Foto: Sundar Pichai en la conferencia anual de desarrolladores de la empresa en Mountain View, California.

Los expertos en aprendizaje automático escasean a medida que las empresas de muchas industrias se apresuran por aprovechar los últimos avances en inteligencia artificial (IA). El CEO de Google, Sundar Pichai, afirma que una solución para la escasez de personas cualificadas es encargar parte del trabajo de desarrollar software de aprendizaje automático al propio software de aprendizaje automático.

En la conferencia anual de desarrolladores de Google (Google I/O 2017), Pichai presentó un proyecto llamado AutoML del grupo de investigación en inteligencia artificial de la empresa Google Brain. Los investigadores del grupo han demostrado que sus algoritmos de aprendizaje automático pueden automatizar una de las partes más complicadas del diseño de software de aprendizaje automático para que ejecute una tarea concreta. En algunos casos, su sistema automático elaboró diseños que igualaron o superaron la calidad del mejor trabajo realizado por expertos humanos en el área.

"Esto es un logro muy emocionante", explica Pichai a MIT Technology Review por correo electrónico. "Podría acelerar todo el campo y ayudarnos a superar algunos de los problemas más desafiantes a los que nos enfrentamos en la actualidad". Pichai espera que el proyecto AutoML pueda incrementar el número de desarrolladores capaces de utilizar el aprendizaje automático al reducir las habilidades y conocimientos necesarios para ello. Lograrlo encajaría con la estrategia de Google de posicionar sus servicios de computación en la nube como el mejor lugar para desarrollar y ofrecer aprendizaje automático. La empresa intenta atraer clientes nuevos al mercado de computación en la nube, el cual está dominado por Amazon y Microsoft (ver Un superordenador y un chip, las bazas de Google para controlar el hardware de la inteligencia artificial).

AutoML está pensado para facilitar el uso de una técnica llamada aprendizaje profundo y que Google y otras empresas utilizan para mejorar los sistemas de reconocimiento del habla e imágenes, las traducción automática y la robótica (ver Aprendizaje profundo).

El aprendizaje profundo enseña al software a ser inteligente al pasar los datos por capas de matemáticas inspiradas en la biología y conocidas como redes neuronales artificiales. Escoger la arquitectura correcta para las capas matemáticas de una red neuronal supone un paso fundamental para asegurarse de que algo funcione. Sin embargo, no es tan fácil de identificar. "Lo hacemos por intuición", indica el investigador de aprendizaje automático de Google Quoc Le, quien trabaja en el proyecto AutoML.

El mes pasado, Le y su compañero Barret Zoph presentaron los resultados de los experimentos en los que encargaron a un sistema de aprendizaje automático determinar la mejor arquitectura para que el software aprenda a resolver tareas de reconocimiento de lenguaje e imágenes.

En el reconocimiento de imágenes, las propuestas del sistema igualaron a las mejores arquitecturas diseñadas por humanos. En el reconocimiento del lenguaje, las superó.

Quizá más importante que lo anterior es que el sistema elaboró arquitecturas de un tipo que los investigadores no consideraban adecuado para esas tareas. "En cierto sentido, descubrió algo que desconocíamos", dice Le. "Es impresionante".

La idea de un software que aprenda a mejorar su propia capacidad de aprendizaje existe desde hace tiempo. Pero al igual que con muchas otras ideas relacionadas con la inteligencia artificial, la potencia y capacidad del aprendizaje profundo es el que está permitiendo nuevos avances. Investigadores de la otra división de investigación en IA de Google, Deep Mind, investigadores académicos, y de la organización sin ánimo de lucro apoyada por Elon Musk, OpenAI, están explorando conceptos relacionados (ver La inteligencia artificial roba empleo hasta a los expertos en inteligencia artificial).

Cuando se les preguntó si están preparando el camino para quedarse ellos mismos sin trabajo, Le y Zoph se rieron. Ahora mismo la técnica resulta demasiado cara para ser adoptada de forma masiva. Los experimentos de la pareja de investigadores utilizaron 800 procesadores gráficos de gran potencia durante varias semanas, algo que produce el tipo de factura eléctrica que pocas empresas pueden permitirse para investigar aspectos básicamente especulativos.

Aun así, Google tiene ya un equipo más grande trabajando en AutoML, lo que también incluye cómo lograr que consuma menos recursos. Le cree que podría ayudar a mejorar la precisión del reconocimiento de vídeo o habla. O, incluso, dar paso a avances significativos en el espinoso problema de que el software aprenda sin instrucciones explícitas procedentes de humanos (ver El gran reto de la inteligencia artificial: enseñarse a sí misma).