El director de I+D de ITCL Centro Tecnológico, Javier Sedano, hizo balance durante la jornada Inteligencia Artificial. Presente y Futuro, celebrada en octubre en Burgos, del papel que ha jugado y jugará la Inteligencia Artificial. Una tecnología “que arrancamos en ITCL hace 10 años y que causaba ciertos esbozos o sonrisas a quienes se la llegamos a presentar”. “Hoy nos hemos dado cuenta que aquello fue un acierto”, resolvió el experto, que ve como “no nos confundimos”- al recordar la apuesta que hizo ITCL Centro Tecnológico cuando “nadie hablaba de IA”.
En su ponencia titulada ‘Inteligencia Artificial Tecnología de Presente’, recordó el momento en el que “le propusieron la empresa de liderar un grupo de trabajo de Inteligencia Artificial”. “Vimos que era algo arriesgado. Hablamos de pilotar un proyecto y crear un grupo de Electrónica Aplicada e Inteligencia Artificial, y en aquel momento hablar de Inteligencia Artificial causaba ciertos esbozos o sonrisas”.
Sedano ilustró a los presentes con una ponencia en la que adentró a los mismos en la IA. Una tecnología que busca desarrollar conocimiento que permita a los sistemas desarrollar funciones que son propias únicamente del ser humano y que difieren del pasado en que los sistemas actúan en base a decisiones predefinidas o programadas”. Así, explicó que el principal cometido de ésta es proporcionar algoritmos que sean capaces de desarrollar funciones que únicamente el ser humano puede determinar.
“Antes no hacíamos que los sistemas aprendieran, hoy en día somos capaces de generar códigos que permiten que las máquinas tomen decisiones”, advirtió Sedano, al tiempo que dejó claro que “cuánta más información reciban acertarán más en esas decisiones”.
Contar con expertos y no con piratas
Conocedor de los entresijos y problemas de la Inteligencia Artificial, Sedano subrayó que una de las cuestiones clave a la hora de contar con IA es “sumar a verdaderos expertos en la materia”.
“ Existen tantos piratas del conocimiento que se van a subir al carro de la IA que van a intentar de convencer a vuestras empresas de soluciones”, apostilló Sedano, quien entiende que hablamos “de un intangible”. “Cuando alguien compra IA no va a ser capaz de saber si esos algoritmos van a ser adecuados. Las empresas tendrán que determinar si las empresas que les ofrecen esos servicios son adecuadas o no”, aclaró.
En este sentido, apostilló que en base a los tipos y diferencias en Inteligencia Artificial, un analista de datos tiene que conocer qué hacen esos algoritmos que son creados, cómo es su atribución, dónde puede tener buenos ajustes y dónde no. “Lo importante es conocer si esos algoritmos son adecuados o no. Buscamos desarrollar cosas nuevas. La i será el desarrollo y a d será el análisis”, añadió.
Analistas de datos
En este apartado, el director de I+D de ITCL destacó que “todos hacemos IA pero los analistas de datos usan algoritmos de terceros y con eso se pueden ajustar modelos pero para muchos problemas no dan buenos resultados”. Una realidad que hace necesario “contar con verdaderos expertos” en aras a poder dar solución a los problemas de coordinación y de combinación.
“La IA trata de resolver problemas combinatorios a través de algoritmos. En muchos casos no dan soluciones adecuadas porque todo está basado en la semilla de arranque”, destacó.
Las aplicaciones de la IA
En base a su enorme experiencia en el campo de la Inteligencia Artificial, Sedano recordó que desde ITCL, una de las primeras apuestas iniciales que se tuvo fue la identificación genérica “buscando perfiles que clasificaban conjuntos de genes”. Así se consiguieron algoritmos con detección de patrones de comportamiento.
“Hemos trabajado mucho en esto porque hay enfermedades basadas en patrones de comportamiento como son el ictus, el ELA o el parkinson. Lo que hacemos es pedir patrones de movimientos para personalizar uno a uno a esos pacientes”, explicó.
Asimismo, puso como ejemplo otros trabajos como un robot de menor tamaño que asiste al operador de una máquina, a través de un movimiento. “Conseguimos que mueva y ponga otra copa, por ejemplo”; y sistemas de predicción de fallos que determinan que algo que ha pasado no pase y que alguien tome la decisión de operar.
Contar con información suficiente
De forma paralela, aseveró que algo que es “fundamental” para hacer un gran modelo es que los datos sean suficientemente informativos. “Nadie puede modelar sin buenos datos”. “Si generas un modelo con datos que no son relevantes, lo que haces es generar ruido y eso generará otro problema”, apostilló Sedano.
