El MIT otorga intuición a la IA. ¿El principio de Skynet?

Un nuevo algoritmo de Inteligencia Artificial es capaz emular la intuición y predecir el comportamiento humano con más precisión que los mismos humanos.

En análisis de datos existen muchas herramientas que son de utilidad para los analistas. Nos ayudan a procesar datos de manera más efectiva y a organizarlos de ciertas y determinadas formas que se haga más fácil entenderlos. En escenarios de Big Data, sin embargo, siempre es necesaria la inteligencia humana para seleccionar cuales indicadores son más relevantes para tomar en cuenta en el análisis. Esto es debido a ciertos procesos cognitivos que nos permiten identificar a cuales datos prestarles más atención, gracias a la experiencia o a la intuición.

Desde el MIT nos presentan un nuevo sistema para ayudar en los análisis de Big Data, no solamente buscando patrones entre los datos, si no también clasificándolos y diseñando el conjunto de características relevantes para el análisis. Hasta ahora esto era tarea exclusiva de los humanos que, gracias a la intuición, logran deducir cuales son los datos más relevantes de un conjunto de datos dado para una situación en concreto.

Para probar el Data Science Machine, como le llamaron en el MIT, lo inscribieron en tres competencias de análisis de datos, en los que competía en contra de equipos conformados por humanos para encontrar patrones predictivos en grupos de datos desconocidos. De los 906 equipos que estaban participando, fue capaz de superar a 615, y no solo eso, sino que las predicciones hechas por el Data Science Machine estuvieron 94% y 96 tan precisos como los equipos ganadores. En la tercera competencia logró solamente un 87% de precisión.

Otro dato bastante interesante, e impresionante, es que los equipos trabajaron con sus algoritmos de predicción por meses, mientras que a la Data Science Machine le tomó entre dos y doce horas producir cada uno de sus resultados.

Para la creación de los sets de datos a analizar, los investigadores utilizaron un par de trucos interesantes. Uno de ellos es explotar las relaciones estructurales inherentes en el diseño de bases de datos. Las bases de datos suelen almacenar diferentes tipos de datos en diferentes mesas, lo que indica las correlaciones entre ellas el uso de identificadores numéricos. La Data Science Machine rastrea estas correlaciones, usándolas como una pista para la construcción de los sets de datos.

También va en busca de los llamados datos categóricos, que parecen restringirse a una gama limitada de valores, como el día de la semana o de marca. A continuación, genera nuevos conjuntos de datos candidatos mediante la fragmentación de los candidatos existentes en todas las categorías. Una vez que se produce una serie de candidatos, se reduce su número mediante la identificación de aquellos cuyos valores parecen estar correlacionados. Luego comienza a probar su conjunto reducido de características en los datos de la muestra, recombinándolos de diferentes maneras para optimizar la precisión de las predicciones que serán reportadas.

La máquina en sí es básicamente capaz de realizar un seguimiento de las correlaciones en las relaciones de las tablas creadas en la base de datos, y clasificarlas con indicadores numéricos. Mientras aparecen esos indicadores, la máquina aplica operaciones para encontrar los promedios en los números. La máquina también busca los datos categóricos.

Según los investigadores, no se busca sustituir al elemento humano en la toma de decisiones, si no apoyarlo con herramientas que le permitan tomar decisiones mucho más acertadas en una menor cantidad de tiempo. Según los investigadores, cada vez es mayor la cantidad de datos a analizar, y si contamos con herramientas que nos faciliten el proceso de clasificación y análisis de los datos, podremos brindar respuestas más efectivas y en menor tiempo.

Ejemplos de los datos que la máquina podría analizar incluyen cosas como los productos que una persona podría comprar o la probabilidad de un estudiante en particular abandone una clase.

Los avances en inteligencia artificial cada vez son más grandes. Aunque en campos distintos, las máquinas ya son capaces de sustituir casi todo lo que hacemos y con mayor precisión. Aunque suena aterradoramente real que una mezcla de todos los avances que hemos tenido se convierta en Skynet, la inteligencia artificial avanza para ayudarnos en varios campos que, de otra manera, tardaríamos meses o años en resolver. Siempre he visto a la inteligencia artificial como un apoyo a las labores de los humanos, una herramienta para optimizar lo que hacemos y hacerlo mejor cada vez. El que se convierta en una amenaza, como con toda herramienta, va a depender enteramente de nosotros.

Fuente: MIT News