GCCVIEWS

Etiqueta: redes neuronales

  • Hinton, «el padrino de la IA», gana el Nobel de Física.

    El Premio Nobel de Física 2024 ha sido otorgado a dos científicos cuyas investigaciones han transformado el mundo de la inteligencia artificial (IA): Geoffrey Hinton y John Hopfield. Ambos han sido reconocidos por sus contribuciones fundamentales al desarrollo del aprendizaje automático, especialmente a través de redes neuronales artificiales, una tecnología que emula el funcionamiento del cerebro humano.

    Geoffrey Hinton, apodado el «Padrino de la IA», es un científico británico-canadiense cuyo trabajo pionero en redes neuronales ha sentado las bases para la IA moderna. Su investigación ha permitido el desarrollo de sistemas avanzados como ChatGPT y otros modelos de lenguaje, que hoy en día juegan un papel crucial en diversas aplicaciones, desde el diagnóstico médico hasta la traducción de idiomas. John Hopfield, por su parte, es un físico estadounidense de la Universidad de Princeton, conocido por desarrollar la red de Hopfield, que utiliza principios de la física para recrear patrones de memoria en sistemas computacionales.

    Ambos científicos, a pesar de sus notables contribuciones al avance de la tecnología, han mostrado cautela respecto al futuro de la inteligencia artificial. Geoffrey Hinton, quien renunció a Google en 2023, ha advertido sobre los peligros que plantea el desarrollo de máquinas que eventualmente podrían superar la inteligencia humana. En diversas entrevistas, Hinton ha expresado su preocupación de que, si no se regula adecuadamente, la IA podría llegar a tomar decisiones autónomas que escapen al control humano. “Es probable que en un plazo de entre cinco y veinte años nos enfrentemos al problema de la IA tratando de tomar el control», dijo Hinton en una entrevista reciente.

    Las advertencias de Hinton sobre el impacto social de la IA no se limitan solo a cuestiones de control. En 2023, también señaló los efectos que esta tecnología podría tener en la economía y el empleo. Hinton sugirió que el avance acelerado de la IA podría desplazar muchos trabajos rutinarios, lo que incrementaría la desigualdad si no se toman medidas, como la implementación de una renta básica universal. Aunque reconoció el enorme potencial de la IA para aumentar la productividad y mejorar la vida en áreas como la salud, advirtió que los beneficios económicos podrían concentrarse en las élites, dejando atrás a quienes pierdan sus empleos debido a la automatización.

    El trabajo de Hinton y Hopfield en la IA, que les ha valido este premio Nobel 2024, ha impulsado avances que ahora forman parte de nuestra vida cotidiana. Desde la mejora en los modelos de predicción climática hasta la creación de fármacos diseñados por IA, las contribuciones de estos científicos han tenido un impacto profundo. Sin embargo, Hinton, a lo largo de los últimos años, ha insistido en la necesidad de equilibrar el desarrollo tecnológico con una mayor atención a los riesgos éticos y sociales.

    El Premio Nobel en Física de 2024 no solo celebra los logros científicos de Hinton y Hopfield, sino que también sirve como un recordatorio de la doble cara de la tecnología: mientras que su avance puede traer enormes beneficios, también plantea desafíos que la sociedad deberá enfrentar con seriedad y cautela.

  • Kathleen Booth: La precursora de las redes neuronales

    Cuando hablamos de pioneros en la informática, muchos nombres masculinos suelen dominar la conversación, pero hay figuras femeninas cuya contribución ha sido fundamental y, a menudo, subestimada. Una de esas figuras es Kathleen Booth, una matemática e ingeniera británica que, hace casi 80 años, sentó las bases para lo que hoy conocemos como redes neuronales y programación informática.

    Una mente brillante en tiempos de cambio

    Nacida en 1922, Kathleen Hylda Valerie Britten —su nombre de soltera— mostró desde joven una gran habilidad para las matemáticas. Se graduó en matemáticas en la Universidad de Londres en 1944, en una época en la que las mujeres enfrentaban enormes barreras educativas y laborales. Sin embargo, Kathleen no solo superó esos obstáculos, sino que los desafió con su incesante búsqueda de conocimiento en campos emergentes como la informática y la inteligencia artificial.

    Su incursión en la programación y la IA

    Durante los años 40 y 50, Kathleen trabajó junto a su esposo, Andrew Booth, en el Birkbeck College de la Universidad de Londres, donde ambos fueron pioneros en el desarrollo de algunos de los primeros computadores británicos. Kathleen fue la responsable de escribir los primeros manuales de programación para estas máquinas, un logro impresionante en un tiempo en que la programación se realizaba casi desde cero.

