24 Febrero, 2020 Unknown author
La capacidad clave que la IA aun no tiene
En menos de una década, los ordenadores han desarrollado una capacidad increfble para
diagnosticar enfermedades, traducir idiomas y transcribir el habla. También han aprendido a
derrotar a los humanos en algunos complicados juegos de estrategia, crear imagenes
fotorrealistas y sugerir respuestas titiles a nuestros correos electrénicos. Pero, a pesar de estos
impresionantes logros, la inteligencia artificial (1A) atin tiene algunas limitaciones importantes.
Los sistemas de aprendizaje automatico pueden ser engafiados y confundirse ante situaciones
desconocidas. Un coche auténomo puede desconcertarse ante un simple imprevisto que un
conductor humano resolveria facilmente. Un sistema de inteligencia artificial entrenado con
mucho cuidado para llevar a cabo una tarea (identificar gatos, por ejemplo) debe volver a ser
entrenado para aprender a realizar otra distinta (como identificar perros). En ese proceso, suelen
perder algo de lo aprendido en latarea original. Los informaticos denominan este problema como
“olvido catastréfico"
Estas deficiencias tienen algo en comin: todas ellas son el resultado de Ia ineapacidad de la
inteligencia artificial para entender la causalidad. Pueden identificar que algunas actividades se
asocian con otras, pero no suelen ser capaces de averiguar qué es lo que provoca que algo ocurra
directamente. Es como si supiéramos que la presencia de nubes aumenta la probabilidad de que
Iueva, pero no tuviéramos ni idea de que las nubes causan la Huvia.
Foto: Elias Bareinboim: Los sistemas de inteligencia artificial no tienen ni idea de la causalidad.
Comprender el principio de causa y efecto resulta fundamental para lo que conocemos como
sentido comiin. Pero los actuales sistemas de inteligencia artificial "no tienen ni idea" de eso,
asegura el director del nuevo Laboratorio de Inteligencia Artificial Causal de la Universidad de
Columbia (EE. UU.), Elias Bareinboim, que lidera los esfuerzos para solucionar este problema. Su
idea consiste en completar la investigacién de inteligencia artificial con los conocimientos de la
relativamente nueva ciencia de la causalidad, un campo creado en gran medida por el catedratico
ganador del Premio Turing y mentor de Bareinboim, Judea Pearl,
Segiin Bareinboim y Pearl, aunque la capacidad de IA para detectar correlaciones como la de las
nubes y la probabilidad de lluvia solo representa el nivel mds simple del razonamiento causal, fuesuficientemente importante como para impulsar el auge del aprendizaje profundo en la diltima
década. Gracias a la gran cantidad de datos sobre situaciones similares, esta técnica es capaz de
generar muy buenas predicciones. Un ordenador puede calcular la probabilidad de que un paciente
con ciertos sintomas tenga una determinada enfermedad, porque ha aprendido con qué frecuencia
otras miles 0 incluso millones de personas con los mismos sintomas tenian esa enfermedad.
Pero existe un creciente consenso en torno alla idea de que el progreso de la IA se detendré silos
ordenadores no mejoran su comprensién de la causalidad. Si las maquinas pudieran entender que
ciertas cosas conducen a otras, no tendrian se verian obligadas a aprenderlo todo de nuevo cada
vvez: podrian apravechar lo aprendido en un campo y aplicarlo a otra. Y si las maquinas pudieran
usar el sentido comin, les darfamos mas libertad para trabajar por su cuenta, pues sabiamos que
tendrian pocas probabilidades de cometer errores tontos.
La IA actual tiene una capacidad limitada para deducir el resultado de una accién determinada, En
el aprendizaje reforzado (la técnica que ha permitido que las maquinas dominen juegos como el
ajedrez y el Go), el sistema utiliza repetidas pruebas y errores para descubrir con qué movimientos
tiene mas probabilidades de ganar la partida. Pero este enfoque no funciona en los complicados
entomos del mundo real. Una maquina ni siquiera es capaz de adquirir una comprensién general
de cémo podria jugar a otros juegos.
