de temperatura. En el extremo superior, obtiene cosas que solo están limitadas por el espíritu DIY del propietario. Un individuo suficientemente capaz, digamos un ingeniero, puede concebir un sistema automatizado de alimentación de mascotas que solo requiere que los alimentos se repongan de vez en cuando en lugar de en cada comida. Los sistemas de irrigación del consumidor también pueden venir con un componente "inteligente", posiblemente una interfaz de tablero de instrumentos con opciones para configurar la frecuencia de riego, etc. FarmBot es un sistema de jardinería doméstica automático que ni requiere de ningún esfuerzo para mantenerlo. Imita la arquitectura de una fresadora CNC, pero está equipada con paletas y desbrozadoras de semillas. Mientras que el kit básico cuesta más de $ 3.500, la compañía mantiene que el sistema es 100% de código abierto. Esto concuerda con la ética del bricolaje detrás de muchos productos del Internet de las cosas. Las ventas de sistemas de seguridad para el hogar también han aumentado en los últimos años.

Muchas empresas de tecnología están aprovechando al máximo la revolución del Internet de las cosas en los espacios de seguridad y los consumidores tienen varias marcas para elegir. Asistentes inteligentes como Amazon Echo y Alexa también han ganado popularidad. Ayudan en el proceso de automatización del hogar al escuchar los comandos del usuario y ejecutar alguna función. Esto puede ser navegar por la web, crear una lista de compras, reproducir música y un sinfín de otras cosas. El usuario puede vincular las "habilidades de Alexa" que son los comandos programables que los dispositivos ejecutan después de cada comando. Estas habilidades se pueden buscar fácilmente en línea, y cualquier persona con conocimientos en programación sabe cómo publicarlas.

ALEXA1_clipped_rev_1.png
450_1000_clipped_rev_1.png

La automatización del hogar es especialmente relevante para el envejecimiento de la población, ya que las necesidades de las personas mayores son innumerables cuando se vive en el hogar. Para algunos, los sistemas pueden demorar la necesidad de ser admitidos en un centro de salud. Sin embargo, con la tecnología actual no hay mucho que estos sistemas puedan lograr. Ascensores para personas que usan sillas de ruedas han existido durante años. La automatización del hogar no es algo nuevo, pero ciertamente ha ganado un interés renovado con la tecnología de Internet de las cosas. Una aplicación de los principios del Internet de las cosas a la automatización del hogar para personas mayores tiene muchos beneficios. Una de las características más importantes que necesitan muchos propietarios de viviendas de edad avanzada es un sistema de alerta que puede llamar a los servicios de emergencia si están incapacitados. Las alertas que no son de emergencia, como recordatorios para tomar medicamentos y programar citas con el médico, también son útiles. El verdadero uso de las metodologías de Internet de las cosas incluiría un dispositivo inteligente que se lleva en la muñeca o el tórax y que envía información al médico del paciente sobre la frecuencia cardíaca y la presión arterial. Los recientes avances en la tecnología de tejido inteligente permiten que esta funcionalidad se incruste en la misma ropa que usan los pacientes. En el futuro, estos sistemas podrán integrarse con la robótica para obtener asistencia adicional. Los robots domésticos prepararán las comidas, limpiarán al paciente y lo ayudarán en las tareas del hogar.  Otra novedosa familia de aplicaciones del Internet de las cosas pertenece al sector industrial. Los sensores inteligentes pueden transmitir información sobre las condiciones climáticas, el estado del equipo y la logística. La tecnología RFID se puede utilizar para rastrear las unidades de mantenimiento de stock (SKU) que se mueven de un almacén a otro. El llamado "internet industrial" combina dispositivos en red, análisis de big data y actualizaciones en tiempo real. Estas métricas siempre activas son relativamente baratas para ser implementadas por grandes compañías como General Electric y, sin embargo, proporcionan una gran cantidad de información. Las áreas donde el proceso industrial o de fabricación causan ineficiencias pueden ser fácilmente detectadas por sus operadores. Una vez que se identifica un cuello de botella, los cambios necesarios para corregirlos se ponen en primer plano. Aumentar el número de dispositivos conectados reduce los costos irrecuperables en forma de pérdidas de productividad al optimizar todo el proceso. Cuando usted tiene todos los datos del mundo, tiene opciones. Aunque General Electric sigue siendo una potencia industrial de Internet, el concepto ha sido adoptado lentamente a nivel mundial. Los dispositivos de Internet de las cosas también se han propuesto para la creación de "redes inteligentes" para servicios públicos comunes.

La idea es utilizar dispositivos de monitoreo para medir el nivel de las necesidades de electricidad, de modo que la red pueda mover recursos a las áreas que más lo necesitan, mientras que aumenta la eficiencia. Esto permite la comunicación bidireccional entre el proveedor de servicios públicos y el consumidor. Las redes inteligentes en última instancia conducen a tasas de electricidad más bajas para el consumidor y disponibilidad general para todos. Un beneficio oculto de transformar las redes eléctricas en redes inteligentes es que los equipos viejos se reemplazan con los nuevos. No es ningún secreto que las infraestructuras de Estados Unidos se están desmoronando lentamente. La instalación de nuevos dispositivos en red les da a los políticos responsables la excusa para finalmente deshacerse de las partes problemáticas. Una red más nueva es una red más segura y confiable.

