En 2015, Yann LeCun, Yoshua Bengio y Geoffrey Hinton publicaron en Nature un artículo que terminaría convirtiéndose en una de las referencias fundamentales para entender el desarrollo reciente de la inteligencia artificial.
Su título era bastante directo: Deep learning.
En aquel momento, ChatGPT no existía, la inteligencia artificial generativa todavía no había llegado al gran público y buena parte de la conversación que hoy mantenemos alrededor de la IA simplemente no estaba allí.
Pero muchas de sus bases sí.
El artículo explicaba algo que ahora puede parecernos casi evidente: que determinados sistemas podían aprender representaciones cada vez más complejas de la información utilizando múltiples capas de procesamiento.
Dicho de una forma mucho menos técnica, el cambio estaba en dejar de intentar explicar a la máquina todas las reglas del mundo.
Durante mucho tiempo, una parte importante de la informática funcionó precisamente así.
Definíamos reglas.
Si ocurre A, haz B.
Si aparece determinada condición, ejecuta determinada acción.
Si un elemento tiene determinadas características, clasifícalo de una forma concreta.
El conocimiento estaba, en buena medida, en las reglas que alguien había sido capaz de escribir previamente.
El deep learning introducía otra lógica.
En lugar de especificar manualmente todas las características relevantes, los modelos podían aprender progresivamente representaciones de los datos. Una capa identificaba determinados patrones y otras capas construían representaciones cada vez más abstractas sobre los anteriores. Esa capacidad permitió avances importantes en ámbitos como reconocimiento de imágenes, voz y otros problemas complejos.
Y creo que aquí empieza una reflexión interesante.
Porque cuando hablamos hoy de inteligencia artificial solemos mirar hacia el resultado.
El asistente que responde.
El modelo que genera una imagen.
El algoritmo que clasifica documentos.
La herramienta que analiza información.
Pero detrás existe un cambio mucho más profundo en la forma de resolver problemas.
Pasamos de describir explícitamente todas las reglas a construir sistemas capaces de aprender patrones a partir de ejemplos.
Y eso cambia también nuestra relación con los datos.
Los datos dejan de ser únicamente registros que almacenamos para convertirse en parte del mecanismo mediante el que un sistema aprende.
No es una diferencia pequeña.
De programar respuestas a aprender patrones
Pensemos en algo sencillo.
Podemos intentar describir mediante reglas qué aspecto tiene un perro.
Tiene cuatro patas.
Tiene pelo.
Tiene determinadas proporciones.
Tiene ciertas formas.
El problema aparece bastante rápido.
También hay gatos con cuatro patas y pelo. Hay perros pequeños, grandes, con el pelo largo, corto o prácticamente inexistente. Pueden aparecer de frente, de espaldas, parcialmente ocultos o en condiciones de iluminación completamente diferentes.
Convertir toda esa realidad en reglas explícitas resulta extraordinariamente difícil.
El aprendizaje automático aborda el problema desde otro lugar.
En lugar de intentar escribir cada regla posible, proporcionamos ejemplos y dejamos que el modelo encuentre patrones que permitan distinguir unos casos de otros.
El ejemplo es simple, pero la idea detrás de él es enorme.
Y explica una parte importante de lo que estamos viviendo actualmente.
Pero aprender de los datos tiene una consecuencia
Si el comportamiento del sistema depende de aquello que aprende, entonces la calidad de los datos, su contexto y su representatividad dejan de ser cuestiones secundarias.
No podemos separar fácilmente el modelo de la información con la que construye su representación del mundo.
Y aquí la conversación tecnológica empieza a parecerse bastante a muchas conversaciones de transformación digital.
Porque en las organizaciones también se busca constantemente algoritmos, automatizaciones o asistentes capaces de ayudarnos a decidir mejor.
Pero esos sistemas inevitablemente se encuentran con otra realidad.
Con nuestros datos.
Con nuestras clasificaciones.
Con nuestra forma de registrar los procesos.
Con las excepciones que nunca documentamos.
Con información repartida entre aplicaciones, hojas de cálculo, correos electrónicos y conocimiento que todavía permanece únicamente en las personas.
La inteligencia artificial puede encontrar patrones extraordinariamente complejos.
Pero sigue necesitando una realidad de la que aprender.
La IA también hereda cómo hemos construido la organización
Quizá por eso algunas conversaciones sobre inteligencia artificial empiezan demasiado tarde.
Empiezan preguntando: ¿Qué modelo vamos a utilizar?
cuando antes deberíamos preguntarnos: ¿Qué información estamos poniendo delante de ese modelo?
Cómo se ha generado.
Qué representa.
Qué falta.
Qué decisiones históricas contiene.
Qué criterios utilizamos para clasificarla.
Y qué parte de la realidad de la organización simplemente nunca llegó a convertirse en datos.
Porque los modelos pueden aprender representaciones.
Pero esas representaciones no aparecen de la nada.
Se construyen sobre aquello que somos capaces de proporcionarles.
Diez años después, la pregunta sigue siendo bastante parecida
Resulta curioso volver a aquel artículo de 2015 desde el momento actual.
La tecnología ha avanzado.
Los modelos tienen dimensiones que entonces resultaban difíciles de imaginar y las capacidades generativas han llevado la inteligencia artificial mucho más allá de los casos que ocupaban buena parte de aquella conversación.
Pero hay una idea que permanece.
La inteligencia no aparece porque hayamos programado todas las respuestas.
Aparece, en parte, de la capacidad de aprender representaciones útiles de una realidad enormemente compleja.
Y esa sea también una buena forma de pensar la transformación digital.
No se puede pretender transformar una organización escribiendo desde fuera todas las reglas de cómo debería funcionar.
Primero necesitamos observarla.
Entender sus patrones.
Comprender sus relaciones.
Identificar cómo circula realmente la información y cómo se toman realmente las decisiones.
Porque antes de cambiar un sistema, necesitamos construir una buena representación de él.
Las máquinas aprendieron una parte de esa lección hace tiempo.
A veces las organizaciones todavía estamos intentándolo.
Referencias
LeCun, Yann, Bengio, Yoshua y Hinton, Geoffrey (2015). Deep learning. Nature, 521, 436–444.
https://www.nature.com/articles/nature14539
