-¿La Inteligencia Artificial ha llegado para quedarse?

-A día de hoy, la Inteligencia Artificial no existe. Y es muy difícil que la veamos en las próximas dos o tres décadas. El único sitio donde existe es en las películas. En los últimos tres o cuatro años se ha creado mucho ruido alrededor de ella simplemente porque un área muy concreta que se llama Machine Learning,que en español se diría aprendizaje automático, ha demostrado una serie de casos de éxito para tareas muy específicas.

-¿Es posible la conciencia?

-Esto es una exageración a la que los medios contribuyen. La máquina tiene una representación de un dominio en concreto, del que no entiende absolutamente nada salvo las estadísticas que hay debajo de las variables que lo definen. Hace unas semanas, hicimos unas predicciones sobre las seis categorías más importantes de los Oscar y acertamos todas. No es magia ni una inteligencia sobrenatural, sino que se recopilan los datos de todas las películas desde 2000 hasta 2016 y se identifican unas 120 variables que las definen. A partir de ahí, un sistema de Machine Learning es capaz de identificar los patrones que hacen que una película sea exitosa y se aplican a las nominadas.

-El poder radica en los datos y no en la herramienta.

-Exactamente. No tiene nada que ver con los algoritmos. Pero aún estamos muy lejos de que el sistema pueda usar un aprendizaje no supervisado para hacer cosas inteligentes.

-Usted es muy crítico con el Big Data.

-Soy muy crítico porque para mí el Big Data de hoy es el Data del mañana. El Machine Learning lleva estudiándose casi 40 años. Su primera conferencia internacional se celebró en 1980 en Pittsburgh. Nosotros tenemos la suerte en BigML de contar con Tom Dietterich, nuestro científico jefe y cofundador, que estuvo allí. Durante 38 años una comunidad muy exigente ha hecho una serie de estudios académicos y ahora estamos viendo su paso a la industria. En el caso del Big Data, es una invención del Sillicon Valley para justificación de unas tecnologías muy abstractas.

-¿Para qué sirve el aprendizaje automático?

-Hablar de Inteligencia Artificial nos excita mucho porque pensamos que vamos a crear algo a nuestra imagen y semejanza. Los humanos hemos sido a lo largo de la historia creadores de herramientas. Por ejemplo, inventamos la bicicleta, que no se parece para nada a nosotros. El Machine Learning es una herramienta que sirve para automatizar tareas complejas. Por ejemplo, si quieres una aplicación que distinga entre perros y gatos, un programa de Machine Learning puede aprender las reglas que los diferencia a partir de sus fotos.

-Tanto en EEUU como en Europa hay preocupación por la falta de regulación.

-Usando una expresión americana, creo que se está intentando poner el carro delante de los bueyes. Se está intentando regular algo que aún está en su infancia. Todavía no se ha dado pie a que los sistemas funcionen con cierto grado de autonomía. Detrás de cada sistema hay humanos que han necesitado meses de trabajo para un desarrollo específico. Podrías juntar un programa capaz de vencer al campeón del mundo de Go con un ratón. En caso de incendio, el ratón se escapa corriendo y ese sistema tan inteligente es incapaz hasta de llamar a los bomberos porque un humano no lo ha programado para eso.

-Se necesita un humano, como en la historia del turco mecánico.

-Eso da nombre a un servicio de Amazon. En español, sería una inteligencia artificial artificial. Los humanos tenemos un sistema sensorial mucho mejor que las máquinas. Un niño identifica un plátano con verlo una vez, mientras que una máquina necesita verla millones de veces en diferentes posiciones. Una de mis teorías es que en el futuro mucha gente va a trabajar ofreciendo su sistema sensorial para facilitar la vida de las máquinas. Ya está pasando. Hay muchos empleos etiquetando datos para poder crear sistemas automáticos.

-Es algo que hacemos gratis en las redes sociales.

-Cuando etiquetamos, estamos ayudando a Facebook a complementar su sistema. Al llevar el Machine Learning a un contexto de negocio, por ejemplo, el departamento de riesgos de un banco puede contar con un sistema que a partir de su base de datos sea capaz de decidir si se concede o no una hipoteca.