Una red inteligente es una forma de hacer cosas. El cliente tendrá acceso a medidores inteligentes a los que se puede acceder a través de sus teléfonos inteligentes cuando lo deseen. Allí pueden ver su factura mensual, las tasas de uso y las oportunidades para ahorrar. Una red inteligente prioriza los recursos para picos de alta demanda, pero a un costo mayor. Esto permite a los clientes ahorrativos ahorrar su consumo de electricidad más exigente durante períodos de baja demanda, ahorrando dinero en el proceso. Otro beneficio para las redes inteligentes es una mayor disponibilidad para las estaciones de carga de vehículos. Tal como está, la red eléctrica de los Estados Unidos. No está lista para el cambio a una sociedad de automóviles principalmente eléctrica. En cambio, las transmisiones eléctricas solo son prácticas en ciertas áreas de alta densidad donde las estaciones de carga están fácilmente disponibles.  Dado que la tecnología del Internet de las cosas genera grandes cantidades de datos, los sistemas de aprendizaje automático existentes solo serán más inteligentes. Si una empresa ya está utilizando sensores y otros dispositivos conectados para recopilar datos, puede estar seguro de que están utilizando un lago de datos o una solución de almacenamiento de datos para almacenarlo. Los análisis en tiempo real requieren que los motores de ingesta de datos de gran ancho de banda analicen la información a medida que se transmite a los servidores. Big Data solo se proyecta para crecer junto con la adopción de estos dispositivos en red. El Internet en su forma actual genera una gran cantidad de datos. Las aplicaciones de medios sociales como Snapchat e Instagram suben miles de fotos y videos generados por los usuarios cada minuto. Facebook, LinkedIn, Quora y otros generan datos a través de publicaciones de usuarios, así como análisis internos y de terceros para cada usuario. Prácticamente cualquier sitio web de alto tráfico utiliza complementos de terceros para el seguimiento y la recolección de datos. Estos registran cosas como movimientos del ratón, pulsaciones de teclas y clics en banners publicitarios. Básicamente, cualquier acción que realice un agente humano en una cuenta registrada puede generar datos para varias compañías.  Si agrega a esto el Internet de las cosas, que genera diferentes tipos de formatos de datos según las tecnologías inalámbricas, el exceso global de datos se dispara. Por ejemplo, la World Wide Web utiliza varios formatos de datos que son bien conocidos por los científicos de datos. Estos incluyen JSON, CSV (valores separados por comas) y XML.

 

Muchos dispositivos que están conectados a través de protocolos web como HTTP se comunican con este tipo de datos en columnas. Se espera que la cantidad de dispositivos conectados alcance los 31 mil millones en 2020. Eso es casi 30 veces la cantidad de personas que actualmente están en línea. La cantidad de datos que generan estos ciudadanos conectados fue de alrededor de 2.5 quintillones de bytes al día en 2017. Podemos esperar que el campo del aprendizaje automático crezca, con nuevas técnicas y algoritmos agregados al ya diverso repertorio de inteligencia artificial estrecha. Debido a que los dispositivos conectados pueden ser prácticamente cualquier cosa, es difícil decir de qué manera se implementarán. Sin embargo, tenemos un sentido general de hacia dónde van las cosas. Los principios más importantes de las tecnologías del Internet de las cosas son la detección, la comunicación y la transmisión. Por lo tanto, el Internet de las cosas se utilizará para crear sistemas de comunicaciones a gran escala de dispositivos pequeños.

Una ciudad inteligente es un tipo de área metropolitana urbana que utiliza la conectividad de Internet de las cosas para el análisis, la infraestructura de datos optimizada y la prestación de servicios públicos, y las redes de transporte. Una ciudad orientada a los datos es una que utiliza tecnologías de redes inteligentes para aumentar la eficacia energética, tiene una actitud abierta hacia la participación ciudadana y ha optimizado las flotas de transporte público. Los ciudadanos pueden descargar una aplicación en su teléfono que les da su propio tablero personal en la ciudad en tiempo real. Pueden leer métricas, consultar horarios de transporte, alertas de tráfico y varias otras funciones. Las tecnologías les permitirán encontrar lugares de estacionamiento vacíos, reportar baches y medir la densidad humana de sus lugares favoritos. La mayor parte de esta funcionalidad provendrá de redes de sensores conectados. Las redes de vehículos, incluidas las comunicaciones de vehículos a vehículos, harán que la conducción sea más fácil, más segura y allanará el camino para las flotas de vehículos que conducen de forma autónoma. Un moderno vehículo del año está equipado con innumerables ECU (unidades de control electrónico) que se comunican entre sí en una red integrada en el vehículo. Estos se utilizan para diagnósticos de vehículos bajo pedido, conformidad con los estándares de control de emisiones e incluso sistemas de ruptura. Los vehículos se están informatizando cada vez más hasta el punto en que son comunes los modelos que utilizan la conducción por cable. Estos modelos utilizan un tipo de dirección electrónica que evita la necesidad de tener una columna de dirección mecánica. Las redes de vehículo a vehículo permiten rendimientos eficientes en carreteras con mucho tráfico. Incluso se pueden configurar para detectar accidentes y evitarlos en tiempo real. Si los automóviles pueden comunicar sus posiciones, velocidad y dirección, entonces disuadir un accidente es un medio simple de frenar o conducir el automóvil por sí solo cuando el conductor no está prestando atención.

