Categoría
🤖
TecnologíaTranscripción
00:00A ver, vamos a repetir, no puede ser tan difícil.
00:05He calculado la variabilidad de longitud de onda para determinar las diferencias de color,
00:10la densidad por pieza y las similitudes geométricas y mis resultados son un 89% fiables.
00:17No es suficiente, sigue habiendo un margen de error demasiado alto.
00:21Puedo añadir nuevas variables a analizar como la radiación electromagnética emitida
00:27o la composición química del aire circundante.
00:30¿Qué impacto tendría esto en el consumo de recursos de tu sistema?
00:33Necesitaría que me implementes nuevos sensores de detección de estas variables
00:38y teniendo en cuenta mi capacidad actual de proceso incrementaría en 10 minutos
00:43los cálculos necesarios para la operación solicitada.
00:46Hum, no es una opción entonces, ¿podemos depurar los resultados de otra manera?
00:50¿Podrías cargarme una base de datos mundial con la que poder cotejar?
00:55¿Qué volumen necesitarías?
00:57Podría aumentar el ratio de acierto al 93% con un volumen de 500 petabytes de datos.
01:04Eso supone demasiados costes, me temo que la única solución será meter un elemento humano en el proceso.
01:15¿Qué tal? Bienvenidos a Captcha, un podcast de Shattaka dedicado a inteligencia artificial.
01:19Este es el tercer episodio, yo soy Javier Pastor, editor en Shattaka
01:23y conmigo presentando el programa tenemos a Antonio Ortiz,
01:27que es coordinador editorial de Weblogs SL. ¿Qué tal Antonio?
01:31Pues muy bien Javier, encantado de volver a verte, que habías causado baja.
01:36Se rumorea que era por la austeridad gastronómica del podcast,
01:39que a final producción nunca logra traer aquí nada rico,
01:43pero a pesar de la ausencia te veo que has vuelto.
01:45Sí, fue fundamental aquello, creí que íbamos a poder tener aquí unos piscolabis,
01:51yo vuelvo a pesar de todo porque tengo la esperanza que en algún programa caigan esos.
01:54Bueno, en el anterior estuvo el compañero Lacordo, cuando me preguntan cuál es el mejor presentador de Captcha
01:59siempre digo Javier, que sí, siempre quedó bien y siempre tengo razón.
02:03Pero hoy estamos también muy contentos porque tenemos un invitado top,
02:07un invitado especial, que es Andrés Torrubia.
02:11Voy a leer la definición que nos ha puesto aquí el guionista,
02:14que es Bruce Wayne de día y Batman del Machine Learning de noche.
02:19Es el CEO de Fixer, que es un marketplace de reformas que opera sobre todo en Estados Unidos.
02:23Antes de emprendedor fue hacker, trabajó en el CER y su juguete favorito es la inteligencia artificial.
02:29Andrés, me he dado cuenta de que nuestro guionista,
02:31aquí te tengo que pedir disculpas, no tenemos a alguien demasiado profesional,
02:35estamos intentando que aprenda a ver si poco a poco,
02:37ha copiado la definición de tu participación en la TarugoConf,
02:42que me han dicho que además fue un éxito de público y de crítica,
02:46y sin darse cuenta de que nosotros tenemos una pieza especial dedicada a tu trabajo y a tu trayectoria,
02:52que firmó Ester Paniago en Chautaca hace unos meses.
02:55Sí, eso fue a raíz de una competición en concreto de inteligencia artificial de conducción autónoma
03:03y a raíz de eso, que me quedé en muy buena posición,
03:05pues surgió la entrevista y si no la habéis leído os recomiendo que es muy interesante.
03:10Bueno, pues además de Andrés, que es nuestro invitado especial,
03:13llamamos también a otro invitado especialísimo, John Tones,
03:15que es nuestro supercultureta de cines, series, televisión, libros,
03:19todo lo relacionado con esa parte artística
03:22y que está aquí para hablarnos de esa parte de inteligencia artificial que tenemos en cine y demás.
03:27Pues sí, algo descubriremos.
03:29Seguro que sí.
