Noviembre, 2018Redacción: Mariana Pernas

“El gran desafío es la inteligencia aumentada”

By INTAL Admin Noviembre, 2018
Home  /  Ideas de Integración  /  “El gran desafío es la inteligencia aumentada”
Redactor: Mariana Pernas
Categorías:
  Ideas de Integración n267

Imprimir este artículo

Entrevista a Facundo Bromberg, director del Laboratorio de Desarrollo de Herramientas de Aprendizaje y Razonamiento de Máquinas (DHARMa) de la UTN.

Con investigaciones en el campo de visión por computadora y aprendizaje de máquinas destinadas a facilitar la inspección de calidad de viñedos en entornos naturales y el desarrollo de aplicaciones de telemedicina, Facundo Bromberg es fundador y director del Laboratorio de Desarrollo de Herramientas de Aprendizaje y Razonamiento de Máquinas (DHARMa) que depende de la Universidad Tecnológica Nacional (UTN), en la Argentina. Docente, investigador del Conicet y doctor en Ciencias de la Computación por la Universidad de Iowa, para Bromberg ¨el aporte realmente disruptivo de la IA¨ tiene lugar en el ámbito de la inteligencia colectiva, que permanece poco explorado. En diálogo con Conexión Intal, el especialista conversó acerca de los desafíos de hacer la transferencia tecnológica de IA, cómo se aplica en el agro, la escasez de especialistas y el rol que desempeñan las grandes empresas de tecnología.

Dada tu especialización en investigación y desarrollo de soluciones de IA destinadas a la viticultura, ¿de qué manera y con qué tipo de aplicaciones la IA contribuye a mejorar las condiciones productivas en el agro?

La viticultura y la agricultura están realizando una transformación un poco tardía, si le compara con otros ámbitos, en su migración hacia tecnologías de la información. La viticultura, al menos en el tratamiento del campo, en parte está rezagada por falta de interés o resistencia de los productores e ingenieros, pero también por cuestiones técnicas, ya que es un trabajo que se realiza a la intemperie, en condiciones climáticas adversas, con maquinaria pesada y en un entorno biológico cambiante. A esto se suma la durabilidad de los sensores. La IA aporta en varias cuestiones. Una de ellas es visión artificial, que de manera automatizada permite detectar y monitorear las malezas, enfermedades y plagas a través de imágenes, acelerando así algunos procesos. Otros desarrollos implican una automatización completa, como es el caso de la producción hidropónica. Se trata, por ejemplo, de producir dentro de un container el equivalente a dos hectáreas de tierra de un cultivo de plantas de hojas (como la lechuga) con luces artificiales, nutrientes inyectados en forma líquida y control de temperatura y humedad. Todo esto se realiza de manera automatizada y es monitoreado en forma remota y autónoma, con la posibilidad de cultivar en situaciones climáticas adversas. La IA, además, facilita la predicción de fenómenos climáticos, como una helada que puede dañar a los cultivos. Y por último, permite la medición de variables a través de imágenes, algo que hasta ahora sólo se podía hacer de manera manual. Medir el diámetro de todos los troncos de una finca día por medio, o la cantidad y la localización de las yemas es inconcebible; pero se puede automatizar mediante inspección visual.  Así se aceleran tanto los procesos de medición como la toma decisiones.

Hoy, las principales empresas de software, como Microsoft, Google, Apple y Amazon, están proveyendo al mercado sus propias herramientas de programación de IA, algunas de ellas gratuitas o de bajo costo. La difusión de este tipo de herramientas, ¿limita o favorece el desarrollo del ecosistema de IA?

A corto plazo lo favorece, porque le da publicidad a la IA y permite que muchos desarrolladores accedan a estas soluciones. Sin embargo, me atrevería a decir, aunque con poca certeza, que también podría haber algún perjuicio por el hecho de usar herramientas de IA en forma de caja negra, sin comprenderlas del todo. En la Argentina, por ejemplo, la formación de grado en IA no es muy sólida: existe una sola materia curricular, o dos, en las carreras de informática. Hay pocos especialistas y mucha demanda. Con lo cual, hay altas chances de que esa demanda exija al mercado de desarrolladores y que estos empiecen a ofrecer soluciones de IA empaquetadas en forma de caja negra, sin mucho entendimiento, incompletas y que no terminen de ser satisfactorias. Puede haber soluciones de baja calidad porque no hay idoneidad. Al mismo tiempo, como la tecnología de IA que se desarrolle va a contener alguno de estos componentes propios, es impredecible el poder que esto les va a otorgar a estas empresas. Pero hasta la fecha, al menos Microsoft y Google han contribuido mucho: han aportado a la investigación con publicaciones y tienen investigadores de planta haciendo trabajo científico. Así que, por ahora, no parecería que esto vaya en detrimento del ecosistema.

¿Es posible hacer transferencia de conocimiento y tecnología desde el sector académico a la industria en el ámbito de IA?