Al igual que las otras aplicaciones de estas tecnologías analizadas en capítulos anteriores, el papel de la regulación y los marcos legales no se puede enfatizar lo suficiente. Incluso si la tecnología está ahí, no significa que exista una política sólida para implementarlos. Los autos sin conductor son una pesadilla regulatoria, al igual que las redes vehiculares que alteran el comportamiento de los vehículos tripulados. Algo que se presenta una y otra vez con los dispositivos conectados es la disponibilidad de una comunicación segura. Para muchos en la industria de la seguridad, conectar una infraestructura vital y redes privadas representa un riesgo de seguridad que supera los beneficios potenciales.

Dado que este es un espacio relativamente nuevo con diferentes tecnologías inalámbricas, los posibles vectores de ataque están en todas partes. Es difícil para Internet mantener una postura de seguridad fuerte porque existe una mayor superposición entre la intrusión física y la inalámbrica. Además de atacar de forma inalámbrica un sensor o una red vehicular, un atacante potencial también puede ir al sitio físico donde se encuentra el sensor. En términos de la industria, estos se denominan ataques de capa física y capa de red respectivamente. Como estas redes utilizan muchos nodos individuales, la superficie de ataque solo aumenta. La gran cantidad de consumidores que los dispositivos de Internet de las cosas conectan a Internet plantea la amenaza de la proliferación de los virus. La amenaza de ataques de denegación de servicio a gran escala es un temor comúnmente citado por los investigadores de seguridad. Imagine una red zombi de millones de aparatos domésticos como tostadoras, refrigeradores, altavoces y termostatos que pueden usar protocolos web para inundar servicios web legítimos con solicitudes de comunicación.  Solo el tiempo dirá si la postura de seguridad del Internet de las cosas puede endurecerse hasta el punto en que los reguladores estén más dispuestos a aceptarlas. La investigación continua en la seguridad de las redes vehiculares tendrá que mejorar para que los municipios den el visto bueno a los sensores vehiculares en la carretera. Lo mismo puede decirse de las redes inteligentes.

En todo el mundo, se realizan experimentos en ciudades inteligentes a medida que lee esto. Una simple búsqueda en Google puede apuntarle en la dirección correcta hacia esa ciudad cercana a usted. En cualquier caso, puede esperar escuchar más sobre la seguridad, la implementación, las redes de vehículos y la regulación de Internet en los próximos decenios. Cualquier nueva tecnología suele ser lenta en ser adoptada, pero cuando lo es, tiene el potencial de revolucionar la sociedad.

¿POR QUÉ LA IA ES EL NUEVO TÍTULO EN NEGOCIOS?

Érase una vez, el título universitario más popular era un título en negocios. Si un estudiante no sabía qué campo de estudio quería escoger, pero todavía quería un trabajo decente, el título en negocios era el camino a seguir. Ahora, hay una sobreabundancia de estudiantes que van a obtener sus MBA, pero no lo suficiente como para obtener títulos en inteligencia artificial. Mientras que el mundo de los negocios se enfrenta a una saturación del conocimiento de los negocios, la inteligencia artificial se enfrenta a una escasez de conocimientos de inteligencia artificial. Nunca ha habido un momento en la historia en el que obtener un título en ciencias informáticas centrado en los métodos de inteligencia artificial haya sido más lucrativo. Muchas escuelas de primer nivel ahora ofrecen nuevos títulos que se centran en la inteligencia artificial y la gama de robótica en lugar de los conocimientos informáticos generales que se enseñan en los programas informáticos tradicionales.

Esto significa que hay demanda en el mercado, así como muchos candidatos interesados en los títulos. No es de extrañar por qué la IA está cambiando rápidamente la cara de los negocios en múltiples sectores. Los trabajos relacionados con la tecnología están pidiendo cada vez más que sus candidatos tengan un conocimiento sólido de los métodos de aprendizaje automático junto con sus otras tareas esperadas. Prácticamente todos los principales jugadores de inteligencia artificial ya han abierto algunas de sus bibliotecas de aprendizaje automático, de modo que todos, desde nuevas empresas hasta grandes corporaciones, tengan acceso para crear programas de inteligencia artificial con pocos costos iniciales.

