Los progresos de la inteligencia artificial (IA) están haciendo que algunas personas se preocupen por que el software quite a los humanos algunos empleos como el de conducir camiones. Ahora, los investigadores líderes están descubriendo que pueden desarrollar software capaz de ocuparse de uno de los aspectos más complejos de su propio trabajo: diseñar software de aprendizaje de máquinas.

En un experimento, unos investigadores del grupo de IA de Google, Google Brain, hicieron que el software diseñara un sistema de aprendizaje de máquinas para someterlo después a una prueba utilizada para evaluar el software que procesa el lenguaje. Los resultados que logró superaron las marcas anteriores registradas por programas de software diseñados por humanos.

Durante los últimos meses, varios grupos más también han informado sus avances para que el software de aprendizaje de máquinas diseñe software de aprendizaje de máquinas. Incluyen investigadores del instituto de investigaciones sin ánimo de lucro OpenAI (que fue cofundado por Elon Musk), el Instituto Tecnológico de Massachusetts (MIT, EEUU), la Universidad de California en Berkeley (EEUU) y el otro grupo de inteligencia artificial de Google, DeepMind.

Si las técnicas emprendidas por la IA se vuelven prácticas, podrían aumentar el ritmo al que el software de aprendizaje de máquinas se implementa en toda la economía. Las empresas actualmente han de pagar un alto precio por los expertos en el aprendizaje de máquinas, que escasean.

El líder del grupo de investigaciones de Google Brain, Jeff Dean, ha comentado que parte del trabajo de tales trabajadores podría verse suplantado por el software. Describió lo que él denominó como "aprendizaje de máquinas automatizado" como una líneas de investigación más prometedoras que su equipo está explorando. 

"Actualmente, la manera en la que se resuelvan los problemas es con experiencia, datos y computación", dijo Dean en la conferencia AI Frontiers en Santa Clara, California (EEUU). Y se preguntó: "¿Podemos eliminar la necesidad de gran parte de la experiencia en aprendizaje de máquinas?"

Un conjunto de experimentos del grupo DeepMind de Google sugiere que lo que los investigadores han denominando como "aprendiendo a aprender" también podría ayudar a aliviar el problema del software de aprendizaje de máquinas requerido para consumir vastas cantidades de datos sobre una tarea específica para poder ejecutarla bien.

Los investigadores pusieron su software a prueba en el desarrollo de sistemas de aprendizaje para múltiples problemas relacionados, como navegar laberintos. Elaboró diseños que demostraron la capacidad de generalizar y de asumir nuevas tareas con menos entrenamiento adicional de lo que suele ser habitual.

La idea de generar un software que aprenda a aprender existe desde hace tiempo, pero los experimentos anteriores no pudieron igualar los resultados humanos. "Es emocionante", afirma el profesor de la Universidad de Montreal (Canadá) Yoshua Bengio, que exploró la idea durante la década de 1990. 

Bengio dice que la mayor potencia computacional disponible actualmente y la llegada del aprendizaje profundo, que ha generado reciente una gran expectación respecto a la IA, están logrando que el enfoque funcione. Pero señala que de momento depende de una potencia computacional tan extrema que aún no es práctico pensar en aligerar la carga, o reemplazar parcialmente, a los expertos en aprendizaje de máquinas.

Los investigadores de Google Brain describen el uso de 800 procesadores gráficos de alta potencia para alimentar el software que elaboró los diseños de sistemas de reconocimiento de imágenes que igualaron los mejores sistemas diseñados por humanos.

El investigador del MIT Media Lab Otkrist Gupta cree que eso cambiará. Junto a varios de sus compañeros en el MIT, planea publicar el software responsable de sus propios experimentos en formato de fuente abierta. En sus trabajo, un software de aprendizaje diseñó sistemas de aprendizaje profundo que igualaron a otros desarrollados por humanos en pruebas estándares del reconocimiento de objetos. 

Gupta decidió trabajar en esto después de dedicar frustrantes horas a diseñar y probar modelos de aprendizaje de máquinas. Cree que las empresas y los investigadores serán capaces de lograr que el aprendizaje de máquinas automatizada sea práctico.

El experto concluye: "Aligerar la carga de los científicos de datos sería un gran resultado. Podría volvernos más productivos, elaborar mejores modelos y nos dejaría tiempo para explorar ideas de nivel más alto".