03:30Bueno, pues hoy, bueno, sabéis que por la cadencia en que a veces grabamos,
03:34grabamos y nos soltamos los capítulos hasta último pasado después,
03:37pero ya tenemos el primer feedback, ya tenemos comentarios,
03:41ya sabemos que estamos en iVoox, en iTunes, estamos en YouTube,
03:45también salimos ahí en vídeo y repasando un poco los comentarios que nos habéis ido dejando,
03:51había uno del comentarista XXX, el guionista este de verdad, no sé.
03:57Bueno, se le da muy bien el copypaste y nos ha puesto aquí el comentario que es
04:01el podcast está muy bien, pero ojalá trajera a alguien que hace producto real.
04:06Los académicos, genial, pero necesitamos gente que sepa de hacer cosas.
04:10Fíjate que ahí ha estado muy acertado el comentarista porque se ha dado cuenta
04:13de que nosotros dos no sabemos hacer nada.
04:15Javier Lacord probablemente sí, pero no sé.
04:18Pero para que luego digan que los comentaristas no tienen ni idea de nada.
04:21Sí, sí, los medios que quieren quitar los comentarios no saben.
04:23Este realmente nos ha calado.
04:25Y bueno, yo diría también en parte que, hombre, alguna cosita sabemos,
04:29alguna cosita parece que no puedes aquí ser muy prepotente, ¿no?
04:33Tienes invitados, hay que ser humilde.
04:35Sí, además hemos querido precisamente enfocar el episodio de hoy para enfocarla
04:40a cómo se hacen productos de inteligencia artificial,
04:43qué problemas pueden resolverse con él y, bueno, ¿qué sabemos tú y yo de eso, Antonio?
04:48Pues en verdad, en verdad, en verdad, bueno, no demasiado.
04:53Bueno, aquí nos va a pillar un poco, pero bueno, de todas las lecturas que hemos
04:57estado haciendo y preparando por los primeros episodios surgió una paradoja curiosa,
05:04que es la que la historia de la inteligencia artificial ha venido a llamarse la paradoja de Moravec.
05:09Moravec, uno de los científicos implicados en la NASA,
05:11trabajó mucho en los primeros, bueno, mininaves terrestres que eran autónomas
05:18y no manejadas en remoto y, bueno, él junto a Minsky planteó una paradoja curiosa.
05:25No voy a citarle textualmente, pero la paradoja venía a explicar que
05:28cuando tú a un equipo de inteligencia artificial le dices, bueno,
05:32necesito los cálculos para que una nave a 100.000 kilómetros luz de aquí
05:38calcule la trayectoria para evitar el choque con un planeta.
05:43El equipo de inteligencia artificial te dice, bueno, no hay problema, en cinco días lo tienes.
05:47Pero cuando tú le planteas a un equipo de inteligencia artificial y le dices,
05:51oye, necesito un sistema que cuando se le presente una foto distinga un gato de un camión.
05:57Uf, te dirá el equipo de inteligencia artificial.
06:00Para eso necesitamos 10 personas más, 5 años y tendremos una tasa de acierto del 70%.
06:05Claro, Moravec lo que planteaba en realidad es que hay tareas que la inteligencia artificial
06:11acometió rápido y consiguió de una manera, bueno, no voy a decir fácil,
06:16pero sí de una manera razonable en el tiempo y otras tareas que se han planteado
06:21como realmente inextricables, realmente muy complicadas o muy complejas
06:26y para los que no hay soluciones reales y en el mercado bien hechas y bien acabadas del todo.
06:33¿A qué punto Moravec era la causa de esta diferencia?
06:40Él la planteaba en términos de la teoría evolutiva.
06:43Es decir, hay elementos de la conducta y de la inteligencia humana
06:47que vienen tras millones de años de evolución de los animales de los que procedemos
06:53y que además se han ido de alguna manera, y aquí, perdonadme, cómo simplifico,
06:57digamos, sedimentando en el inconsciente, que lo hacemos de una forma automática
07:01y nos parecen fáciles. Caminar por una habitación, reconocer un gato
07:06o un rostro peligroso de un rostro amable, aprender de la tercera vez que nos lo dicen
07:15un concepto y diferenciarlo de otro, es decir, un niño de dos años,
07:18en cuanto le enseñan lo que es un perro, lo distingue inmediatamente.
07:22Sin embargo, a un sistema de inteligencia artificial esto le cuesta muchísimo esfuerzo.