Google lanzó TensorFlow en 2015, y desde entonces se ha convertido en uno de los repositorios más populares de GitHub, la autoridad de código abierto definitiva de hoy. Otra biblioteca de código abierto llamada PyTorch se usa ampliamente en Facebook y Uber. Si bien los participantes más pequeños en el espacio de la IA se benefician de la contratación de doctores en el campo, ya tienen muchas de las infraestructuras centrales para crear redes neuronales proporcionadas por estas herramientas gratuitas. La disponibilidad de estas herramientas se combina con un fácil acceso a los recursos computacionales proporcionados por proveedores de la nube como Amazon Web Services y Microsoft Azure. Una empresa ya no tiene que invertir en un grupo de GPU de aprendizaje automático de alto costo cuando simplemente pueden alquilar toda la potencia de procesamiento que necesitan desde la nube. Si bien estos servicios son más caros a largo plazo, aún hacen que sea más fácil para una empresa que construir infraestructura de aprendizaje de máquina por completo.

Las herramientas de inteligencia artificial permiten que una empresa se involucre en el aprendizaje automático que antes puede que no haya encontrado un uso para ello. Una tendencia relativamente nueva es utilizar el software de chat bot automatizado en sus páginas web orientadas al cliente para una recuperación rápida y fácil de la información. Un cliente puede solicitar tarifas, productos disponibles y otra información simplemente escribiendo algunos comandos de texto. Si bien los chatbots están un poco atrasados ​​en cuanto a realizar todo su potencial, muchos consumidores se están familiarizando con ellos.

Algunas compañías incluso contratan agentes humanos para que cumplan el rol de chatbot hasta que exista la tecnología para permitir que los chatbots realicen estas tareas por su cuenta. Otra aplicación común de la tecnología de la IA es predecir el comportamiento del cliente. El enfoque en el análisis está en su punto más alto para todos los tipos de empresas, no solo para minoristas. Junto con el mercadeo en las redes sociales y el comercio electrónico, el análisis impulsa mejores decisiones de los clientes para la compañía a largo plazo. También ha habido un aumento en las empresas centradas exclusivamente en la "inteligencia artificial" que comercializan un solo producto o línea de productos que tienen funcionalidad de inteligencia artificial. Uno de estos se llama Grammarly, un servicio en línea que utiliza métodos de IA para simplificar el proceso de escritura. Proporciona edición para errores simples, errores de escritura y sugerencias de cosas que el usuario puede decir para que suene más profesional.

Esencialmente, es un tutor de escritura que el usuario puede llevar con ellos a donde sea que vaya. Otra compañía llamada Stick-Fix utiliza la IA para recomendar opciones de ropa a sus clientes en función de una serie de preferencias. Un usuario designa su rango de precios, ingresa sus medidas y elige el estilo que está buscando, y el servicio le envía una caja de equipos para que se los pruebe. Las grandes empresas pueden usar la inteligencia artificial para automatizar sus sistemas. Esto es especialmente cierto en trabajos de manufactura y mano de obra que requieren mucha mano de obra, aunque pasarán muchos años antes de que muchos de estos trabajos sean completamente automatizados. El ejemplo de la planta de reciclaje dado anteriormente en este punto queda por resolver en una escala masiva. La mayoría de los sistemas de automatización comienzan por ayudar a los trabajadores de la línea en lugar de reemplazarlos por completo. Si bien los trabajadores poco calificados corren un alto riesgo de perder sus trabajos debido a la automatización, el cambio no ocurrirá de la noche a la mañana. El escenario más probable es que cuando la robótica se introduzca por primera vez en nuevas industrias, trabajarán junto con los empleados humanos. Esto ya es una realidad en el negocio de fabricación de automóviles.

En 2018, Tesla Motors fue altamente analizado por líderes empresariales en sus intentos de automatizar grandes porciones de su producción del Modelo 3. El resultado fue una sobreestimación de las capacidades de automatización y una subestimación de las capacidades del trabajador humano. La compañía no sabe cuántos modelos 3 podrían producir por mes usando su planta altamente automatizada. Este movimiento fue criticado por veteranos de la industria, algunos de ellos lo calificaron como un "error de novato".

El estado de la robótica moderna todavía está detrás del poder de la mente y especialmente de la destreza humana. Imitar los mismos movimientos micro-musculares utilizados para manipular herramientas en la mano humana es un problema no trivial para resolver con robots. Probablemente pasarán décadas antes de que una máquina coincida con la destreza a nivel humano de un trabajador de línea con años de experiencia en su oficio.  Sin embargo, no solo los trabajadores de línea están en peligro de perder sus empleos. Los avances en inteligencia artificial, especialmente en el reconocimiento de voz y el procesamiento del lenguaje, amenazan con desplazar la enorme industria de los centros de llamadas con sistemas automatizados, aunque también es probable que haya décadas en desarrollo.