    Uno de sus aportes más significativos fue el diseño de uno de los primeros lenguajes ensambladores para computadoras, lo que facilitó que las máquinas pudieran recibir instrucciones de manera más comprensible para los humanos. Este fue un paso crucial para la comunicación entre humanos y máquinas, y un precursor esencial de las redes neuronales, que buscarían replicar la forma en que el cerebro humano procesa la información.

    Un hito inesperado: Las redes neuronales

    En los años 50, Kathleen Booth se interesó por los modelos matemáticos que intentaban imitar el cerebro humano. Aunque no fue la única en explorar estas ideas, su trabajo en la programación de computadoras para que pudieran «aprender» marcó un hito inesperado en su carrera. A diferencia de otros enfoques de la época, Booth se centró en cómo hacer que las máquinas pudieran interpretar, aprender y responder a patrones, sentando las bases para lo que hoy conocemos como redes neuronales.

    El concepto de una máquina que «aprende» era revolucionario para su tiempo, y aunque el término «inteligencia artificial» aún no era común, Booth ya estaba abriendo camino para lo que décadas más tarde sería una de las áreas más emocionantes y disruptivas de la tecnología moderna.

    Curiosidades y desafíos inesperados

    Kathleen Booth no solo tuvo que enfrentarse a los desafíos técnicos de su trabajo; también tuvo que lidiar con la discriminación de género de la época. Como mujer en un campo dominado por hombres, Booth no siempre recibió el reconocimiento que merecía. Sin embargo, eso no la detuvo. Además de sus logros técnicos, Kathleen fue una de las primeras en defender la inclusión de más mujeres en la informática, mucho antes de que el feminismo se asociara con la tecnología.

    Una de las curiosidades menos conocidas sobre ella es su afición por la danza, que practicó durante años como una forma de equilibrar su intensa carrera académica. Esta disciplina le enseñó la importancia de la perseverancia y la precisión, cualidades que trasladó a su trabajo en programación.

    Legado y reconocimiento tardío

    A pesar de su influencia, Kathleen Booth permaneció en gran parte fuera del foco mediático durante gran parte de su vida. No obstante, su legado comenzó a ser reconocido más ampliamente en las últimas décadas, cuando la historia de la informática empezó a revisarse con una mirada más inclusiva y justa hacia las mujeres que contribuyeron al desarrollo de la tecnología.

    Hoy, Booth es recordada no solo como una pionera de la programación, sino también como una de las primeras en concebir la idea de máquinas capaces de aprender, un concepto que está en la base de la inteligencia artificial moderna y de las redes neuronales que nos permiten, entre otras cosas, «hablar» con las máquinas de manera tan natural como lo hacemos hoy.

    Kathleen Booth nos enseñó que no hay barreras insuperables cuando la curiosidad, el talento y la determinación se alinean. Su historia es un recordatorio de que muchas de las mentes que transformaron el mundo fueron mujeres cuya pasión rompió moldes y abrió puertas, a menudo sin el reconocimiento que merecían.

  • No todo es ChatGPT: las redes neuronales gráficas también han revolucionado la inteligencia artificial

    Aunque las noticias sobre inteligencia artificial generativa, como ChatGPT y DALL-E, han dominado los titulares, las redes neuronales gráficas ya se utilizan en diversas aplicaciones con un impacto similar en nuestras vidas.

    Tanto las redes sociales como las redes de carreteras se pueden representar mediante grafos, esto es, objetos matemáticos que nos permiten describir y analizar sistemas donde sus elementos están relacionados. Por ejemplo, en una red social, podemos representar a las personas como nodos y las conexiones de amistad entre ellas como aristas. Otro caso es el de los sistemas de transporte, donde las ciudades son los nodos y las carreteras que las conectan son las aristas.

    La teoría de grafos moderna nace en 1736 con el famoso problema de los puentes de Königsberg planteado por Leonhard Euler. Desde entonces, esta teoría se ha consolidado como una importante rama de las matemáticas, tanto teórica como aplicada. Sin embargo, solo recientemente los avances en aprendizaje profundo (del inglés deep learning) han comenzado a integrarse en este área.