07:26Al final, lo que plantean Moravec y Vinsky y todos los científicos que estuvieron detrás de esta paradoja
07:31era que a la hora de hacer ingeniería inversa de las facetas de la inteligencia humana
07:36esto va a ser inversamente proporcional a lo fácil que nos parece.
07:39Cuanto más fácil nos parece una tarea, como puede ser reconocer un gato,
07:43va a ser más difícil para un sistema de inteligencia artificial
07:46y mientras más difícil nos parece una tarea, como puede ser el cálculo de segundo grado,
07:53pues más fácil va a ser implementarlo en un sistema de inteligencia artificial.
07:57Bueno, después de esta paradoja surgieron conclusiones un tanto prematures
08:04que luego han sido criticadas como el tipo, oye, pues al final los trabajos mecánicos
08:08o trabajos que impliquen un desplazamiento físico, una tarea física medianamente compleja
08:13van a ser difíciles de sustituir por robots y por inteligencia,
08:16mientras que los trabajos más apegados a un conocimiento y a un pensamiento más abstracto
08:24pues probablemente sean más desplazables,
08:27lo cual nos mete casi en la situación inversa de lo intuitivo,
08:31que pensábamos que los trabajos manuales iban a ser más fácilmente sustituidos.
08:35Y bueno, muy resumido y creo que razonablemente no del todo mal explicada esa es la paradoja de Moravec.
08:41Yo recuerdo que cuando estuvimos con López de Mántaras, con el catedrático,
08:44en el primer episodio él mencionaba aquel optimismo de los años 50
08:48y cómo creo que fue Minsky el que le encargó a un estudiante de tesis,
08:52venga, resúlveme la visión artificial en los próximos tres meses, en el trimestre de verano,
08:58y dijo, porque esto va a ser súper fácil.
09:00Por supuesto no la resolvió y se demostró ahí probablemente una de las paradojas de Moravec
09:05que para lo que es fácil para nosotros es difícil para las máquinas,
09:08lo que es difícil para nosotros para las máquinas es aceptablemente fácil.
09:12Y hay otra moraleja que es, nunca coja de director de tesis a un pionero de la inteligencia artificial,
09:16ya sabéis, estudiantes y estáis en ese dilema, yo lo evitaría.
09:20Y aquí es donde entramos con nuestro invitado, con Andrés,
09:23que como tiene experiencia muchísima ya en trabajo real en productos reales,
09:27productos finales para usuarios y empresas, no en teoría.
09:31¿Ves Andrés que se cumple esa paradoja?
09:33¿Hay ejemplos reales que evidencien que eso ocurre?
09:38Sí, bueno, yo os voy a contar, yo os confieso que no conocía la paradoja de Moravec
09:43antes de venir al programa, la tenía que mirar,
09:45pero es una observación que de hecho había hecho y es un poco triste,
09:49porque le enseñas a una persona los logros de la inteligencia artificial,
09:55y le dices, mira, le enseñas a tu mujer o a tu madre,
09:58mira, mira, he hecho un programa que detecta si es un perro o es un gato,
10:01y te quedas, ¿y qué no? Si eso también se hace yo.
10:04Cosa que tú como programador, como ingeniero, imaginaros,
10:08los que sabéis programar, abres un JPEG y lo lees byte a byte,
10:12que esos son números, aparentemente eso es complicadísimo, eso para mí,
10:16de hecho, yo me he introducido en inteligencia artificial recientemente
10:20porque no funcionaba hasta hace nada.
10:22Y luego están los contraejemplos, que es, cógete una calculadora,
10:26que aunque la gente piense que no es una inteligencia artificial,
10:29por mucho que nos pese, y una calculadora hace la tarea de cálculo simple,
10:35calcular funciones trascendentales mucho mejor que las personas.
10:38Entonces, la paradoja esa evidentemente está ahí,
10:41puedes ver los orígenes evolutivos, yo siempre también digo,
10:44mira, si dependiera si un león se comió una cebra,
10:47¿cómo resuelven ecuaciones diferenciales?
10:50Te garantizo que evolutivamente haríamos ecuaciones diferenciales así.
10:54La verdad es que no, depende de la velocidad, etc.
10:57En el mundo, en productos, hay un ejemplo muy claro en conducción autónoma,
11:03supongo que a muchos les gustaron los videojuegos,
11:06¿os habéis planteado por qué cuando juegas a un videojuego contra la máquina,
11:10en el videojuego siempre te gana la máquina?
