La Inteligencia Artificial, o la nueva inteligencia: ¿Y si dejamos que las líneas de código hablen?

By j re crivello

“La justicia del algoritmo no puede depender solo de un ingeniero” nos dice Fernanda Viégas, quien lidera la división de Google dedicada a cómo hacer las máquinas tomen mejores decisiones. Debo confesar que al escribir este artículo no quería transformarme en un izquierdista, ni un señor que se asoma al final de un mundo que se muere y solo le sorprende que ya no será como es.

Las líneas de código cada vez ocupan millones de espacios e inundan y rodean nuestras vidas. Las líneas de código del Genoma Humano ocupan 3.300 millones billones de líneas de código. Google para todo su trabajo (diremos la madraza de todas las madrazas), nos dicen: “Rachel Potvin comentó durante una charla que Google y todos sus servicios (como son GMail, Maps, Calendar y cualquier otro que esté bajo el amparo de la gran G) forman un conjunto de más de 2.000 millones de líneas de código. Dos mil millones. Y todo se guarda en un mismo repositorio, aunque la compañía ha desarrollado su propio sistema para controlar las versiones (al que se conectan todos sus desarrolladores para introducir cambios)”. Link y gráfica

Con lo cual los millones de líneas de código ya son independientes del ser humano, Es lo que muchas veces denominamos la aparición de la segunda Singularidad Inteligente (la Tercera vendrá desde el espacio), quien aún no posee una consciencia autónoma pero está ahí, nos influye, nos acompaña. Últimamente cuando escribo mis artículos he reemplazado la cita: dice Google, por la IA me explica. Pues lo que parece una simple pregunta que realizó para buscar información, esta tamizada por millones de líneas que no son neutras, sino que nos muestran los escondites y sesgos que nos responden, así definidos por el equipo de Google encargado de esta tarea.

Este equipo de Google, dirigido por Fernanda Viégas intenta encontrar soluciones para que los códigos puedan hablar…nos. Y aquí está la batalla perdida, siempre detrás de millones de códigos esta la imposibilidad real de entender que explicación nos están dando. A lo sumo dirá Fernanda: “lo justo tiene diferentes aspectos en función del contexto, los países, las situaciones”

Tal vez, por nuestra parte diremos, lo justo es imposible de conocer en esta gigantesca maquinaria que hemos creado y se expande a ritmo desmesurado. Ya no hablamos de justicia, ya hablamos de poder y de control del conocimiento que esta puesto fuera de los humanos, y parece servirnos, parece contestarnos, pero será implacable cuando descubra su poder.

Im-pla-ca-ble!

Y debo decir que no quiero ser catastrofista, diremos lo que dice la ingeniera Fernanda Viégas: “un sistema de clasificación de imágenes podría determinar que lo que está viendo es una cebra al tomar en cuenta la ubicación y concentración de ciertos pixeles”.

“Ese no es el modo que piensan los humanos”

“Es el modo que piensan los ordenadores”

Reflexioné Ud. sobre lo dicho arriba, si además la I. Artificial posee toda la información sobre sus gustos, dinero, historial clínico y sexualidad. Vamos por buen rumbo ¿no? Detrás de la Pandemia surgirá un polo de poder y dominio tan gigantesco que nos sorprenderá.

En que trabaja Google (o en que trabaja la I Artificial más avanzada)

El cielo no es el límite: un modelo de rendimiento visual para el co-diseño ciberfísico en máquinas autónomas

Motores de ejecución neuronal: aprender a ejecutar subrutinas

Vista previa del resumen

Los agentes de orientación de navegación visual y lingüística se pueden mejorar aprovechando las instrucciones de navegación generadas automáticamente. Sin embargo, los generadores de instrucciones existentes no se han evaluado exhaustivamente y las métricas de evaluación automática utilizadas para desarrollarlos no se han validado. Usando buscadores de ruta humanos, mostramos que estos generadores funcionan a la par o solo un poco mejor que un …

Sobre la evaluación de las instrucciones de navegación visual y lingüística

Ming Zhao , Peter Anderson , Vihan Jain , Su Wang , Alex Ku , Jason Baldridge , Eugene Ie

Conferencia del Capítulo Europeo de la Asociación de Lingüística Computacional (EACL) (2021)

PseudoSeg: diseño de pseudoetiquetas para segmentación semántica

Vista previa del resumen

Los avances recientes en el aprendizaje semi-supervisado (SSL) demuestran que una combinación de regularización de consistencia y pseudoetiquetado puede mejorar efectivamente la precisión de clasificación de imágenes en el régimen de datos bajos. En comparación con la clasificación, las tareas de segmentación semántica requieren costos de etiquetado mucho más intensos. Por lo tanto, estas tareas se benefician enormemente de los métodos de capacitación eficientes en datos. Sin embargo,…

PseudoSeg: diseño de pseudoetiquetas para segmentación semántica

Yuliang Zou , Zizhao Zhang , Han Zhang , Chun-Liang Li , Xiao Bian , Jia-Bin Huang , Tomas Pfister

Aparejar la lotería: hacer que todos los boletos sean ganadores

Vista previa del resumen

Un trabajo reciente (Kalchbrenner et al., 2018) ha demostrado que la escasez en los parámetros de las redes neuronales conduce a redes más eficientes de operación de parámetros y de punto flotante (flop) y que estas ganancias también se traducen en reducciones del tiempo de inferencia. Existe una gran cantidad de trabajo (Molchanov et al., 2017; Zhu & Gupta, 2017; Louizos et al., 2017; Li et al., 2016; Guo et al., 2016) sobre …

Aparejar la lotería: hacer que todos los boletos sean ganadores

Erich Elsen , Pablo Samuel Castro Rivadeneira , Trevor Gale , Utku Evci

The Deep Bootstrap: Los buenos estudiantes en línea son buenos generalizadores fuera de línea

The Deep Bootstrap: Los buenos estudiantes en línea son buenos generalizadores fuera de línea

Preetum Nakkiran , Behnam Neyshabur y Hanie Sedghi

Y podría citar muchos proyectos (muchos se pueden ver públicamente) más que cambiarán nuestra relación entre la Inteligencia Artificial y los humanos.

¿Y qué nos dice Google, en su web? La parte en negrita señalada es de este autor.

“La proliferación del aprendizaje automático significa que los clasificadores aprendidos son la base de muchos productos en Google. Sin embargo, las preguntas en la práctica rara vez son tan claras como para usar un algoritmo listo para usar. Un gran desafío es desarrollar métricas, diseñar metodologías experimentales y modelar el espacio para crear representaciones parsimoniosas que capturen los fundamentos del problema. Estos problemas afectan a los productos y servicios de Google, desde el diseño de experimentos para probar nuevos algoritmos de subasta hasta el desarrollo de métricas automatizadas para medir la calidad de una hoja de ruta”. Link

Puede consultar aquí la infografía del crecimiento de las líneas de código elaborado por David McCandless. Por citar lo que aparece allí:

1 Millón de líneas de código=18.000 folios impresos de A4

Jurasic Park utilizó 2 millones de códigos

Google Crhome= 5 millones de código

La Office 2001= 25 milllones

Facebook (incluido sus bases de códigos) = 25 millones

El software de un coche autónomo = 80 millones

Y todo Google usa… 2 Billones de Codigos

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s