El sector minorista está experimentando una transformación con los sistemas automatizados por encima de los ya altos números de ventas en línea. Menos personas salen a comprar. Al menos en lugares como Japón, se está invirtiendo activamente en robots comerciales. Incluso aquellos que disfrutan de un cómodo trabajo de cuello blanco tienen razones para mejorar su educación y habilidades técnicas. Los sistemas automatizados de nómina, contabilidad y balance de los libros están en desarrollo activo. En el futuro, incluso los programadores no estarán a salvo del diluvio de la IA. Los sistemas están siendo entrenados para realizar las tareas de programación más mundanas que a menudo se entregan a los programadores con menos habilidades. Esto incluye pruebas de software y la búsqueda de errores. Sin embargo, estando todo bajo la amenaza de la automatización, es probable que estos sistemas se implementen para que trabajen lado a lado con el programador en lugar de reemplazarlos por completo. La tecnología de vehículos sin conductor también está en aumento. Incluso mientras lee esto, puede estar seguro de que varias compañías en todo el mundo actualmente tienen sistemas de conducción autónomos en alguna parte, reuniendo cada vez más datos para fortalecer sus algoritmos. Lo que probablemente sucederá con la tecnología de vehículos sin conductor es que la habilidad vendrá primero y luego la política. El hecho de que los vehículos sin conductor sean seguros, no significa que sean introducidos automáticamente. Hay demasiadas áreas grises para ver la adopción masiva de estas tecnologías pronto.

En 2018, la primera muerte de un automóvil sin conductor fue registrada en Tempe, Arizona, por un automóvil propiedad de Uber. Puede estar seguro de que seguirán ocurriendo más muertes de este tipo hasta que la tecnología se perfeccione y aquí radique la dificultad en la formulación de políticas. Nunca ha habido un momento en la historia en que la ética de las máquinas haya sido utilizada para determinar leyes. Incluso si los autos sin conductor maten a varios cientos de personas al año (y probablemente lo harán), los legisladores y las compañías de seguros tienen que decidir si es preferible matar a varios miles. Existe una creciente necesidad de que las partes interesadas tengan esta conversación ética, así como de que los ciudadanos comunes estén informados sobre las políticas y los avances actuales. El principal factor disuasivo para los vehículos sin conductor que llegan a los medios populares será la ley, no las capacidades de la tecnología. Actualmente, la industria está hambrienta de personas capacitadas en las principales bibliotecas de la IA. Los puestos mejor pagados están buscando doctorados y graduados de maestría, pero una buena parte de ellos está buscando a alguien que sea un programador competente. La necesidad abarca otras industrias además de solamente ingenieros de software. Los ingenieros mecánicos y eléctricos con conocimientos de técnicas de aprendizaje automático tendrán una gran demanda en los próximos años. Agregue a esto un conocimiento superficial en el Internet de las cosas, y tendrá un candidato altamente deseable.

uber_21.jpg

CONSIDERACIONES GENERALES E INTERROGANTES SOBRE LA IA

¿El aprendizaje automático tiene límites?

Respuesta: El aprendizaje automático sin duda tiene sus límites. Incluso cuando se utilizan técnicas avanzadas como el aprendizaje profundo, estos sistemas están limitados por sus datos y selección de características. El aprendizaje profundo está un poco por delante de esa curva porque las características se pueden seleccionar automáticamente.

Si un problema se encuentra fuera de ese espacio problemático, el aprendizaje automático actual nunca será adecuado para responderlo. Simplemente arrojar más datos será inútil si el aprendizaje automático no se alinea con el problema. Afortunadamente, o desafortunadamente, aún no hemos tenido legisladores de robots de aprendizaje automático.

¿Cómo se utilizará la IA en el ejército? 

El Pentágono de los Estados Unidos ha mostrado cada vez más interés en el término "guerra algorítmica". Esa es la aplicación de métodos de aprendizaje automático al campo de batalla. Lo más probable es que se utilice para la selección de objetivos y la predicción de movimientos enemigos. Sin duda, los sistemas autónomos con capacidades de "decisión decisiva" se desarrollarán a partir de estas aplicaciones generales, aunque como se mencionó anteriormente, hay una gran reacción contra la militarización de la IA por parte de la comunidad de investigación. Estas armas pueden o no obtener un estatus poco convencional por parte de la comunidad internacional en algún momento. Incluso si lo hacen, las grandes potencias seguirán su creación. 

Otra posible aplicación de la IA será hacia la guerra cibernética, la infiltración de naciones a través de subterfugios, y la focalización de los sistemas de armas autónomos de los estados enemigos. Los algoritmos de la IA solo agregarán potencia a los ataques cibernéticos por parte de los actores estatales, y los sistemas de la IA pueden tomar el control de drones enemigos y plataformas de armas sin tripulación. Finalmente, existe la amenaza inminente de reconocimiento facial utilizado para identificar objetivos. No sería extraño que los ataques de aviones no tripulados en el futuro estén dirigidos a actores nacionales.

El ataque con aviones no tripulados en Yemen primero provocó la reacción de la comunidad internacional porque afirmó su derecho a atacar objetivos en suelo extranjero. Todavía tenemos que ver una huelga de este tipo dentro del país. 

¿Debería preocuparme perder mi trabajo?