11:14Pero imagínate que le limitas la velocidad, etc.,
11:17al menos no se estrella el coche de la máquina ni hace locuras,
11:21porque eso no ocurre así, según eso también parecería muy sencillo
11:24hacer un coche autónomo, porque si ya has conseguido que funcione la máquina,
11:28¿por qué no? Pues aquí entramos en esta paradoja,
11:31que la conducción autónoma tiene muchas partes,
11:34una de ellas es la percepción que hacemos casi sin saberlo nosotros,
11:38o casi sin pensarlo.
11:41Entonces, en la máquina, cuando juegas un videojuego,
11:45en el gran turismo, en la PS4,
11:48pues digamos que la PS4 internamente ya tiene una representación computacional
11:53de los vectores, de dónde está el otro coche y tal,
11:55con lo cual simplemente tiene que hacer un pequeño cálculo sencillo.
11:58Cosa que en la realidad, el coche autónomo tiene un montón de sensores
12:02y quizá yo os diría que el 80% de la complejidad
12:06en un sistema autónomo de conducción
12:10es resolver la percepción.
12:12Y encima porque hay que hacerlo muy rápido, en tiempo real.
12:15Nosotros no nos damos cuenta, vemos con dos imágenes,
12:18con dos cámaras, que son los ojos,
12:20y si no oyes nada también puedes conducir.
12:23El coche autónomo necesita muchísimos más sensores.
12:26Y ese tema no está al 100% resuelto.
12:29Acordaros el caso hace poco de Uber,
12:31que atropelló a una persona que cruzaba rápido a pesar de tener sensores.
12:34Entonces, eso es una evidencia clarísima de la paradoja.
12:38De hecho, bueno, realmente al final
12:42no se trata solo de las cosas que sabemos hacer,
12:47sino sobre todo de aquellas cosas que evolutivamente
12:50hayan sido muy ventajosas, las que se hayan invertido mucho,
12:52todas las que tengan que ver con los reflejos, la seguridad, los automatismos.
12:56Interesantísimo, porque casi nos llega la pregunta ahora
13:00de, oye, la inteligencia artificial es un poco bad word,
13:03es palabra de moda, y quien más quien menos le está intentando...
13:07Estamos en la época del blockchain que a lo mejor está cayendo un poquito,
13:11está subiendo la inteligencia artificial.
13:13Claro, el tema es cómo distinguimos, o cómo se puede analizar bien
13:18en qué tipo de problemas merece la pena buscar soluciones
13:21que vengan desde el campo de la IA.
13:23¿Cómo se puede hacer ese análisis?
13:26O si, por el contrario, tú entiendes que la disciplina
13:29es de propósito general, aunque a veces las soluciones no lo sean,
13:33y por lo tanto, mira, la IA vale para todo.
13:36A ver, la IA es muy transversal.
13:39Sabéis que se acuña el nombre por Android y ONG
13:41como la nueva electricidad, ¿no?
13:44De hecho, pero bueno, realmente el motivo por el que estamos aquí
13:48en este podcast hoy no es por la IA, porque hace 10 años
13:51la IA seguía llamándose igual.
13:53Hoy estamos aquí porque ha habido una revolución
13:56que se llama Deep Learning y Aprendizaje Profundo.
13:59Eso es el motivo por el que estamos hoy.
14:01Si no, estaríamos como hace 10 años que nada de esto funcionaba.
14:05Entonces, ¿y por qué ha ocurrido esto hoy?
14:08Por dos causas principales.
14:10Porque hay más datos que antes etiquetados
14:13para que la IA tiene un montón de disciplinas.
14:15Dentro de la IA está lo que se llama el Machine Learning,
14:18que es el aprendizaje automático.
14:20Esto significa que en lugar de tú programar un sistema inteligente
14:23de manera explícita, imaginaros si sabéis programar,
14:26pues una IA es un if-then, if-then, un montón de eso.
14:30Eso es una IA también.
14:32Pero bueno, en lugar de explicitar tú todos los casos,
14:34lo que le haces es le enseñas ejemplos
14:36y se supone que aprende dos ejemplos.
14:38Luego veremos cómo.
14:40El Deep Learning, el aprendizaje profundo,
14:43es un subconjunto del Machine Learning
14:46inspirado en sistemas, se supone, cerebral,
14:51en neuronas, en capas de neuronas.
