Estado de la inteligencia artificial en 2019: avances en aprendizaje automático, procesamiento de lenguaje natural, juegos y mapeo de conocimiento

La inteligencia artificial es uno de los campos de desarrollo más rápidos en la actualidad.
Hacer un seguimiento y evaluar su evolución no solo requiere una atención continua, sino también la capacidad de analizarla y evaluarla desde múltiples dimensiones. Eso es precisamente lo que hacen Nathan Benaich, fundador de Air Street Capital y RAAIS, e Ian Hogarth, inversor ángel en IA y profesor visitante en el Instituto para la Innovación y el Propósito Público (IIPP) del University College de Londres.

Además: Inteligencia artificial creada a través de la neurociencia – ZDNet YouTube

En su informe titulado “Estado de la inteligencia artificial en 2019”, publicado el 28 de junio, Benaich y Hogarth presentan una visión integral del panorama de la IA a través de 136 diapositivas: avances tecnológicos y capacidades, oferta y demanda de talento en el sector, plataformas actuales y futuras impulsadas por IA, financiación y aplicaciones, cuestiones políticas de la IA y el papel de China en esta área.

Benaich y Hogarth no son simplemente inversores de capital riesgo: ambos tienen una sólida trayectoria en inteligencia artificial, habiendo participado en múltiples proyectos que abarcan desde la investigación hasta startups. Además, aprovecharon la experiencia de destacados expertos como François Chollet (investigador de Google AI y creador del marco Keras), Kai-Fu Lee (líder de pensamiento en IA y capital riesgo) y Sebastian Riedel (investigador de Facebook AI).

Este esfuerzo colectivo concentra una gran cantidad de conocimiento y experiencia. Tras descubrir el informe, nos pusimos en contacto con Benaich para realizar una entrevista en profundidad. A partir de ella, sintetizamos este artículo en dos partes: primero, exploramos los avances tecnológicos y las capacidades; luego, sus implicaciones y el impacto político de la inteligencia artificial.

---

Interpretar la inteligencia artificial

Si te interesa la IA, probablemente no sea la primera vez que ves un informe de este tipo. Muchos están familiarizados con “El panorama de datos e IA” de FirstMark (de Matt Turck y Lisa Xu) y “El estado de la IA: divergencia” de MMC Ventures. Las tres actualizaciones se publicaron casi simultáneamente. Aunque hay cierto solapamiento, existen claras diferencias en contenido, enfoque y formato.

El informe de FirstMark es más detallado, abarca desde la infraestructura de datos hasta los actores en el campo de la IA. Evolucionó desde un enfoque en big data hacia una visión más amplia de datos e inteligencia artificial, un proceso natural. MMC Ventures ofrece una perspectiva distinta, más abstracta, posiblemente más adecuada para ejecutivos. No se trata de elegir uno sobre otro, sino de apreciar sus enfoques complementarios.

---

¿Por qué compartir este conocimiento?

Le preguntamos a Benaich por qué decidieron publicar esta valiosa información, aparentemente de forma gratuita.

Benaich respondió que creen que la IA será un multiplicador del progreso tecnológico en este mundo cada vez más digital y guiado por datos. Todo a nuestro alrededor —desde la cultura hasta los productos de consumo— es producto de la inteligencia.

“Creemos que es fundamental entender el estado actual de la IA en múltiples áreas —investigación, industria, talento, política y China— de forma accesible, detallada y precisa. Nuestro objetivo al publicar este informe es fomentar un debate profundo sobre el desarrollo de la IA y su impacto en el futuro.”

El informe cumple con ese objetivo. Las primeras 40 diapositivas se centran en los avances de la investigación en IA, especialmente en los campos de aprendizaje por refuerzo, aplicaciones en juegos y más allá, procesamiento del lenguaje natural (PLN), aprendizaje profundo en medicina y AutoML.

---

Aprendizaje por refuerzo, juegos y aprendizaje en el mundo real

El aprendizaje por refuerzo es un subcampo del aprendizaje automático que ha captado mucha atención en la última década. Benaich y Hogarth lo definen como:

“Un agente de software que aprende comportamientos orientados a objetivos mediante ensayo y error en un entorno que le recompensa o penaliza según sus acciones (estrategias) para alcanzar una meta.”

