Si hay un concepto de moda a nivel tecnológico en los últimos años es Inteligencia Artificial (IA). Ha traspasado la línea de la investigación en las universidades para instalarse cómodamente en nuestra vida cotidiana. Usamos asistentes personales (Alexa, Siri) para controlar nuestro hogar, hacemos uso de las recomendaciones de las plataformas digitales de contenidos (Netflix, HBO, Amazon Prime, ?) para ocupar nuestro ocio televisivo, nos dejamos aconsejar en compras de productos (con los recomendadores de Amazon o Alibaba), reconocemos a nuestros amigos en redes sociales gracias a sistemas inteligentes de visión, escogemos rutas óptimas para llegar a tiempo a las reuniones (Google Maps, Waze,..) y podríamos continuar enumerando aplicaciones prácticas y de uso diario de este tipo de tecnología. Se habla de revolución tecnológica que impacta ya a nivel social, económico, productivo y medioambiental (dada la cantidad de recursos energéticos que se necesitan para desarrollar un sistema de IA).

Lo que hace especial a esta revolución en relación a las anteriores es el tiempo de su desarrollo; en apenas 5 años todo el mundo de la IA ha sufrido un crecimiento exponencial mientras que, por ejemplo, en el caso de la Revolución Industrial se necesitaron unos 50 años para ver completamente sus efectos. Este crecimiento de la IA se refleja en nuevas aplicaciones prácticas, nuevas empresas y nuevos modelos de negocio. En este último apartado destacan los modelos colaborativos (Uber, AirBnB) donde, sin un sistema potente y eficaz de establecer correspondencias entre oferta/demanda, no podrían funcionar.

Tres factores han conducido a esta revolución: a) la apertura de los algoritmos de IA de las grandes compañías al público en general; este camino lo comenzó Google con Tensorflow y le han seguido el resto de grandes tecnológicas; b) la existencia de recursos computacionales en la nube que permiten que, con un precio módico, tener acceso a grandes capacidades de cálculo y c) la existencia y posibilidad de manejo de grandes cantidades de datos (el famoso Big Data) que son el alimento de los algoritmos de IA. A estos tres elementos se le suma un cuarto más técnico en los últimos años que se conoce como aprendizaje por transferencia. Estas técnicas consisten en usar un modelo de IA que tiene un determinado objetivo y cambiar este objetivo para que tenga otro diferente. Por ejemplo, coger un sistema reconocedor de objetos general en imágenes y modularlo para que sólo reconozca números (por ejemplo, porque lo quiero usar como sistema reconocedor de matrículas). La clave es no empezar a construir ese sistema de IA desde cero, sino partir de algún modelo ya hecho. Esta aproximación supone menos recursos para llevar a cabo el sistema de IA con el consiguiente ahorro en tiempo y dinero. Y lo más interesante de este aprendizaje es que hay una cantidad enorme de modelos ya implementados disponibles en Internet gratuitos (le sugerimos al lector que busque los siguientes términos: Detectron o Yolo).

Estamos ante una tecnología relativamente barata, rápida de implementar y desarrollar y que tiene múltiples aplicaciones. En aplicaciones hay que recordar que los sistemas de IA superan capacidades tan humanas como ver (reconocer/segmentar imágenes, vídeo en tiempo real), escuchar (determinar sonidos envueltos en ruido; existe un proyecto de Google en Nairobi de diagnóstico clínico a través del fonendoscopio usando IA) , establecer políticas de actuación a largo plazo óptimas (por ejemplo en la toma de decisiones clínicas para dosificar fármacos). Además podríamos incluir la parte artística del ser humano teniendo sistemas de IA que pintan (de nuevo sugerimos al lector una búsqueda en Internet del término Neural Style Transfer), que componen música e, incluso, trailers de películas.

Finalmente hay que destacar el papel laboral que van a jugar estas tecnologías en el futuro. Continuamente aparecen informes de grandes consultoras (McKinsey, Deloitte, PwC, etc) que destacan el bajo uso de estos sistemas de IA por parte de las empresas y los sistemas de producción. Este hecho hace que todas las previsiones apunten a una demanda creciente y continua de perfiles con conocimientos de IA (hay que destacar que en la actualidad no se cubre la demanda al no haber suficiente oferta). Tenemos pues una tecnología disruptiva, barata, rápida de implementar, con un gran número de aplicaciones y su principal problema es la falta de especialistas. Se necesitan perfiles con conocimientos matemáticos (probabilidad, estadística, modelos multivariantes, modelos de aprendizaje máquina), conocimientos informáticos (herramientas de Big Data, Cloud, Python, R, SQL..) y conocimientos en las aplicaciones a desarrollar (negocio, sistemas industriales, etc). Éste es el punto donde nos podemos quedar atrás en este campo: la formación. No tendremos ese bluff del título del artículo por potencialidad y características de las tecnología pero podemos llegar a tenerlo si no somos capaces de sacar especialistas de prestigio en este campo.