Uno de los más formidables desafíos para la Inteligencia Artificial (IA) ha sido pronosticar la evolución de un paciente en el tema de la salud, toda vez que este aspecto de la vida no sucede con regularidad ni en lapsos que puedan ajustarse a cierta lógica temporal, lo cual es indispensable para que esta herramienta pueda predecir el desenlace de una enfermedad de forma acertada.

En el caso de la salud, la obtención de predicciones por medio de la Inteligencia Artificial (IA) se complica al tratar de agrupar los informes médicos en periodos definidos, como años o meses. Al común de las Redes Neuronales Artificiales (RNA) les resultan un poco confusos los datos de los registros médicos, pues “a lo largo de nuestra vida visitamos al médico en diferentes momentos y por distintos motivos, generando unas cuantas mediciones en intervalos arbitrarios”, apunta Karen Hao, en el revelador artículo Inteligencia Artificial, La red neuronal que quiere solucionar los grandes problemas de la IA, que apareció en MIT Technology Review.

“Por ejemplo, si se acudió al médico el 11 de enero y se volvió hasta el 16 de noviembre, los datos de ambas visitas se agruparán en el mismo año. Una red neuronal tradicional tiene problemas para gestionar este hecho. Su diseño requiere un aprendizaje de los datos con etapas claras de observación. Por tanto, es una herramienta deficiente para hacer un modelo de procesos continuos, especialmente aquellos que se miden de manera irregular a lo largo del tiempo.”

El defecto de la IA

Hao narra que David Duvenaud, investigador de la Universidad de Toronto, Canadá, colaboraba en un proyecto relacionado con datos médicos cuando descubrió un defecto importante en la IA, al tratar de desarrollar un modelo de aprendizaje profundo que pudiera predecir la salud de un paciente en un lapso determinado.

Este reto llevó a Duvenaud y a sus colaboradores de Vector Institute a romper con el hallazgo en el que se basa toda la IA actual, y a rediseñar por entero las redes neuronales tal y como las conocemos desde hace 30 años. No por casualidad, su investigación fue considerada en 2019 una de “las mejores publicaciones” en la Conferencia sobre Sistemas de procesamiento de información neuronal (NIPS, por sus siglas en inglés), uno de los eventos más importantes sobre investigación de la IA a escala global.

La suma de las capas

Una red neuronal tradicional está formada por capas de sencillos nodos computacionales que trabajan juntas para encontrar patrones en los datos. Las capas dividen el proceso de transformación en pasos y permiten que la red descubra una serie de fórmulas que describen cada una de las etapas del proceso.

La primera capa, por ejemplo, puede analizar todos los píxeles y utilizar una fórmula para elegir cuáles son más relevantes; una segunda, usar otra fórmula para encontrar patrones; las capas subsiguientes identificarían características cada vez más complejas, hasta que la capa final decida, basándose en todos los cálculos, establece Karen Hao.

Tal desglose permite que una red neuronal desarrolle modelos más sofisticados. Por ello, la mejor manera de hacer un modelo de la realidad de la forma más exacta posible y permitir que las predicciones sean más precisas, es añadir más capas para aumentar el nivel de detalle.

En el ejemplo médico, la mejor red neuronal para este trabajo tendría un número infinito de capas para modelar cambios infinitesimales, porque podríamos haber ido al médico dos veces en un día o en dos años ninguna. Para solucionarlo, este equipo de investigación eliminó las capas sin miramientos y por completo, destaca Hao.

La magia de Duvenaud

“Precisamente –asegura Karen Hao–, el modelo matemático ofrece las ecuaciones necesarias para calcular esta serie de cambios a pasos infinitesimales. Es decir, ahorra el problema de tener que saltar a un modelo continuo a partir de unidades discretas. Esta es la magia del trabajo de Duvenaud y de sus colaboradores: reemplazar las capas discretas por ecuaciones diferenciales”.

El resultado final ni siquiera es una red. En el camino, David Duvenaud y su ejército de matemáticos se desprendieron de nodos y conexiones, tan sólo dejaron un bloque continuo de computación; por eso, los investigadores llamaron a este diseño una red EDO (Ecuaciones Diferenciales Ordinarias) o Neural Ordinary Differential Equations, en inglés.

El violín y el piano

Duvenaud, quien, como se aprecia, piensa en todo, utiliza una buena analogía para explicar su trabajo: en un violín, se pueden deslizar los dedos de la mano a lo largo de la cuerda para tocar la frecuencia que se desee; a diferencia, un piano tiene un número limitado de teclas por lo que nadie puede deslizarse entre frecuencias sino tocar un número fijo de ellas.