Muchos avances en este campo han surgido del entrenamiento de IA para jugar a videojuegos hasta superar el nivel humano. Ejemplos incluyen StarCraft II, Quake III Arena y Montezuma’s Revenge.

Más allá del sensacionalismo de “la IA vence al humano”, lo relevante es cómo logra estos resultados: aprendizaje basado en juegos, simulación combinada con el mundo real y exploración impulsada por la curiosidad. ¿Podemos entrenar IA simplemente jugando?

En la infancia, aprendemos habilidades complejas mediante el juego. Inspirándose en esto, los investigadores entrenan robots con conceptos supervisados de juego para mejorar su resistencia a las perturbaciones.

En aprendizaje por refuerzo, el agente debe equilibrar exploración (probar cosas nuevas) y explotación (repetir lo que funciona). Como recompensar es difícil en el mundo real, una solución es premiar al agente cuando observa algo que nunca ha visto antes.

Benaich afirma que los juegos son un excelente terreno de pruebas para desarrollar y perfeccionar algoritmos de aprendizaje, pero advierte:

“Los entornos virtuales ofrecen datos más baratos y accesibles para experimentación, y su complejidad puede ajustarse. Pero la mayoría de los juegos no reflejan con precisión la complejidad del mundo real. Son un buen comienzo, pero no el destino final.”

---

Procesamiento del lenguaje natural y razonamiento de sentido común

Según Benaich y Hogarth, 2019 fue un año clave para el PLN: modelos como BERT y Transformer de Google AI, ELMo del Allen Institute, Transformer de OpenAI, ULMFiT de Ruder y Howard, y MT-DNN de Microsoft demostraron que el preentrenamiento mejora sustancialmente el rendimiento en tareas de PLN.

Esto recuerda a la revolución en visión por computadora impulsada por ImageNet, un conjunto de más de 20,000 categorías de imágenes anotadas. Desde 2010, el desafío de reconocimiento visual de ImageNet (ILSVRC) ha impulsado mejoras sustanciales en la clasificación de imágenes.

De manera análoga, los modelos de lenguaje se entrenan con grandes corpus de texto no etiquetado de la web, lo que también está desbloqueando nuevas aplicaciones comerciales.

Benaich y Hogarth destacan el benchmark GLUE, que evalúa sistemas de PLN en tareas de lógica, comprensión y semántica. En solo 13 meses, el rendimiento de los mejores modelos en GLUE pasó de 69 a 88 puntos (el nivel humano es 87). Esto llevó a lanzar un nuevo estándar: SuperGLUE.

El lenguaje está profundamente vinculado al razonamiento de sentido común. En este campo también hay avances: por ejemplo, investigadores de Salesforce lograron una mejora del 10%, y la Universidad de Nueva York demostró que el entrenamiento generativo puede dotar a modelos neuronales de razonamiento para eventos desconocidos.

---

¿El futuro: combinar aprendizaje profundo con conocimiento experto?

Consultamos a Benaich sobre combinar deep learning con conocimiento experto, una dirección prometedora según expertos como David Talbot de Yandex. Su respuesta:

“Especialmente cuando se trata de resolver problemas reales, no de construir una IA general capaz de resolver cualquier cosa. El conocimiento experto puede guiar a los sistemas de aprendizaje profundo sin requerir costosos datos desde cero.”

También destacó el papel de los grafos de conocimiento, como el proyecto Cyc, para tareas de razonamiento en PLN. Sin embargo, añadió que el sentido común probablemente no se resolverá solo con texto como único modo de entrada.

---

Otros aspectos destacados

El informe también analiza avances en privacidad de datos como el aprendizaje federado, TensorFlow Privacy de Google y TF-Encrypted de Dropout Labs, así como impresionantes aplicaciones médicas del deep learning, como la decodificación de pensamientos a partir de señales cerebrales y la restauración del control de extremidades en personas con discapacidades.

Interpretar todos los temas del informe, incluyendo AutoML, GANs y falsificaciones de voz profundas, requiere un estudio detallado. Solo hojearlo lleva tiempo, pero sin duda hay mucho que aprender de él.