14:53Entonces, esto funciona hoy porque tenemos capacidad de cálculo
14:56que intentan aproximar esta computación que hacen las neuronas.
15:00Y esto es muy sencillo de programar porque hay un montón de hiperías
15:03y, sobre todo, muchos ejemplos.
15:05Entonces, la primera pregunta, o sea, primero,
15:07¿en qué problemas se pueden aplicar la IA?
15:09Entonces, la primera respuesta es, bueno,
15:12en los problemas que se han dado siempre no se podían.
15:14Esa es la primera y lo vemos.
15:16Si os acordáis de la interacción humano-máquina,
15:20hemos tenido que sufrir los humanos
15:23en adaptarnos a cómo piensan las máquinas.
15:25Tenemos un teclado que es totalmente ortopédico
15:29cómo interaccionamos con un ordenador, con una máquina.
15:32Nos adaptamos nosotros a las máquinas.
15:34La promesa de poder hablarle al ordenador está en Star Trek,
15:37que hablan con el ordenador cuando no tienen teclado.
15:40Y se intentó hacer, recordaros un programa, el Dragon Dictation,
15:44y eso no funcionaba ni para atrás.
15:46¿Por qué funciona hoy?
15:48Porque ya hay más datos y están estas redes.
15:50Entonces, los primeros problemas que no se pueden hacer.
15:53Muchos son de percepción y de...
15:56Sí, eso es un problema de percepción,
15:58traducción de ondas de audio a palabras.
16:01Es un problema de percepción.
16:03Problemas de visión artificial, son otros.
16:06Esos son muchísimos ejemplos.
16:08Con eso se abren infinidad de aplicaciones en empresas.
16:13Eso es en deep learning, en machine learning,
16:16pero bueno, ya existía hace un montón de años.
16:18En un montón de empresas se pueden aplicar
16:20para tareas predictivas.
16:21Cualquiera que tenga un e-commerce,
16:23pues quiere saber la tasa, por ejemplo,
16:26si un cliente va a repetir,
16:28la probabilidad que tiene un cliente de repetir,
16:30para a lo mejor ofrecerle un descuento.
16:32Si te entra un pago, quiere saber el riesgo de fraude.
16:36Y hay muchos factores.
16:37Imaginaros, veis la IP, si la IP te viene de Nigeria
16:41a las seis de la mañana, no sé.
16:43Hay un montón de factores.
16:44Entonces, con eso puedes...
16:46En definitiva, lo fundamental es
16:48tener un problema que tenga una entrada,
16:50con datos.
16:51Si tienes pocos, te funcionará a lo más seguro mejor
16:54el machine learning convencional.
16:56Si tienes muchos más datos, el deep learning supervisado,
16:59que es lo que funciona hoy en el 99%.
17:01Evidentemente, os hablo a nivel práctico y de productos.
17:05En investigación están investigando muchas más cosas.
17:08Y una salida, que sea una predicción,
17:11o incluso hay salidas más complicadas,
17:13que son hasta generación,
17:14me habéis preguntado por ejemplos,
17:16hasta generación de cosas,
17:18generación de párrafos,
17:19generación de guiones de podcast.
17:21Ahí lo dejo.
17:24Hombre, yo creo que no se lo guioniza.
17:27Yo creo que lo difícil de que una máquina
17:30sustituya a nuestro guionista es
17:32la acumulación de errores, imprecisiones
17:35y de cosas incompletas,
17:37que, claro, eso es muy difícil de replicar.
17:39No es fácil.
17:40Puede imitar, puede imitar.
17:41De hecho, yo creo que ahí falla la inteligencia artificial,
17:44seguro, porque efectivamente,
17:45tanto como se equivoca nuestro guionista,
17:47es difícil replicarlo.
17:48Sí, sí, sí, absolutamente.
17:50Bueno, queríamos seguir con este tema
17:53porque tú, Andrés, has hablado mucho en entrevistas
17:55y en Twitter de la falta de gente cualificada
17:57en el campo de la inteligencia artificial.
17:59¿Nos puedes contar un poco qué hiciste tú?
18:01Porque eres casi un recién llegado al campo.
18:04¿Cómo te formaste?
18:05¿Qué recomiendas a día de hoy como punto de partida?