Un nivel atin mayor de pensamiento causal seria la capacidad de razonar sobre por qué ocurte algo
yhacer preguntas del tipo " {qué pasaria si...?". Un paciente se muere durante un ensayo
nico; {la culpa fue de la medicina experimental o de otra cosa? La puntuacién de las pruebas
li
escolares esta disminuyendo; {qué cambios podrian mejorarla? Este tipo de razonamientos van
mucho més all de la capacidad actual de la inteligencia artificial.
Hacer milagros
El suefio de dotar a los ordenadores de un razonamiento causal llevé en 2008 a Bareinboim de
Brasil a Estados Unidos. Cuando terminé su master en ciencias de la computaci6n en la
Universidad Federal de Rio de Janeiro (Brasil) aproveché la oportunidad de estudiar con el
cientifico informitico y estadistico de la Universidad de California en Los Angeles (UCLA) Judea
Pearl. Este investigador de 83 afios es eJexperto por excelencia en inferencia causal, y su trabajo
muestra por qué resulta dificil crear la IA que entiende la causalidad.
Indluso las mejores cientificos tienden a malinterpretar las correlaciones como sefiales de
causalidad o hacer justo lo contrario y dudar ala hora de aceptar una causalidad que esta
justificada, En la década de 1950, por ejemplo, algunos prominentes estadisticos enturbiaron las
aguas en torno a si el tabaco causaba cancer. Argumentaron que sin un experimento que asignara
aleatoriamente a las personas a ser fumadores o no fumadores, nadie podria descartar la
posibilidad de que algo desconocido, tal vez estrés o algin gen, causara que las personas fumaran
y tuvieran cancer de pulmén.
Al final, el hecho de que fumar provoca cdncer se comprobé definitivamente, pero hubiera sido
preferible que no se hubiera tardado tanto en lograrlo. Desde entonces, Pearl y otros estadisticos
han ideado un enfoque matematico para identificar qué hechos serian necesarios para respaldar
una afirmacién causal. El método de Pearl muestra que, dada la prevalencia del tabaquismo y del
cancer de pulmén, un factor independiente que cause ambos seria extremadamente improbable.
Las formulas de Pearl también ayudan a identificar cuando las correlaciones no permiten
determinar la causalidad. El director de Sistemas Inteligentes del Instituto Max Planck(Alemania), Bernhard Schélkopf, est especializado en técnicas de 1A causal. El experto sefiala que
es capaz de predecir Ia tasa de natalidad de un pais si conoce su poblacién de cigiiefias. Esto no se
debe a que las cigiiefias entreguen a los bebés ni a que los bebés atraigan a las cigiiefias, sino
probablemente porque el desarrollo econémico provoca més bebés y més cigiiefias, Pearl ha
ayudado a los estadisticos y cientificos informaticos a resolver estos problemas, segiin Schélkopf.
Foto: Judea Pearl: Su teoria del razonamiento causal ha transformado la ciencia.
El trabajo de Pearl también ha conducido al desarrollo de las redes bayesianas causales, el
software que analiza grandes cantidades de datos para detectar qué variables parecen tener una
mayor influencia en atras. Por ejemplo, la compafiia GNS Healthcare utiliza esta técnica para
asesorar a los investigadores sobre los experimentos que parecen més prometedores.
En un proyecto, GNS trabajé con los investigadores que estudian el mieloma miltiple, un tipo de
cancer de la sangre. Los investigadores querian saber por qué después de recibir un trasplante de
células madre (un tratamiento comtin), algunos pacientes vivian con la enfermedad més que
otros. El software revolvié los datos con 30.000 variables y sefialé algunas que parecian ser
especialmente causales. Los bioestadisticos y los expertos en la enfermedad se centraron en una
en particular: el nivel de una determinada proteina en los cuerpos de los pacientes. Luego, los
investigadores realizaron un ensayo clinico dirigido para ver si los pacientes con esta proteina
realmente se beneficiaron mas del tratamiento, "Es mucho mas rapido que buscar por aqui y por
alld en el laboratorio", afirma la cofundadora de GNS lya Khalil.
