Machine Learning: ¿Sustituirán los robots a los profesores en el futuro?

• Las máquinas hacen mejor que los humanos muchas cosas pero aprender y pensar no están entre ellas
• No te pierdas Whaat!?, el programa de divulgación científica presentado por Javier Santaolalla y La Gata de Schrödinger
• Ya está disponible el capítulo 4, "Educación y creatividad"

Es innegable que, poco a poco, los humanos nos estamos acostumbrando a tratar a las máquinas como seres sensibles y a hablar con ellos como amigos e incluso terapeutas. Tanto es así que los científicos de la NASA lloraron cuando se perdió uno de sus robots en Marte.

Aunque coloquialmente utilicemos la metáfora de que las máquinas “aprenden”, no podríamos decir que pueden llegar a pensar o sentir, se trata de una analogía. De lo contrario, estaríamos deformando conceptos.

La especulación sobre que los robots acabarán sustituyendo a los humanos en sus puestos de trabajo es cada vez mayor. Sin embargo, en el entorno educativo este reemplazo suscita dudas. ¿Pueden los robots sin sentimientos educar a niños en fase infantil? ¿Cuáles son las diferencias entre el aprendizaje humano y el robot? ¿Quién enseñará a interactuar con humanos? ¿Son los ordenadores mejores que nosotros?

[Mira aquí los primeros programas de Whaat!?]

Machine learning

A diario, los ordenadores acceden a millones de datos almacenados en su memoria y, consecuentemente, un algoritmo procesa dicha información. De esta forma, pueden establecer patrones, asociar ciertas instrucciones a los datos y ejecutar operaciones previamente programadas. Por eso, la disciplina de machine learning va todavía más allá.

El machine learning busca que el ordenador sea capaz no solo de ejecutar instrucciones sino de aprender nuevas instrucciones por sí mismo, de forma autónoma y sin que una persona intervenga. El aprendizaje autónomo de las máquinas es una de las bases de la inteligencia artificial.

Para ello, se utilizan varias clases de algoritmos como el aprendizaje supervisado, que consiste en introducir a la máquina muchos datos con sus clasificaciones, a modo de ejemplos, para que luego ella pueda generalizar y seguir clasificando información por su cuenta. Mientras, el aprendizaje no supervisado permite a los ordenadores mejorar sus predicciones con la experiencia. También existen los llamados algoritmos de aprendizaje por refuerzo donde optimiza su comportamiento cuando obtiene una "recompensa".

Estos sistemas imitan los modos de aprender de nuestro cerebro. De hecho, se enseña a aprender a las máquinas de forma parecida a cómo enseñamos a los niños: con repetición, niveles cada vez más difíciles y dejando que se equivoquen.

Desventajas de las máquinas

Aunque las máquinas son capaces de realizar ciertas tareas mejor que los humanos —memorizar, calcular o clasificar—, son mucho más torpes para otras, como aprender o pensar.

Por este motivo, algunos neurocientíficos sostienen que nuestro cerebro tiene una ventaja respecto de los ordenadores, pero justo en lo que parece el mayor inconveniente: equivocarse.

Uno de los críticos que ve con escepticismo la creencia de que las máquinas pronto nos van a superar es Henning Beck. Él defiende que equivocarse tiene muchas ventajas: algunos errores nos ayudan a tomar mejores decisiones porque nos hacen ser más flexibles y creativos.

Por el contrario a nosotros, los ordenadores son incapaces de saltarse las reglas, carecen de la facultad de improvisación. Puede decirse que los ordenadores aprenden, nosotros comprendemos y nos adaptamos a la situación.

Deep learning

La inteligencia artificial del futuro tendrá que ser creativa para poder acercarse a la inteligencia humana. Y, aunque hay avances impresionantes, ni el ordenador más potente del mundo puede hacer lo que hace el cerebro de un bebé.

Se llama deep learning —aprendizaje profundo— a una forma de machine learning, que consiste en una serie de técnicas y procesos informáticos que tienen como objetivo programar a los ordenadores y otros dispositivos para que realicen tareas imitando la forma en las que las hacemos los seres humanos.

Los algoritmos empleados en deep learning construyen redes neuronales artificiales que configuran parámetros sobre datos para que el ordenador mejore su desempeño reconociendo patrones mediante el uso de capas de información.

Aunque muchas veces no seamos conscientes de ello, en nuestro día a día hay numerosos ejemplos de soluciones tecnológicas que utilizan deep learning para mejorar: Alexa, Siri, Cortana, los traductores, los chatbots de servicio al cliente o las sugerencias de Netflix.

Cuanto más usemos la tecnología de deep learning, más "aprenderán" sus algoritmos y más ajustada y precisa es la respuesta de los sistemas y servicios. Gracias a ellos se podrán construir redes neuronales con muchas capas profundas por lo que su desarrollo será cada vez mayor cuanto más material tenga.