18:08Sí, a ver, yo os voy a contar mi caso,
18:11pero primero quiero decir una cosa
18:13que es una observación un poco quizá políticamente incorrecta.
18:16Yo considero hoy en día todo lo que se habla de IA
18:20un poco como en mi época,
18:21y esto igual ha cambiado ahora,
18:23pero era como el sexo en la adolescencia.
18:25Se habla mucho,
18:27pocos lo practican
18:29y aún menos lo practican bien.
18:31Entonces, yo parte del motivo que estoy en este podcast
18:36es para inspirar,
18:37no al tema de este que he hablado ahora,
18:38sino para la IA,
18:39para que más gente se introduzca en la IA.
18:41Y, efectivamente, yo soy un recién llegado de la IA.
18:44Yo soy ingeniero de telecomunicación
18:48y cuando yo estudié la carrera esto no funcionaba.
18:51Pero de repente un día, como todos vosotros,
18:53como usuario,
18:54veo que Facebook empieza a etiquetar caras de la gente,
18:57veo que puedes hablar así y funciona bastante bien,
19:00con tasas de errores ya cercanas,
19:02superiores a 95.
19:05Entonces, ya como ingeniero,
19:07me planteé,
19:08ostras, ¿me voy a quedar súper obsoleto?
19:10No puede ser que no sé cómo funciona.
19:12Yo más o menos me cojo cualquier producto,
19:15y aunque no lo pueda hacer,
19:16más o menos en las piezas.
19:18Es como si a un ingeniero aeronáutico
19:21le enseñas un cohete,
19:22no te lo sabe hacer,
19:23pero sabe los fundamentos químicos, la física.
19:26Ahora, coges a ese ingeniero aeronáutico
19:28y le dices que tiene un cohete que va al centro de la galaxia
19:31y vuelve,
19:32es una tecnología nueva que desconoce del todo,
19:35incluso la ciencia que hay detrás.
19:36Pues a mí me pasaba un poco eso.
19:38Entonces, yo lo que hice,
19:40sencillamente me apunté a un curso online
19:42de estos de conducción autónoma,
19:45porque me parecía un problema difícil e imposible de resolver
19:49sin la inteligencia artificial o el deep learning.
19:52Entonces, me apunté a un curso de estos.
19:55Estos cursos tienen, al final,
19:57la inteligencia artificial, para los que os metáis,
19:59tienen una pequeña parte de programación.
20:02Además, se utiliza un lenguaje que es muy sencillo,
20:05que es el Python.
20:07Y luego hay una pequeña parte de matemáticas
20:10que echa, también os digo la verdad,
20:12echa mucho para atrás para mucha gente,
20:15pero es muy sencillo.
20:18Yo casi me gusta decir que es matemática callejera.
20:20La verdad es que los matemáticos
20:22tienen la maldita costumbre
20:24de ponerla todo en nombres difíciles
20:26para, parece que quieran que nadie se meta, ¿no?
20:28Un número complejo.
20:29Y dicen, no, tú no vas a entender,
20:30es un número complejo.
20:31Y todo es así, ¿no?
20:32Entonces, bueno, yo hice este curso
20:35y pasa lo de siempre, ¿no?
20:38O sea, cuando tú,
20:39es lo que llaman el momento cuñao, ¿no?
20:41Que sabes un poco de algo y te crees que sabes mucho.
20:43Entonces, yo hice el primer trimestre del curso
20:46y ya pensaba que sabía un montón.
20:49Entonces, apareció una competición de Didi,
20:53que es el Uber chino,
20:56que era precisamente una competición
20:58para conducción autónoma
21:00que giraba en torno a la percepción
21:02de un vehículo autónomo.
21:04Entonces, bueno, me apunté,
21:07me apunté y yo pensaba que iba a...
21:09Vamos, que ya sabía hacerlo cuando vi el problema.
21:11Me pasaron dos cosas.
21:12Por una parte, me...
21:14Claro, era muchísimo más difícil de lo que pensaba,
21:16pero por otra parte me enganchaba el problema.
21:18Entonces, se me ocurrió una manera diferente,
21:20que era la única posibilidad que tenía
21:23era de plantear algo diferente.