No obstante, las mejoras que Pearl y otros académicos han logrado en la teoria causal atin no han
tenido mucho impacto en el aprendizaje profundo, que identifica las correlaciones sin prestar
mucha atencién a la causalidad. Asi que Bareinboim trabaja para dar el siguiente paso: que los.
ordenadores se conviertan en herramientas més ttiles para las exploraciones causales humanas.
Pearl cree que Ja IA nunca tendrd una inteligencia real sino
adquiere una profinda comprensién de Ja relacién causa y efecto.
‘Sila tuviera, podria ejercer Ia introspeccién, que es la base de Ia
cognicién
Uno de sus sistemas, todavia en fase beta, puede ayudar a los cientificos a determinar si tienen
suficientes datos para responder a una pregunta causal. El antropélogo de Antropologia Evolutiva
del Instituto Max Planck Richard McElreath utiliza el software para investigar por qué los.
humanos pasan por la menopausia (somos los tinicos simios que la tienen)
La hipétesis consiste en que la disminucién de la fertilidad en las mujeres mayores beneficié a las
primeras sociedades humanas porque las mujeres que se esforzaron més por cuidar a sus nietos
finalmente tuvieron més descendientes. Pero, {qué evidencia podria existir hoy en dia pararespaldar la afirmacién de que a los nifios les va mejor con los abuelos? Los antropélogos no
pueden simplemente comparar los resultados educativos o médicos de los nifios que han vivido
con sus abuelos y los que no. Existe lo que los estadisticos Haman factores de confusién: las
abuelas suelen vivir mas si tienen nietos que necesitan mas ayuda. El software de Bareinboim
puede ayudar a McElreath a descubrir qué estudios sobre nifios que crecieron con sus abuelos
tienen menos factores de confusi6n y podrian resultar valiosos para responder a su pregunta
causal. "Es un gran paso adelante", asegura McElreath.
Latiltima milla
Bareinboim habla rapido y suele gesticular mucho. A mediados del semestre, en octubre, lo visité
en Columbia (EE. UU.) pero parecia que se acababa de instalar, no habia casi nada en las paredes ni
libros en las estanterias, solo un ordenador una pizarra blanca con tantas ecuaciones y
diagramas que parecia un detalle de un dibujo animado sobre un profesor loco.
No dio mucha importancia al estado provisional del despacho, pues habia estado muy ocupado
dando charlas sobre la revolucién causal. Bareinboim cree que un trabajo como este ofrece la
oportunidad no solo de incorporar el pensamiento causal en las maquinas, sino también de
mejorar el de los seres humanos.
Hacer que la gente preste mas atencién a la causalidad no es necesariamente mucho mas facil que
ensefiarla a las maquinas, subraya. Los investigadores en una amplia gama de disciplinas, desde la
biologia molecular hasta las politicas piblicas, a veces se dan por satisfechos al descubrir las
correlaciones que en realidad no estén enraizadas en las relaciones causales. Por ejemplo, algunos
estudios sugieren que beber alcohol acorta la vida, mientras que otros indican que el consumo
moderado resulta bueno e incluso beneficioso, y hasta hay otras investigaciones que han
encontrado que los que beben mucho alcohol viven mas que quienes no lo hacen. Este fenémeno,
conocido como "crisis de la reproducibilidad", surge no solo en medicina yen nutricién sino
también en psicologia y economia, Bareinboim explica: "Se puede ver la fragilidad de todas estas
inferencias. Los resultados cambian cada dos afios”.
Argumenta que cualquiera que se pregunte "qué pasaria si", como los investigadores médicos que
realizan ensayos clinicos, los sociélogos que desarrollan programas piloto, incluso los editores
web que preparan pruebas A/B, deberia empezar no solo reuniendo datos, sino también utilizando
la légica causal de Pearl y un software como el de Bareinboim para determinar si los datos,
disponibles podrian responder a una hipétesis causal. Cree que con el tiempo esto conduciré a un
software de "cientifico automatizado"':
quisiera perseguir, y el software combinaria la teoria de la inferencia causal con las técnicas de
aprendizaje automatico para descartar los experimentos que no responderfan a esa pregunta. Eso
podria salvar a los cientificos de una gran cantidad de costosos callejones sin salida.
mna persona podria imaginar una pregunta causal que
Bareinboim describié esta visin mientras estabamos sentados en el vestibulo de la Sloan School
of Management del MIT (
dijo: ""fenemos un edificio aqui en el MIT con, no sé, 200 personas". {Cémo deciden esos
cientificos sociales, o cualquier otro cientifico en cualquier lugar, qué experimentos realizar y qué
puntos de datos recopilar? Siguiendo su intuicién: "Intentan ver a dénde conduciran las cosas, en
funcién de sucomprensién actual", afiadié.
