Tal es la demanda para el talento de aprendizaje de máquinas que algunas start-ups divisan una oportunidad de ofrecer su experiencia técnica a empresas capaces de aprovechar la inteligencia artificial (IA), desde agencias financieras y aseguradoras hasta start-ups de inte et y fabricantes de coches. Varias start-ups se están empezando a ofrecer para acelerar el rendimiento de los algoritmos de aprendizaje de máquinas para que funcionen bien con conjuntos de chips informáticos. Al menos una está diseñando sus propios chips para extraer el mejor rendimiento de los últimos algoritmos.
La técnica que se encuentra en el centro del auge actual de la IA, llamada aprendizaje profundo, depende de la simulación de grandes redes de neuronas virtuales en múltiples capas, que habilitan al ordenador para que aprenda a reconocer patrones abstractos, como gatos dentro de las imágenes. Entrenar una red así implica muchos cálculos en paralelo, normalmente realizados por grandes conjuntos de unidades de procesamiento gráfico (GPU, por sus siglas en inglés), que son idóneas para la tarea computacional. Y mientras que los principios básicos del aprendizaje profundo son sencillos, configurar estas redes para que aprendan de manera eficiente y se ejecuten rápidamente con numerosas GPU requiere mucha experiencia.
La start-up Minds.ai se compone de varios expertos en chips y otro en aprendizaje profundo que estudió con uno de los fundadores de este campo, Geoffrey Hinton, en la Universidad de Toronto (Canadá).
Hablando en la conferencia de Sistemas de Procesamiento de Informaciones Neurales (NIPS, por sus siglas en inglés) en Montreal (Canadá) el mes pasado, Tijmen Tielemen, un experto holandés en el aprendizaje de máquinas que estudió en el grupo de Hinton y que se especializó en la optimización de redes neuronales, dijo que entrenar una red de aprendizaje profundo con un gran conjunto de datos puede llevar muchas horas o incluso días, y cada vez que se ajusta una red, el proceso de entrenamiento debe empezar de nuevo.
Minds.ai ofrece bibliotecas de software que apoyan las redes de aprendizaje profundo al comunicarse de forma eficiente con los chips gráficos. Esto podría ayudar a los negocios a ejecutar un aprendizaje profundo de la vanguardia sin necesidad de contratar el talento líder del campo. Por ejemplo, una empresa que quiera entrenar un algoritmo para que los coches autónomos reconozcan determinados objetos normalmente necesitaría de un equipo con una fuerte experiencia técnica para lograrlo de forma eficiente. "Cuando construyes una red neuronal seria hoy en día, su entrenamiento lleva mucho tiempo", dice Tielemen. "Esta es una preocupación muy real, y estamos entrenando redes neuronales con mucha más rapidez".
Minds.ai ha demostrado que su biblioteca puede entrenar una red neuronal con mayor rapidez que otros sistemas líder. El grupo comparó el rendimiento de su software con el uso de una muy conocida red de aprendizaje profundo llamada AlexNet, diseñada para el reconocimiento de imágenes, y encontraron que era más rápida que el 99% de las otras implementaciones existentes.
Otra empresa que intenta acelerar el aprendizaje profundo es Nervana Systems. La compañía lanzará su propio chip informático optimizado para las redes neuronales profundas, además de bibliotecas de software, el año que viene. Su CEO, Naveen Rao, que anteriormente diseñaba chips para Sun Microsystems y Qualcomm, dice que el objetivo no se limita a simplemente acelerar el aprendizaje profundo, sino a diseñar un sistema informático alrededor de este enfoque de aprendizaje de máquinas. "Nos propusimos construir una nueva arquitectura centrada en redes neuronales", dice. "Pero también vimos una oportunidad para cambiar el aspecto del ordenador desde la arquitectura".
Puede que empresas como Minds.ai y Nervana encuentren clientes dispuestos de momento, pero el mercado para el aprendizaje profundo está creciendo y cambiando rápidamente. Grandes empresas que trabajan en el aprendizaje de máquinas están lanzando programas y bibliotecas de software, con el objetivo de establecer estándares para todos (ver Facebook también empieza a regalar su tecnología de inteligencia artificial). Y así, mientras madure la tecnología y se publiquen más códigos, puede resultar más fácil a las empresas construir redes de aprendizaje profundo altamente optimizadas sin ayuda exte a.
"El código abierto algún día se alineará con todas las ineficiencias y optimizaciones en potencia", dice Rajan Goyal, un ingeniero del fabricante de chips Cavium que explora los méritos de diseñar silicio para el aprendizaje profundo.
Sin embargo, dice Goyal, empresas como Google y Facebook, que tienen un enorme interés creado en mejorar el aprendizaje profundo, probablemente diseñarán pronto sus propios chips para el aprendizaje profundo, quizás al adquirir una empresa que ya trabaja en tales tecnologías. "Actualmente, el mercado del aprendizaje profundo está fragmentado y se encuentra en un estado naciente", concluye. "Las GPU aliviaron la necesidad inicial del mercado, pero existe un interés creciente por soluciones más eficientes".