“Una red neuronal tradicional es como un piano: y cambiar a una red EDO es como cambiar el piano por un violín. No siempre es la herramienta correcta, pero es la más adecuada para ciertas tareas”, dice Hao.

Además, una red EDO también modifica ciertos aspectos del aprendizaje. Con una red neuronal tradicional, al comienzo se debe especificar el número de capas que deseamos en la red y después esperar hasta que se complete el aprendizaje para averiguar la precisión que arroja el modelo. “El nuevo método permite especificar primero la precisión deseada y encontrar la manera más eficiente de entrenamiento sólo dentro de cierto margen de error”, completa la periodista.

Rajar como navaja

Al igual que cualquier técnica inicial propuesta en el campo, la EDO aún debe desarrollarse, experimentarse y mejorarse. Pero el método tiene el potencial de revolucionar el campo.

Por lo pronto, David Duvenaud y su grupo de genios han dado el siguiente paso para no dejar resquicio donde nuestro libre albedrío encuentre salida. Las redes neuronales no sólo nos tienen en su poder sino cada día adquieren mayor control de nuestras vidas. Cada vez menos lo dudan.

Las RNA están abriendo puertas a la resolución de problemas que antes no hubiéramos ni siquiera soñado con resolver, pero al mismo tiempo rajan cual cuchillas algunas cajas que, como la de Pandora, no sería prudente destapar, toda vez que el dark side de la tecnología existe y pone en riesgo nuestra intimidad, más aún en tiempos en que la industria de la ciberseguridad sigue sin ofrecer resultados contundentes para proteger los datos personalísimos de los clientes.

Barrera de contención

Otro aspecto que podría tornarse negativo de la IA lo expone el estudio OECD Employment Outlook 2023, Artificial Intelligence and the Labour Market, realizado por la Organización para la Cooperación y el Desarrollo Económicos (OCDE).

“La penetración de la Inteligencia Artificial (IA) en el mundo pone en alto el riesgo de desaparecer al 27% de los trabajos en el mundo, ya que uno de cada cuatro empleos puede automatizarse”, destacó la investigación.

Este organismo –cuya Secretaría General fue encabezada de 2006 y hasta 2021 por José Ángel Gurría–, sostiene que, basado en encuestas hechas por el propio organismo en siete países, el mayor impacto de la irrupción de la IA se dará en sectores como manufactura y servicios financieros, donde la incursión de la IA presenta mayores oportunidades.

De acuerdo con dicho sondeo, entre los países en Europa donde los empleados correrán más riesgos de ser despedidos por el efecto de la automatización inteligente, se encuentran Hungría, República Eslovaca, República Checa y Polonia, donde alrededor del 35% de los puestos de trabajo podrían desaparecer.

Y aunque el porcentaje correspondiente a México no se reveló, se sabe que los países con menor afectación serán Luxemburgo, Reino Unido, Suecia, Países Bajos, Noruega y Estados Unidos, con una posibilidad de afectación cercana al 20%, del total de empleos.

Ciertamente todo mundo coincide en que la IA es capaz de reducir las labores tediosas y peligrosas, liderando a un mayor compromiso laboral y seguridad física, dice el estudio.

Sin embargo, aclara: “Existe una necesidad de acción política para abordar los riesgos que la Inteligencia Artificial puede plantear cuando se usa en el lugar de trabajo, en términos de privacidad, seguridad, equidad y derechos laborales, para asegurar la responsabilidad y la transparencia de las decisiones relacionadas con el empleo, afectadas por la automatización”.

La visión de Stephen Hawking

Y a pesar de que desde la década pasada el astrofísico británico Stephen Hawking se anticipaba a nuestras actuales preocupaciones, no parece ocurrir que algunas entidades hayan entendido los alcances de utilizar lo que la IA puede realizar en conflictos actuales, como la guerra entre Hamas y el estado israelí: un reciente video realizado con esta herramienta muestra al primer ministro de Israel, Benjamin Netanyahu, amenazar a Gaza con el empleo de bombas nucleares para acabar de una vez por todas con la insurgencia palestina.

“Creo que el desarrollo de una completa Inteligencia Artificial podría conducir al fin de la humanidad”, predijo el físico teórico británico, durante una entrevista con la BBC, en 2014. Cuánta razón ha tenido.

Ulises Ladislao