.

Computación

El cerebro de inteligencia artificial de Google sale de sus laboratorios con permiso

1

Desarrolladores independientes experimentan con el software que la empresa utiliza para añadir IA a muchos de sus productos

  • por Will Knight | traducido por Teresa Woods
  • 11 Diciembre, 2015

Foto: Jeff Dean, en una ponencia en un evento de Google en el año 2007.

Google puso a disposición del público el motor de inteligencia artificial que utiliza en muchos de sus productos. Lo hizo el mes pasado y ahora está siendo empleado por otros para trabajos como la traducción de inglés a chino, la lectura de textos manuscritos e incluso la creación de arte original.

Este software de inteligencia artificial, llamado Tensor Flow, proporciona una forma clara para que los usuarios entrenen ordenadores y ejecuten tareas al alimentarlos con grandes cantidades de datos. Es una herramienta versátil que incorpora varios métodos para construir y entrenar de forma precisa redes neuronales de aprendizaje profundo en diferentes sistemas de hardware (ver ¿Quiere Google acaparar el mercado del aprendizaje profundo?).   

El aprendizaje profundo es una técnica increíblemente eficaz a la hora de preparar ordenadores para reconocer patrones en imágenes o audio. Es la clave para que algunas máquinas lleguen a rendir con una competencia parecida a la humana en tareas como el reconocimiento facial dentro de las fotografías. Recientemente, el aprendizaje profundo también se ha revelado prometedor para entender el lenguaje natural al posibilitar que las máquinas contesten a preguntas escritas o habladas de manera significativa (ver El hombre que enseña a las máquinas a entender el lenguaje).

La revelación de que el software está siendo utilizado en un número creciente de proyectos experimentales fuera de la empresa la hizo el informático de Google que lidera el desarrollo de Tensor Flow, Jeff Dean, durante la conferencia de la Sociedad del Procesamiento Neural (NIPS, por sus siglas en inglés) en Montreal (Canadá) celebrada esta semana. Algunos ejemplos concretos incluyen software que genera pies de foto para las imágenes y un código que traduce la documentación de Tensor Flow al chino. Otro proyecto lo utiliza para crear arte artificial. "Aún es bastante pronto", dijo Dean después de su ponencia. "La gente sigue intentando entender qué es lo que se le da mejor".

Tensor Flow nació de un proyecto llamado Google Brain y pensado para incorporar varios tipos de aprendizaje de máquinas de redes neuronales a productos y servicios de la empresa. El alcance de Google Brain ha aumentado de forma espectacular en los últimos años. Dean dijo que el número de proyectos de Google que incluyen Google Brain ha crecido desde un puñado a principios de 2014 a más de 600 en la actualidad (ver La nueva generación de productos Google tendrá una inteligencia más humana).

De forma más reciente, Google Brain ayudó a desarrollar Smart Reply, un sistema que recomienda automáticamente una respuesta rápida a los mensajes de Gmail tras explorar el texto de un mensaje entrante. La técnica de red neuronal utilizada para desarrollar Smart Reply fue presentada por investigadores de Google en la conferencia de NIPS del año pasado.

Influir industria y sociedad

Dean cree que el aprendizaje profundo y el aprendizaje de máquinas tendrán un impacto parecido en otras muchas empresas. "Hay un amplio abanico de maneras en las que el aprendizaje de máquinas está influyendo en muchos productos e industrias", explica. Por ejemplo, la técnica se está probando en muchas industrias que intentan realizar predicciones a través de grandes cantidades de datos, desde la venta al por menor hasta los seguros (ver El aprendizaje profundo quiere revolucionar todas las industrias).

Google comparte el código de Tensor Flow porque los datos que contienen representan un recurso mucho más valioso para construir un potente motor de inteligencia artificial. La empresa espera que el código abierto ayude a establecerlo como el líder del aprendizaje de máquinas y que fomente las relaciones entre colaboradores y futuros empleados. "[Tensor Flow] nos proporciona una especie de lenguaje compartido", dijo Dean. "Nosotros sacamos beneficio mediante la contratación de personas que lo han utilizado. No es como si fuera [una acción] completamente altruista".

Una red neuronal consiste en capas de neuronas virtuales que se activan en cascada como respuesta a los estímulos. Una red "aprende" mientras la sensibilidad de estas neuronas se afina para corresponder los datos de entrada y salida. Disponer de varias capas es la clave para reconocer características más abstractas, como las caras en una foto.

Tensor Flow es ahora una de las varias bibliotecas de software de aprendizaje profundo de fuente abierta, aunque su rendimiento se queda por detrás de otras bibliotecas en según qué tareas. Sin embargo, está diseñado para que resulte fácil de utilizar en distintos sistemas de hardware. Y Dean afirma que su equipo está trabajando duro para mejorar su rendimiento.

En la carrera por dominar el aprendizaje de máquinas y atraer al mejor talento, sin emabrgo, es probable que otras empresas lancen sus propios motores de IA (ver "Haz algo así". El aprendizaje reforzado profundo sólo necesita una idea).

Computación

Las máquinas cada vez más potentes están acelerando los avances científicos, los negocios y la vida.

  1. La radiación cósmica destruye los cúbits superconductores en milisegundos

    Los componentes básicos de la computación cuántica son tan sensibles que, incluso a niveles bajos, estos rayos provocan su decoherencia. Aunque el hallazgo podría contribuir a la búsqueda de materia oscura, obligará a revestir los ordenadores cuánticos de hormigón o a instalarlos bajo tierra

  2. Criptografía reticular, el cifrado a prueba de ordenadores cuánticos

    La inminente llegada de la computación cuántica amenaza con destruir los métodos tradicionales de cifrado que usamos actualmente. Por ello, distintos grupos trabajan en nuevos enfoques poscuánticos capaces de resistir a estas máquinas. Este es el más prometedor hasta la fecha 

  3. Un nuevo chip inspirado en el cerebro distingue 10 olores diferentes

    Su diseño basado en la estructura y la actividad eléctrica del cerebro, un enfoque conocido como chip neuromórfico, ha aprendido a diferenciar fragancias con gran precisión y pocos ejemplos de entrenamiento. El siguiente paso será replicar el comportamiento de la vista y tacto