    El problema de los puentes de Konigsberg.
    Bogdan Giuşcă, CC BY

    La razón fundamental es que el aprendizaje automático se ha centrado tradicionalmente en el análisis y procesamiento de datos tabulares, imágenes, texto y audio. Desde hace algo más de diez años, algunas arquitecturas sofisticadas de redes neuronales han revolucionado campos como el reconocimiento de imágenes (redes de convolución) y el procesamiento del lenguaje natural (redes recurrentes y transformadores).

    Sin embargo, estas arquitecturas no son adecuadas para datos en forma de grafos, donde la relación entre los datos es tan importante como los datos mismos.

    El problema de las permutaciones

    Matemáticamente, la principal limitación de estas técnicas de aprendizaje profundo para manejar y analizar grafos es que no son invariantes a las permutaciones de los datos.

    Para entender esto, veamos un ejemplo sencillo:

    Imaginemos que tenemos un grafo que representa las amistades entre cuatro personas: Adán Benítez, Belén Antúnez, Carlos Díaz y Diego Canales. Estas personas están conectadas de la siguiente manera: Adán es amigo de Belén y Carlos; Belén es amiga de Adán y Carlos; Carlos es amigo de todos los demás y, finalmente, Diego es amigo solamente de Carlos.

    El grafo que representa las relaciones entre las personas no depende de si identificamos los nodos mediante la inicial del nombre o del apellido de cada persona. Sin embargo, la tabla que recoge las relaciones (matriz de adyacencia) puede cambiar según cómo nombremos los nodos a pesar de representar la misma realidad.

    En la figura siguiente se observa que ambos grafos son iguales (mismas conexiones entre las mismas personas), pero los patrones de las matrices de adyacencia son diferentes.

    Una red neuronal tradicional podría interpretar este cambio de orden como un grafo diferente. Esto es problemático, porque queremos que nuestra red neuronal entienda que la estructura de las amistades es la misma independientemente del orden en que se considere a las personas.

    La solución de las redes neuronales gráficas

    Para resolver este problema, las redes neuronales gráficas (Graph Neural Networks o GNN en inglés) se basan en la propagación de mensajes y la agregación de información. Cada nodo del grafo recibe información de sus nodos vecinos a través de las aristas que los conectan. Este proceso se repite en varias capas, permitiendo que la información fluya a través del grafo.

    Propagación de mensajes: En cada capa de una red neuronal gráfica, cada nodo envía y recibe mensajes de sus nodos vecinos. Imagine que cada persona en nuestra red de amistades envía un mensaje a todos sus amigos. Estos mensajes contienen información relevante sobre cada persona, como sus características y estados.

    Agregación de información: Después de recibir los mensajes, cada nodo (o persona) combina la información recibida de sus amigos. Esto se hace mediante una operación de agregación, como una suma, una media o un máximo. Por ejemplo, si Ana, Ben y Carla se envían mensajes entre sí, cada uno de ellos sumará, promediará o tomará el valor máximo de los mensajes recibidos.

    El hecho de que la agregación se base en operaciones como la suma o el promedio es lo que garantiza la invariancia a las permutaciones. No importa en qué orden recibamos los mensajes, el resultado final de la agregación será el mismo. Por ejemplo, sumar 2, 3 y 5 dará el mismo resultado independientemente del orden en que sumemos estos números.

    Aprendiendo a varios niveles

    Las redes neuronales gráficas son capaces de analizar, encontrar patrones y realizar predicciones a diferentes niveles:

    1. Nivel de nodo: predicción de propiedades específicas de nodos individuales, como la detección de fraudes en transacciones de bitcoins.
    2. Nivel de arista: predicción de conexiones futuras en redes sociales, como identificar quién podría convertirse en amigo de quién o recomendaciones de artículos en plataformas de compra online.
    3. Nivel de grafo completo: análisis de propiedades globales del grafo, como la predicción de la solubilidad de compuestos químicos.

    Aplicaciones de las redes neuronales gráficas

    Aunque las noticias sobre inteligencia artificial generativa, como ChatGPT y DALL-E, han dominado los titulares, las redes neuronales gráficas ya se utilizan en diversas aplicaciones con un impacto similar en nuestras vidas:

    Las redes neuronales gráficas ya se encuentran en nuestras vidas sin que lo sepamos, y las empleamos cuando utilizamos Google Maps o recibimos recomendaciones de productos para comprar en internet. Aunque poco conocidas por el público general, suponen uno de los grandes avances en el campo de la inteligencia artificial de los últimos años.The Conversation

    Diego Canales Aguilera, Profesor de Inteligencia Artificial, Universidad Loyola Andalucía

    Este artículo fue publicado originalmente en The Conversation. Lea el original.