Inteligencia artificial: tres avances prometedores que veremos en el futuro

La inteligencia artificial (IA) está siempre en búsqueda de nuevas áreas donde demostrar su potencial. Hoy en día su aplicación se ve en un sinnúmero de herramientas que utilizamos rutinariamente; sin embargo, los investigadores continuamente exploran campos que en un futuro — no tan lejano— muy probablemente traerán grandes utilidades.

A continuación, detallamos tres tipos de tecnologías que se están viendo repotenciadas gracias al uso de la IA.

MIRA: Probamos la inteligencia artificial de Google que te entrena para entrevistas de trabajo y este es nuestro veredicto

IA Neuro-simbólica

Esta tecnología planea hacer que la inteligencia artificial sea capaz de reconocer símbolos y pueda atribuirles un significado semántico y lógico a la vez. Con esto lo que se busca es un sistema apto para realizar tareas más complejas, que requieran mucha más precisión y que, al mismo tiempo, requiera menos cantidad de datos y entrenamiento.

El resultado es una IA que pueda no solo responder a un razonamiento lógico, sino que también tenga la capacidad de explicar en base a qué ha tomado esas decisiones.

Los investigadores Artur d’Avila Garcez y Luis Lamb han calificado a la IA Neuro-Simbólica como “la tercera ola” de la inteligencia artificial.

MIRA: Cuando un simple código QR puede ser un puente para que te estafen y te roben

“Las redes neuronales y las ideas simbólicas se complementan maravillosamente. Porque las redes neuronales te dan las respuestas para pasar del desorden del mundo real a una representación simbólica del mundo, encontrando todas las correlaciones dentro de las imágenes. Una vez que tienes esa representación simbólica, puedes hacer cosas muy mágicas en términos de razonamiento”, ha coemntado sobre esta tecnología David Cox, director del Laboratorio MIT-IBM Watson A.I. en Cambridge, Massachusetts.

Redes generativas adversativas

El conflicto no suele hacer del mundo un lugar mejor. Pero irónicamente hace que la IA sea mejor.

La generación de imágenes se puede utilizar para todo, desde mejorar las capacidades de búsqueda hasta ayudar a los diseñadores a crear variaciones sobre un tema o generar obras de arte que se venden por millones en subastas; y no solo creando videos falsos en los que se aprecia a personajes importantes en la agenda mundial comentando teorías de conspiración.

MIRA: ¿Cómo eran las computadoras de Apple hace 40 años? Conoce el museo que cuenta su historia | FOTOS

Pero en todo esto, ¿dónde entra en juego el conflicto? Una de las principales tecnologías para la generación de imágenes se denomina red generativa adversativa (GAN, por sus siglas en inglés). Esta clase de marco de aprendizaje automático utiliza un enfoque combativo de tira y afloja para pasar imágenes y retroalimentación entre un algoritmo “generador” y un “discriminador”, lo que resulta en mejoras incrementales hasta que el “discriminador” no puede distinguir qué es real y qué es falso. Las GAN también se han utilizado para generar códigos genéticos falsos que podrían utilizar los investigadores para sus innovaciones.

Aprendizaje automático y síntesis molecular

Uno de los campos más prometedores para la aplicación de la IA es en el biológico-molecular. El 2020, AlphaFold de DeepMind — desarrollado por Alphabets/Google — logró aplicar ‘Deep learning’ (aprendizaje profundo) en el desafío de plegamiento de proteínas, campo que tiene décadas de estudio.

MIRA: Utilizan la Inteligencia artificial para acabar con el tráfico excesivo

Los beneficios de esta tecnología en esta área de estudio serían muy grandes y esperanzadores, entre ellos están el descubrimiento de curas para enfermedades, nuevos fármacos y entender con mayor profundidad el comportamiento de la vida celular.

En la actualidad las técnicas de aprendizaje automático han demostrado ser transformadoras para la atención médica y la biología en campos como la síntesis molecular. Con ellas los científicos pueden llegar a determinar qué medicamentos potenciales deberían evaluar y luego cómo sintetizarlos de manera más efectiva en el laboratorio.