La respuesta corta es no. A menos que pertenezca a un determinado mercado vertical donde la automatización ya haya eliminado muchos trabajos, es probable que pueda estar tranquilo durante los próximos diez años aproximadamente. Si tiene una profesión que es un área activa de investigación de la IA como la industria de la conducción, todavía está protegido por la zona de amortiguamiento llamada regulación. Si toma su trabajo con seriedad y pertenece a estas industrias, valdrá la pena mantenerse al día con los avances tecnológicos actuales y especialmente con las regulaciones. La primera introducción de las tecnologías de automatización siempre ayuda al trabajador antes de eliminarlas por completo. Los conductores de camiones ya se benefician del control de crucero, por ejemplo. Los camiones sin conductor aún pueden necesitar operadores a bordo para supervisar la funcionalidad y casos extremos que la computadora no puede resolver. ¿Qué pasa si una persona loca salta delante del camión para entorpecerlo? Es más probable que hagan esto si el camión está completamente sin tripular. Lo mismo ocurre con los posibles escenarios de piratería. Afortunadamente para usted, los autos sin conductor son una pesadilla reglamentaria y probablemente no verán una adopción masiva durante algunas décadas. 

He oído que la IA puede cambiar drásticamente el mundo, lograr la paz mundial e incluso acabar con la pobreza. ¿Hay algo de cierto en esto?

Realmente depende de a quién le pregunte, ya que nadie entiende cómo se verá la IA dentro de 30 o 50 años. La inteligencia general artificial que converge con los objetivos de las humanidades podrá realizar muchas tareas mejor que nosotros. Entonces puede trabajar en estos problemas sin necesidad de comer o dormir, lo que produce avances a un ritmo exponencial. Tales sistemas probablemente podrían resolver los problemas más apremiantes hoy en día, como el cambio climático y la logística de los alimentos. Algunos creen que traerá una nueva era de abundancia donde las personas ya no tienen que trabajar.

La riqueza creada por esta inteligencia alimentará un ingreso básico universal. Esas son las proyecciones más optimistas. Una explicación más detallada puede ser un mundo en el que la inteligencia artificial general se limita a empresas y gobiernos seleccionados, lo que contribuye aún más a la desigualdad de riqueza. Aun así, otra explicación práctica es que la IA general es una idea de moda que nunca verá la realidad. 

¿Qué tan preocupado debería estar por la IA en general?

Para la persona promedio, hay poco de qué preocuparse. La mayoría de las aplicaciones de aprendizaje automático son completamente benignas. Hay algunas preocupaciones éticas y de privacidad, pero, de nuevo, la mayoría de las personas no se verán afectadas por ellas. Incluso si los militares adoptan estos sistemas de armas, existe un riesgo asintótico de que se utilizaran contra usted. Es decir, prácticamente cero. La pérdida de un trabajo puede ser una preocupación, en cuyo caso tiene una gran ventaja para pensar en qué otra industria puede cambiar. Recuerde que para cada aplicación terrible de la tecnología hay un beneficio potencial bueno para la humanidad. Imagine un mundo donde el contenido de gráficos se elimina de los sitios web familiares como Facebook. Imagine un mundo donde conducir sea tan seguro como volar un avión, donde los conductores jóvenes no corren un mayor riesgo de muerte. Imagine un mundo donde las ineficiencias del mercado se suavizan, lo que lleva a un aumento de la economía.

Imagine un mundo donde el cáncer ya no es una preocupación importante debido a la detección temprana y al descubrimiento avanzado de medicamentos. Imagine un mundo donde las personas mayores viven más tiempo y son atendidas con la dignidad y el respeto que merecen, sin tener que preocuparse más por los cuidadores abusivos o la vergüenza de perder su autonomía.

Si la IA general es descubierta y va mal, ¿qué pueden hacer los humanos?

Al igual que en la mayoría de los escenarios intratables, la prevención es la cura. Confíe en que las empresas están haciendo lo correcto para garantizar que sus sistemas no se salgan del camino. En el futuro, la legislación de la IA será un tema de debate común. Si actualmente usted no es un votante, puede reconsiderar cuándo está en juego el destino de la humanidad. Hay una hipótesis sorprendente sobre la creación de la IA general que postula que cuanto antes se descubra, menor será la amenaza existencial para la humanidad. Esto se debe a que cuanto más tiempo lleve, mejor tecnología y sistemas tendrá a su disposición. Imagínese si las máquinas de impresión 3D de nanotecnología están en uso activo cuando la IA general se ponga en línea. Si hiciera malvada, podría comenzar rápidamente a transformar la faz de la Tierra en una computadora gigantesca.

EL ALGORITMO ¿CÓMO SE CREA O TRABAJA?

Casi todos los algoritmos mencionados siguen un proceso de desarrollo parecido. Sintetizando se puede decir que los algoritmos son instrucciones paso a paso que ayudan a un ordenador a completar un cálculo. De esta manera, la Inteligencia Artificial utiliza algoritmos para crear máquinas que aprendan de su propia experiencia, se reconfiguran ante nuevos escenarios y desarrollan las tareas de manera similar a cómo lo haríamos nosotros.

