Parte de ese impulso por hacer que sus servicios sean más inteligentes incluye la redefinición de cómo emplea el aprendizaje de máquinas, que habilita a los ordenadores a aprender solos a partir de los datos. En resumidas cuentas, Google trabaja para enseñar a esos sistemas a que sean un poco más humanos.
Google habló de algunos de esos esfuerzos en una rueda de prensa recience en su sede central de Mountain View, Califo ia (EEUU). "Nos encontramos en la fase del Comandante Data", dijo el investigador ingeniero Pete Warden, en referencia al androide falto de emociones de la serie televisiva Star Trek: la nueva generación. "Pero intentamos incorporar un poco más de la Comandante Troi al sistema" – la empática consejera de la nave Enterprise.
Warden trabaja en el equipo que desarrolló Google Photos, que te permite buscar entre tus fotos en función de palabras clave como "playa" o "perro". La tecnología subyacente emergió de un prolongado esfuerzo de investigación por habilitar el software para que identifique objetos dentro de las fotos. Pero Warden y sus compañeros descubrieron que la simple capacidad de poder identificar, por ejemplo, niños, huevos o cestas no bastaba. La gente quería buscar por conceptos como "búsqueda de huevos de Pascua". De igual manera, el sistema necesitaba ser entrenado para entender que las fotos con platos y un pavo sacadas a finales de noviembre deberían asociarse con "Acción de Gracias".
Otro proyecto de Google, llamado GlassBox, intenta impedir que el software que aprende de una muestra limitada de datos cometa lo que a los humanos nos parecen errores básicos y tontos. Liderado por la investigadora científica Maya Gupta, tiene por objetivo dotar al software de parte del sentido común que permite a los humanos descartar los ejemplos engañosos.
Por ejemplo, una persona a la que se le enseña varios ejemplos de casas y sus precios asociados podrá ver inmediatamente que las casas más grandes generalmente cuestan más – incluso en caso de existir un ejemplo atípico, como una diminuta casa anunciada en 1,8 millones de dólares (unos 1,7 millones de euros) en la cara ciudad de Palo Alto, Califo ia (EEUU). Pero ese mismo ejemplo atípico podría provocar que un sistema de aprendizaje de máquinas atribuya el alto precio con otro factor, como el color de la casa. Gupta ha desarrollado métodos matemáticos para suavizar la influencia de tales ejemplos atípicos que pueden llevar a los sistemas de aprendizaje de máquinas al error. "Intentamos inyectar tantos conocimientos humanos como podamos", le dijo Gupta a MIT Technology Review.
Google ha aumentado su inversión en las investigaciones de aprendizaje de máquinas en los últimos años, después del surgimiento de una tecnología conocida como el aprendizaje profundo, que utiliza redes de neuronas simuladas (ver Aprendizaje profundo). Ha generado unas mejoras notables en el reconocimiento de voz y de imágenes. Facebook, Google, IBM, Microsoft y Baidu investigan cómo el aprendizaje profundo puede habilitar a las máquinas para que entiendan el lenguaje natural, y quizás hasta conversen con nosotros (ver El hombre que enseña a las máquinas a entender el lenguaje). Durante la última semana, Google ha confirmado que su servicio de búsquedas central ahora procesa una gran parte de las búsquedas con el uso de un nuevo sistema impulsado por el aprendizaje profundo llamado RankBrain. Y la semana pasada estrenó un nuevo servicio llamado Smart Reply, que utiliza el aprendizaje de máquinas para ofrecer automáticamente varias opciones de respuestas cortas a los mensajes de correo electrónico.
Greg Corrado, un investigador científico y el cofundador del equipo de aprendizaje profundo de Google, dice que el software de redacción de correos electrónicos sólo representa un ejemplo temprano de cómo el aprendizaje de máquinas está creando productos completamente nuevos, no sólo mejorando productos existentes, como el filtro de spam o las búsquedas.