De Turing a ChatGPT: 10 hitos de la IA
En 1950 Alan Turing publicó su artículo Computing Machinery and Intelligence el cual es la base teórica de la computación, más de 70 años después podemos decir que la Inteligencia Artificial es una de las ramas del conocimiento que más ha influenciado a la humanidad.
Hemos preparado para nuestra comunidad una línea del tiempo sobre los 10 momentos que consideramos claves en el desarrollo de la IA, en esta selección hablaremos tanto del desarrollo matemático como tecnológico que hizo posible resolver problemas concretos en diversas áreas industriales y científicas.
Retos Turing en el Track de Ciencia de Datos
Una de las aportaciones intelectuales de Turing más conocidas es el planteamiento del Test de Turing el cual consiste en lo siguiente: supongamos que un ser humano C se comunica por medio de texto escrito con dos agentes digamos A y B. Si A es otro ser humano, B es una Inteligencia Artificial y C no puede distinguir entre A y B quién es el ser humano, entonces la IA B ha vencido en el Test de Turing. Más adelante hablaremos sobre cuál es el status de este preciado logro.
Como parte de nuestro Track de Ciencia de Datos, a partir de la edición 2023-2024 hemos incorporado un Reto Turing para todos los estudiantes al terminar las 49 semanas de clase. El Reto Turing consiste en un trabajo tipo tesina en el que el estudiante pondrá en práctica lo aprendido.
El objetivo es implementar un modelo utilizando Python que simule alguno de los 10 Hitos de la IA que presentamos en este texto. Todos los inscritos a nuestro Track (incluyendo quienes ya lo hayan terminado) están invitados a participar en él. Nuestros estudiantes recibirán más detalles en un mini-curso para poder elegir adecuadamente su proyecto.
Descifrando Enigma (1940)
Aunque el trabajo teórico de Turing sobre las computadoras comenzó estrictamente hablando alrededor de 1948, su experiencia combatiendo las máquinas de cifrado Nazis fue fundamental para desarrollar sus ideas.
La máquina Enigma es un artefacto que codifica secretos y su mecanismo garantiza que un ser humano sin la ayuda de una computadora no podría descifrar los mensajes secretos.
Por medio de un algoritmo desarrollado e implementado en Bletchley Park construyeron lo que hoy conocemos como Bombe y le permitió a los aliados descifrar una gran cantidades de los mensajes durante la segunda guerra mundial.
Este hito es increíble pues no solo precede a las computadoras modernas sino ¡también a las teóricas!
Cybernetics (1950)
En orden de importancia para el desarrollo de la Inteligencia Artificial, desde mi punto de vista el trabajo Norbert Wiener desarrollado principalmente en su libro Cybernetics es uno de los logros más increíbles.
Utilizando modelos estocásticos como cadenas de markov y muchas ideas similares a las del aprendizaje por refuerzo, sentó las bases de numerosas Inteligencias Artificiales concretas.
Uno de mis ejemplos favoritos es el trabajo de Ernst Dickmanns, quien es uno de los pioneros en el desarrollo de vehículos autónomos. Utilizando ideas de Wiener en 1995 desarrolló un modelo que condujo un vehículo en una Autobahn a más de 100 KM/H.
ELIZA y los ChatBots (1964)
Quizás la primera ocasión en la que la inteligencia artificial se acercó a solucionar el test de Turing fue cuando Joseph Weizenbaum desarrolló el primer ChatBot de la historia.
Este modelo impresionó mucho a quienes interactuaron con él, el mecanismo bajo el cual funcionaba es muy similar al que utilizaba el Asistente de Office (CLIPO), rankeando palabras o frases. Antes de ChatGPT las ideas fundamentales bajo las cuales funcionaban la mayor parte de los ChatBots son similares a las de ELIZA.
MYCIN y los sistemas expertos (1970)
Durante muchos años los sistemas expertos fueron la base de los modelos de Inteligencia Artificial, bien entendidos los sistemas expertos son un conjunto de reglas cuidadosamente elegidas para resolver un problema.
El modelo MYCIN es un sistema experto que resuelve la siguiente pregunta: ¿cuál bacteria ocasionó una infección? Utilizando un conjunto aproximadamente 600 reglas este modelo logró resultados sorprendentes, en esta ocasión para un problema muy complicado.