Para crear Inteligencia Artificial hay dos fundamentos básicos de los que se valen: los algoritmos y los datos para configurarlos. El algoritmo proporciona las instrucciones para la máquina y los datos permiten a la máquina aprender a emplear esas instrucciones y perfeccionar su uso.

Según la disposición de las instrucciones se puede hablar de distintos tipos de Inteligencia Artificial y los algoritmos, destacamos los siguientes:

Los que emplean la lógica, crean algoritmos basándose en los principios racionales del pensamiento humano.

Los que combinan lógica e intuición (Deep Learning), los algoritmos se diseñan como neuronas humanas, empleando el patrón de funcionamiento del cerebro de las personas para que la máquina aprenda como lo haría una persona.

Tipos de algoritmos

La Inteligencia Artificial y los algoritmos son un superconjunto de tecnologías que engloba al Machine Learning. A continuación, mencionaremos los principales tipos de algoritmos de este campo.

Aprendizaje por refuerzo (RL, Reinforcement Learning)

Este tipo de aprendizaje consiste en la interacción constante basada en la “prueba y error” que una máquina puede realizar en tiempo récord en determinadas condiciones o en un entorno dado (en un juego, por ejemplo) y con un objetivo específico que se denomina “recompensa”. De esta manera, se pueden obtener resultados, patrones, correlaciones, caminos y conclusiones basadas en experiencias previas generadas por la propia máquina.

Un ejemplo de este modelo de aprendizaje es la IA ajedrecista AlphaZero de DeepMind. Donde enseñas a la máquina a jugar una partida introduciendo las reglas en sus sistema, luego le das una recompensa cada vez que consigue su objetivo (por ejemplo, ganar una partida).

Los principales algoritmos utilizados en el aprendizaje por refuerzo son la programación dinámica (dynamic programming), Q-Learning y SARSA (State-action-reward-state-action).

Aprendizaje supervisado (Supervised machine learning)

El aprendizaje supervisado emplea modelos predictivos que utilizan datos de entrenamiento. Dado un conjunto de datos, se pretende que el sistema sea capaz de lograr una salida. Con este sistema, el modelo es ajustado (entrenado) hasta conseguir los resultados deseados. Un ejemplo de este aprendizaje es el de los coches autónomos.

Los principales algoritmos en el supervised machine learning son los árboles de decisión, clasificaciones Naive Bayes, la regresión ordinaria por mínimos de cuadrados, la regresión logística y el Support Vector Machines (SVM).

Aprendizaje no supervisado (Unsupervised machine learning)

Los algoritmos de este aprendizaje son similares al del aprendizaje supervisado, sin embargo, estos se ajustan solo en función de los datos de entrada. Es decir, el algoritmo realiza un auto-entrenamiento sin indicaciones externas. Estos algoritmos están pensados para realizar un procesamiento más complejo.

Los algoritmos más utilizados en el aprendizaje no supervisado son los algoritmos de agrupamiento o clustering, el análisis de componentes principales (PCA), el Singular Value Decomposition (SVD) y el análisis de componentes independientes.

¿Cuáles son los tipos de algoritmos del machine learning?

Conceptos como inteligencia artificial (IA) o machine learning (aprendizaje automático) son ineludibles en el contexto actual. El aprendizaje automático es esa rama de la informática que otorga a la IA la capacidad de aprender tareas. Para lograrlo, los programadores se basan en los algoritmos del machine learning.

El término aprendizaje automático se confunde a menudo con el de Inteligencia Artificial, cuando en realidad es un subcampo. Se define como la capacidad del ordenador para aprender sin ser programado explícitamente.

La automatización en el entorno laboral está provocando cambios que parecen no tener fin.

En su forma más básica, el aprendizaje automático utiliza algoritmos programados que reciben y analizan datos de entrada para predecir los valores de salida dentro de un rango aceptable.

A medida que se introducen nuevos datos en estos algoritmos, aprenden y optimizan sus operaciones para mejorar el rendimiento, desarrollando “inteligencia” con el tiempo.

Los tres grupos de algoritmos del machine learning

Una vez entendido qué es el machine learning, cabe conocer los tres tipos de algoritmos de aprendizaje automático que existen: supervisado, no supervisado y por refuerzo.

1. Aprendizaje supervisado

En el aprendizaje supervisado, la máquina se enseña con el ejemplo. De este modo, el operador proporciona al algoritmo de aprendizaje automático un conjunto de datos conocidos que incluye las entradas y salidas deseadas, y el algoritmo debe encontrar un método para determinar cómo llegar a esas entradas y salidas.

 

Mientras el operador conoce las respuestas correctas al problema, el algoritmo identifica patrones en los datos, aprende de las observaciones y hace predicciones. El algoritmo realiza predicciones y es corregido por el operador, y este proceso sigue hasta que el algoritmo alcanza un alto nivel de precisión y rendimiento.

