Ng además es cofundador de la empresa de educación en línea Coursera.
Los avances recientes han desatado una guerra armamentística tecnológica en Silicon Valley, donde las grandes empresas web compiten por atrapar a los mejores talentos académicos. Igual que Google, Facebook y otras empresas que se están dando prisa por invertir en el aprendizaje profundo, a Baidu le motiva la posibilidad de lograr grandes avances en inteligencia artificial.
El aprendizaje profundo permite a las máquinas procesar grandes cantidades de datos usando redes simuladas de neuronas sencillas, siguiendo un modelo muy esquemático de lo que se encuentra en los cerebros biológicos. El enfoque ha dado lugar a software muy mejorado para tareas como el reconocimiento de voz y de imágenes (ver "Aprendizaje profundo") y podría, en última instancia, permitir a las aplicaciones, los dispositivos y los servicios de inte et comprender cosas como las imágenes y el texto igual de bien que los humanos.
Aunque este boom reciente del aprendizaje profundo tiene su origen en los centros académicos, el interés se disparó en 2012 después de que los investigadores de Google que colaboraban con Ng anunciaran sus avances en el proyecto bautizado como "Google Brain". Crearon un software que, tras analizar 10 millones de fotos sacadas de vídeos de YouTube, aprendió a reconocer miles de objetos sin ayuda humana, entre ellos caras de personas y de gatos, (ver "Software autodidacta y almacenamiento de datos más rápido").
Desde entonces los gigantes de la industria tecnológica estadounidense compiten para contratar a las figuras más relevantes de un campo relativamente pequeño (ver "¿Quiere Google acaparar el mercado del aprendizaje profundo?" y "Facebook lanza un proyecto avanzado de IA para encontrar el sentido de tus actualizaciones"), y han empezado a demostrar cómo este enfoque puede hacer avanzar la tecnología que ofrecen a los consumidores. Google y Microsoft ya han usado el aprendizaje profundo para mejorar el reconocimiento de voz y la traducción (ver "Google pone a trabajar su tecnología de cerebro virtual" y "Microsoft crea un traductor de voz al estilo de Star Trek"). Mientras, los investigadores en aprendizaje profundo de Facebook han demostrado hace poco un software de procesado de caras que se acerca a las capacidades humanas (ver "Un software compara caras con una precisión casi humana").
Antes de decidir abrir su nuevo laboratorio, localizado en Sunnyvale, Baidu ya había conseguido buenos resultados añadiendo el aprendizaje profundo a varios productos desde finales del año 2012, explica Kai Yu, director del laboratorio de aprendizaje profundo de la empresa en Pekín (China). Esta tecnología se puede observar en la aplicación de traducción de Baidu, que identifica los objetos fotografiados por un smartphone con su nombre en inglés y en chino. También la están aplicando en la tecnología de anuncios dirigidos de la empresa. "Conseguimos ingresos inmediatos al añadir el aprendizaje profundo a nuestro sistema de anuncios", afirma Yu. "La proporción de clics aumentó de forma significativa".
El laboratorio de Pekín de Yu se centra en aplicar el aprendizaje profundo a los productos ya existentes de Baidu, y a aquellos que se lanzarán pronto. Y explica que el nuevo laboratorio de Silicon Valley trabajará en investigación fundamental. Esperan es que esta libertad, junto con la calidad destacada de Ng y combinado con el amplio almacén de imágenes, texto y vídeo de Baidu atraiga a los mayores talentos. "En Silicon Valley hay una concentración de talento inmensa y única", afirma Yu. "Queremos que salga algo revolucionario del laboratorio", añade.
Ng dirigirá el proyecto desde su nuevo puesto como director de investigación de Baidu, supervisando el laboratorio de Silicon Valley, el laboratorio de Yu y otro laboratorio de Pekín dedicado a los big data. Ng trabajará desde el laboratorio de Sunnyvale, en el que Baidu ha afirmado que invertirá 300 millones de dólares a lo largo de cinco años (unos 216 millones de euros).
La investigación en el laboratorio la dirigirá Adam Coates, antiguo alumno de doctorado e investigador postdoctoral del grupo de investigación de Ng en Stanford. Coates explica que se centrarán en crear software que aprende sin input humano, como en el caso del sistema Google Brain, un enfoque que se conoce como aprendizaje no supervisado.
Los sistemas no supervisados exigen un esfuerzo menor a los programadores, pero por el momento han tenido una precisión relativamente pequeña, al menos en comparación con los humanos. El sistema de reconocimiento de gatos de Google logró una precisión del 70%, por ejemplo. "La pregunta más importante que queda sin responder es: ¿Cómo usar el aprendizaje no supervisado para conseguir un rendimiento al nivel humano?", afirma Coates. Pero la recompensa derivada de las mejoras en el campo, aunque estas sean pequeñas, sería grande. "Muchísimos de los productos que queremos construir son cosas que queremos que interactúen con el mundo", explica. "Se puede aplicar a robots, a coches autónomos y a aplicaciones móviles".
El investigador de la Universidad de Purdue (EEUU), Eugenio Culurciello, que trabaja en chips con redes neuronales incorporadas (ver "Un chip de IA que ayude a los ordenadores a entender las imágenes"), sostiene que el entusiasmo que rodea al aprendizaje profundo está justificado. Señala que estos métodos han derribado los puntos de referencia marcados por los investigadores para evaluar el software de aprendizaje automático. "Normalmente mejoras un 2% respecto a lo que había anteriormente", afirma. "Estos tíos han estado mejorando entre un 10% y un 20%".
Estos resultados explican por qué el director ejecutivo de Facebook, Mark Zuckerberg, hizo una comparecencia sorpresa en la conferencia NIPS para investigación en redes neuronales. Sin embargo, el profesor de la Universidad de Colorado en Boulder (EEUU), Michael Mozer, miembro de la junta de la Fundación NIPS, señala que los algoritmos clave de las redes neuronales son muy parecidos a los que despertaron una oleada de optimismo respecto a la inteligencia artificial a finales de la década de 1980. Los avances recientes surgen de encontrar "trucos" que permiten el uso de estos algoritmos a una escala mucho mayor, explica Mozer. "Quienes siguieron insistiendo en ello ahora están recogiendo unos merecidos beneficios", afirma, pero el aprendizaje profundo no es un avance tan grande para el campo como a veces se vende.
Sin embargo Culurciello señala que por el momento hay muy pocas personas que conozcan los trucos necesarios para conseguir que el aprendizaje profundo funcione bien. "Si quieres ganar la carrera, tienes que intentar conseguir a la gente que de verdad lo conoce. Si no, irás varios años por detrás", afirma.