Como sucede con cualquier disciplina académica con fuerte componente tecnológico, sí, es posible hacer transferencia. Pero presenta algunos retos. Por caso, en ciencia de datos para machine learning, que es una subárea de IA, hay incertidumbre respecto a la solución porque se depende mucho de los datos. La transferencia es desafiante en ese sentido. También es problemático en términos de recursos humanos. La formación en IA hoy es muy pobre; es una disciplina tan compleja que está cerca de requerir su propia ingeniería, su propia carrera de grado. Es que la IA se ha desarrollado muy rápido, sin dar tiempo a que el sistema provea soluciones educacionales y formativas. En mi caso personal, yo recibo dos o tres propuestas semanales de trabajo. La demanda es exorbitante, pero no la puedo atender toda porque no tengo capacidad de desarrollo. Y las empresas, por ejemplo, aquellas que desarrollan software, tienen profesionales que no están capacitados en el área, con lo cual tampoco se puede hacer una asociación con ellos. Entonces, la transferencia es un poco lenta por esos motivos. Otra cuestión es que las empresas todavía no saben qué problemáticas pueden ser resueltas por la IA; y los académicos, por nuestra parte, no sabemos de las problemáticas que tiene cada compañía.  La IA es una tecnología muy nueva, bastante desconocida y sumamente práctica. Como ahora está de moda nos llaman, pero no saben muy bien qué hacer. Entonces hay un proceso lento para encontrar oportunidades y soluciones.

¿Hasta dónde seguirá avanzando la investigación en IA? ¿Cuáles son las áreas que todavía quedan por explorar?

Sin duda va a seguir avanzando, y lo hará durante muchos años. Lo que está cerca de resolverse es la automatización de procesos cognitivos perceptuales, como la problemática de visión artificial, que está avanzado muy rápidamente y es probable que en una o dos décadas tengamos sistemas con una capacidad de visión igual o ya superadora de la del ser humano. Lo mismo sucede con lo auditivo: la posibilidad de intercambiar texto con audio ya la estamos viendo con tecnología que resuelven Google y algunas grandes empresas, pero pronto va a ser ¨mainstream¨ y van a aparecer aplicaciones que lo manejan de manera natural. El campo de ciencia de datos, procesamiento de datos y estructuración de datos en forma automática también seguirá creciendo, así como también los sistemas que aprenden a actuar en forma automática.

¿En qué área están los principales desafíos?

El gran desafío, a mi entender, reside en lo que podríamos llamar la inteligencia aumentada, colectiva. Es un área muy poco explorada y donde está el aporte realmente disruptivo de la IA. Hay muchos procesos cognitivos que oficiamos los seres humanos y que todavía las computadoras no han comenzado a explorar, como las acciones y decisiones estratégicas en el ámbito social y económico. Parece ciencia ficción, pero es una frontera aun no explorada. El ser humano hoy opera de manera colectiva de manera muy compleja; sin embargo, es aún muy torpe porque maneja una inteligencia colectiva bastante precaria, tiene una capacidad de toma de decisiones muy local. Entonces, entendiendo al entorno natural en el que habitamos como un entorno colaborativo, hay muchas oportunidades de colaboración que son inexploradas y que no se exploran porque no tenemos la tecnología para coordinarlos a esos niveles. A mi entender, ese es uno de los grandes desafíos y principales aportes de la IA: proveernos de asistencia para tomar decisiones socioeconómicas individuales que sumen a una decisión colectiva e individual muy superadora. No solo que aporten a nivel colectivo, ya que no es una propuesta colectivista, sino que está en ambos niveles. Al ser colaborativo, el sistema me va a permitir encontrar aportes a la sociedad.

¿Podría dar un ejemplo de aplicación de este tipo de sistemas?

Ante la opción de venderle algo a una persona o a otra, la decisión que tome puede ser mucho más informada y, por lo tanto, ante el mismo precio puedo elegir vender a quien me va a beneficiar más en el largo plazo. O bien, puedo decidir vender a un precio más barato porque sé que a largo plazo voy a obtener un beneficio. También hay funciones que hoy realiza una oficina de comercio, como la trazabilidad de una cadena de valor, que también podrían realizar nuestros teléfonos celulares. Estos dispositivos pueden ser nuestros asistentes personales: que analicen la trazabilidad de toda una cadena, redes y circuitos de valor, que es algo que nos permitirá tomar mejores decisiones que generan aún más valor. Esto actualmente se está explorando en el campo de agentes artificiales, pero todavía falta mucho.

¿Cuáles son las líneas principales de investigación del Laboratorio de Desarrollo de Herramientas de Aprendizaje y Razonamiento de Máquinas (DHARMa) que depende de la UTN?

En este momento tenemos tres grandes líneas. En primer lugar, hacemos investigación básica en desarrollo de algoritmos de aprendizaje. Son herramientas para aprendizaje de lo que se llaman ¨estructuras de modelos probabilísticos gráficos¨, que son unos modelos que permiten codificar el conocimiento incierto. Se usa mucho para los sistemas de diagnóstico, por ejemplo, para determinar la probabilidad de que una máquina tenga una falla cuando se encendió un sensor o hizo un determinado ruido. También se emplean para diagnóstico médico y en modelos de aprendizaje de sistemas visuales. En segundo término, nos enfocamos en visión artificial, que es la línea que más se ha aplicado en viticultura. En tercer lugar, una línea -sin resultados hasta ahora, al menos que se hayan publicado en revistas- es la inteligencia colectiva aplicada a gobernanza ciudadana para facilitar y asistir, con agentes inteligentes, la toma de decisiones humanas de manera colectiva y más inclusiva.

this post was shared 0 times
 000