 

2. Aprendizaje sin supervisión

Aquí, el algoritmo de aprendizaje automático estudia los datos para identificar patrones. No hay una clave de respuesta o un operador humano para proporcionar instrucción. En cambio, la máquina determina las correlaciones y las relaciones mediante el análisis de los datos disponibles.

 

En un proceso de aprendizaje no supervisado, se deja que el algoritmo de aprendizaje automático interprete grandes conjuntos de datos y dirija esos datos en consecuencia. Así, el algoritmo intenta organizar esos datos de alguna manera para describir su estructura. Esto podría significar la necesidad de agrupar los datos en grupos u organizarlos de manera que se vean más organizados.

A medida que evalúa más datos, su capacidad para tomar decisiones sobre los mismos mejora gradualmente y se vuelve más refinada.

3. Aprendizaje por refuerzo

El aprendizaje por refuerzo se centra en los procesos de aprendizajes reglamentados, en los que se proporcionan algoritmos de aprendizaje automáticos con un conjunto de acciones, parámetros y valores finales.

Al definir las reglas, el algoritmo de aprendizaje automático intenta explorar diferentes opciones y posibilidades, monitorizando y evaluando cada resultado para determinar cuál es el óptimo.

En consecuencia, este sistema enseña la máquina a través del proceso de ensayo y error. Aprende de experiencias pasadas y comienza a adaptar su enfoque en respuesta a la situación para lograr el mejor resultado posible.

7 tipos de algoritmos del machine learning

¿Cuáles son los algoritmos de aprendizaje automático más comunes y populares?

 

1. Algoritmos de regresión

En las tareas de regresión, el programa de aprendizaje automático debe estimar y comprender las relaciones entre las variables. El análisis de regresión se enfoca en una variable dependiente y una serie de otras variables cambiantes, lo que lo hace particularmente útil para la predicción y el pronóstico.

 

2. Algoritmos bayesianos

Este tipo de algoritmos por clasificación están basados en el teorema de Bayes y clasifican cada valor como independiente de cualquier otro. Lo que permite predecir una clase o categoría en función de un conjunto dado de características, utilizando la probabilidad.

 

A pesar de su simplicidad, el clasificador funciona sorprendentemente bien y se usa a menudo porque supera a los métodos de clasificación más sofisticados.

 

3. Algoritmos de agrupación

Se utilizan en el aprendizaje no supervisado, y sirven para categorizar datos no etiquetados, es decir, datos sin categorías o grupos definidos.

 

El algoritmo funciona mediante la búsqueda de grupos dentro de los datos, con el número de grupos representados por la variable K. A continuación, funciona de manera iterativa para asignar cada punto de datos a uno de los K grupos según las características proporcionadas.

 

4. Algoritmos de árbol de decisión

Un árbol de decisión es una estructura de árbol similar a un diagrama de flujo que utiliza un método de bifurcación para ilustrar cada resultado posible de una decisión. Cada nodo dentro del árbol representa una prueba en una variable específica, y cada rama es el resultado de esa prueba.

 

5. Algoritmos de redes neuronales

Una red neuronal artificial (RNA) comprende unidades dispuestas en una serie de capas, cada una de las cuales se conecta a las capas anexas. Las RNA se inspiran en los sistemas biológicos, como el cerebro, y en cómo procesan la información.

 

Por lo tanto, son esencialmente un gran número de elementos de procesamiento interconectados, que trabajan al unísono para resolver problemas específicos.

 

También aprenden con el ejemplo y la experiencia, y son extremadamente útiles para modelar relaciones no lineales en datos de alta dimensión, o donde la relación entre las variables de entrada es difícil de entender.

 

6. Algoritmos de reducción de dimensión

La reducción de dimensión reduce el número de variables que se consideran para encontrar la información exacta requerida.

 

7. Algoritmos de Aprendizaje Profundo

Los algoritmos de aprendizaje profundo ejecutan datos a través de varias capas de algoritmos de redes neuronales, las cuales pasan a una representación simplificada de los datos a la siguiente capa.

 

La mayoría funciona bien en conjuntos de datos que tienen hasta unos cientos de características o columnas. Sin embargo, un conjunto de datos no estructurado, como el de una imagen, tiene una cantidad tan grande de características que este proceso se vuelve engorroso o completamente inviable.

 

El aprendizaje automático es esa rama de la informática que otorga a la IA la capacidad de aprender tareas a través de los algoritmos del machine learning

 

Los algoritmos de aprendizaje profundo aprenden progresivamente más sobre la imagen a medida que pasa por cada capa de red neuronal. Las primeras capas aprenden a detectar características de bajo nivel como los bordes, y las capas posteriores combinan las características de las capas anteriores en una representación holística.

SEGUNDA ACTIVIDAD DE APRENDIZAJE:

Realice un mapa conceptual en el que establezca las características fundamentales de los 7 tipos de algoritmos del machine learning y comparta su trabajo en el Foro de discusión.

Es muy importante tomar en consideración que los plazos para la entrega de actividades, aparecerán a un costado del botón que permite el acceso a esta unidad situado en el menú de este diplomado.