:. UU.), después de una charla que dio el otofio pasado. El cientifico me
Se trata de un enfoque inherentemente limitado, asegura, porque los cientificos que disefian un
experimento solo pueden considerar un pufiado de variables a la vez. Pero un ordenador es capaz
de ver la interaccién de cientos o miles de variables. Codificado con "los principios basicos" delclculo causal de Pearl y capaz de calcular lo que podria suceder con nuevos conjuntos de
variables, un cientifico automatizado podria sugerir a qué experimentos deberian dedicar su
tiempo los investigadores humanos. Quizas alguna politica piiblica que se ha demostrado que
funciona solo en Texas (EE. UU.) podria funcionar en California (EE. UU.) si se apreciaran mejor
algunos factores causalmente relevantes. Los cientificos ya no "harian experimentos en la
oscuridad", explicé Bareinboim.
Tampoco cree que eso esté muy lejos de cumplirse: "Estamos en la filtima milla antes de lograr la
victoria"
éQué pasaria si...?
Esa Ultima milla probablemente requerird técnicas que no han hecho mds que empezar a
desarrollarse. Por ejemplo, el informatico de la Universidad de Montreal (Canada) que compart:
el Premio Turing 2018 por su trabajo en el aprendizaje profundo, Yoshua Bengio, intenta que las
redes neuronales, el software en el corazén del aprendizaje profundo, hagan "meta-aprendizaje"
para descubrir las causas de las cosas
Actualmente, si quisiéramos que una red neuronal detectara cuando la gente baila, le
mostrariamos muchas imagenes de bailarines. Si quisiéramos que identificara cuando las
personas corren, le mostrariamos muchas imagenes de corredores. El sistema aprenderia a
distinguir a los corredores de los bailarines mediante la identificacién de las caracteristicas
diferentes en las imagenes, como las posiciones de las manos y de los brazos. Pero Bengio sefiala
que el conocimiento fundamental sobre el mundo se puede obtener analizando las cosas que son
similares 0 "invariables" en los conjuntos de datos. ‘Tal vez una red neuronal podria aprender que
los movimientos fisicos de las piernas permiten tanto correr como bailar. Quiza después de ver
estos ejemplos y muchos otros que muestran a las personas saltando un poco, una maquina
finalmente entenderia algo sobre la gravedad y cémo condiciona el movimiento humano. Con el
tiempo y con suficiente meta-aprendizaje sobre variables consistentes en los conjuntos de datos,
un ordenador podria obtener un conocimiento causal que podria reutilizar en muchos dmbitos.
Por su parte, Pearl cree que la IA nunca tendré una inteligencia real sino adquiere una profunda
comprensién de causa y efecto. Aunque el razonamiento causal no seria suficiente para una
inteligencia artificial general, s{ que resulta necesario, segin él, porque permitiria la
introspeccién, que es la base de la cognicién. Las preguntas del tipo " {qué pasaria si...? son los
componentes basicas de la ciencia, de las actitudes morales, del libre albedrio y de la conciencia",
asegura Pearl
Pearl no quiso predecir cuanto tiempo tardaran los ordenadores en obtener las poderosas
habilidades del razonamiento causal. ¥ subrayé: "'No soy un futurista". En cualquier caso, cree que
el primer paso deberia consistir en desarrollar herramientas de aprendizaje automatico que
combinen los datos con el conocimiento cientifico disponible. El cientifico concluyé: "Tenemos
mucho conocimiento en el craneohumano que no se utiliza"
‘Basan Bergstein tieeditor de MIT Techrclogy Review’, es ectcr adjuntode op niénen "the Basten Gioke!
Viewed using Just Read