Existen innumerables problemas industriales que en la actualidad son resueltos por medio de sistemas expertos.
Redes Bayesianas (1985)
Tanto los modelos tipo ELIZA o MYCIN tienen un grave problema en el tratamiento de la incertidumbre y por ende la causalidad. Uno de los trabajos que ha transformado por completo los enfoques "conectivistas" de la inteligencia artificial es el estudio matemático de la Causalidad iniciado por Judea Pearl. No es aventurado decir que las redes bayesianas son herederas del trabajo de Wiener.
Uno de los primeros ejemplos de una red exitosa que permite a las Inteligencias Artificiales considerar la causalidad fue el MUscle and Nerve Inference Network (MUNIN).
ImageNET y Deep Learning (1995)
Aunque las redes neuronales profundas existen desde hace varias décadas, la ciencia y los industria centraron su atención en Deep Learning a raíz del éxito que tuvieron las redes convolucionales para realizar inferencias sobre imágenes.
Un equipo de Microsoft en 1995 utilizó la base de datos ImageNET para demostrar que las redes convolucionales entrenadas con las ideas de Hinton, Bengio y LeCunn entre otros, logran mejores resultados que los de un ser humano. Es notable que la tarea con la que pusieron a prueba estas inteligencias artificiales, a diferencia del ajedrez son tareas que aparentemente son triviales para los seres humanos como la clasificación de imágenes.
PageRank y Google (1996)
No cabe duda de que uno de los algoritmos que ha cambiado más a nuestra sociedad en los últimos años es el que permitió a cualquier usuario buscar información en la red de manera mucho más eficaz.
El algoritmo y el motor de búsqueda desarrollado por L. Page y S. Brin que creó a Google es el ejemplo perfecto de cómo la Inteligencia Artificial es capaz de gestionar recomendaciones inteligentes con eficacia tanto estadística como computacional. Más adelante la tecnología desarrollada por Netflix por ejemplo, re-visitó este problema el cual es la base de buena parte de la industria en la actualidad.
DeepBlue v.s. Kasparov (1997)
Las computadoras que se utilizaron para implementar las inteligencias artificiales de las que hemos hablado hasta el momento fueron bastante alejadas de las que utilizamos en la actualidad, uno de los grandes saltos tecnológicos lo dió IBM quienes además desarrollaron un algoritmo que venció a uno de los grandes jugadores de Ajedrez de todos los tiempos: Kasparov.
Desde ese entonces la inteligencia artificial ha tomado los juegos como el Go, Póker, Jeopardy, entre algunos otros. Uno de los ejemplos más increíbles de estos ejemplos fue el de AlphaGo pues a diferencia del caso del ajedrez, el Go es un juego en el que el poder computacional actual no está cerca de la solución y requirió el diseño de algoritmos mucho más inteligentes.
AlphaFold (2020)
Hasta ahora hemos hablado de tareas que no parecen requerir una explicación demasiada complicada: clasificar imágenes, predecir la razón de una enfermedad, jugar ajedrez. Con esto no queremos decir que sean problemas sencillos.
Un punto de inflexión en la inteligencia artificial es cuando AlphaGold logró resolver un problema sobre el desdoblamiento de proteínas que los biólogos han intentado resolver desde hace decenas de años y en el que se ha invertido una enorme cantidad de recursos por su importancia para la medicina, la alimentación, etc.
Es quizás el primer caso en el que un modelo de inteligencia artificial logró responder a una pregunta crucial que ningún ser humano había contestado.
ChatGPT (2022)
Los grandes modelos del lenguaje como en el que se basa ChatGPT requieren poca presentación, todos quienes estamos involucrados en resolver problemas industriales utilizando inteligencia artificial sabemos del punto de inflexión que significa ChatGPT para estas técnicas.
Regresando brevemente al test de Turing hace algunos meses científicos den NYU pusieron a prueba a ChatGPT en el test de Turing con un conjunto de pacientes del sistema de salud y los resultados aunque no son perfectos, no cabe duda de que cada vez está más cerca el sueño de Turing.
Oferta académica
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
Sesión informativa con los profesores.