21:25Planteé un tema diferente
21:28y entre 2.000 equipos y 4.000 participantes,
21:31donde había gente de Apple,
21:33bueno, de todas las empresas de Silicon Valley,
21:35empresas de conducción alemana,
21:39me quedé el cuarto a nivel mundial.
21:43Entonces, bueno, muy contento y a raíz de ahí,
21:46pues he seguido metiéndome en competiciones
21:49y lo que os digo,
21:51es un tema que no es difícil.
21:54Hay que quitarle mucho...
21:57Sí, Andrés, y eso encima que Andrés,
21:59ingeniero de Telecom.
22:00Si fueras informático, ya sería la leche.
22:03Pero al igual.
22:04Yo quería preguntarte precisamente en ese sentido.
22:06No ha entrado el trabajo.
22:07No ha entrado el trabajo.
22:08Es que aquí puede empezar a...
22:09Bueno, vamos a ponernos de acuerdo.
22:11Mientras sigamos siendo superiores
22:13a los ingenieros industriales,
22:14que son los que evidentemente están por detrás,
22:16no va a haber ningún problema.
22:19Bueno, por ejemplo, yo personalmente
22:21siempre me ha interesado esta disciplina
22:23y he hecho el amago de apuntarme a algún curso.
22:26Nunca lo he hecho.
22:27Y aquí te quería preguntar,
22:28para gente como yo indecisa,
22:30¿hay algún tipo de formación básica?
22:32¿Lo puede hacer un chaval de 15 años
22:34y no alguien que haya hecho una carrera?
22:36¿Hay niños?
22:37¿Es recomendable quizás introducir a los niños
22:39en este campo de alguna forma?
22:41Es curioso porque en China
22:43había algunos planes y algunos programas
22:45de meter inteligencia artificial en los institutos.
22:48Han empezado ya.
22:49De hecho, hay un libro que los podéis bajar.
22:51A mí me interesa mucho...
22:53El caso de China es un caso que ahora lo vemos ya
22:55como que no llegamos,
22:57pero es un caso para imitar.
22:59Porque si, a ver, hace 20 años,
23:01cuando hablabas de China,
23:03la tercera tomaba en serio.
23:05Productos chinos de mala calidad, ¿vale?
23:07Hoy en día es como, bueno,
23:09ya la duda es si son primeros o segundos
23:11en inteligencia artificial,
23:12que son los que van a hacer los sistemas.
23:14Entonces, la pregunta, ¿no?,
23:16de cómo introducir.
23:18A ver, tiene lo que os he comentado.
23:21La respuesta es claro que se puede
23:23y se debería hacer, ¿vale?
23:25Pero la clave es
23:27no cometer, en mi opinión,
23:29el error que se comete,
23:31por ejemplo, con la parte de matemáticas,
23:33que es lo que he hecho para atrasar a la gente,
23:35con matemáticas.
23:36En resumen, la programación es muy sencilla.
23:38Y el ejemplo de las matemáticas,
23:40imaginaos en programación.
23:41En programación hay mucha gente vocacional.
23:43¿Por qué?
23:44Porque es gente que antes de la carrera
23:45le gustaba trastear programitas,
23:47se ponía esos poques para modificarse
23:49y hacer cheating, meter vidillas,
23:51se hacía unos videojuegos, ¿no?
23:52Entonces, esto es la manera de generar aficiones, ¿no?
23:54Con matemáticas, imaginaros
23:56que la programación se enfoca
23:58de tú estás cinco años
24:00solamente viendo estructuras formales
24:02y no programas nada, ¿vale?
24:04Lo vas a odiar, ¿vale?
24:06Con las matemáticas pasa eso.
24:07Con las matemáticas estás toda la vida
24:09de pequeño.
24:10Fracciones, tal...
24:11Si no te he hundido ya,
24:13te voy a poner derivadas.
24:14Si no te he hundido, te pongo integrales.
24:16Luego vienen las triples.
24:17Y luego integrales, triples,
24:18luego derivadas parciales, ¿vale?
24:20Y se queda alguno jacobianas, ¿vale?
24:22Vamos a cargarnos a quien quiera ahí, ¿no?
24:24Y nunca has visto la aplicación,
24:26que es lo bonito, ¿no?
24:27Entonces, ahí hay un problema,
24:28en mi opinión,
24:29yo no soy experto en pedagogía,
24:32pero hay un problema
24:33que es que echa para atrás
24:34y encima las matemáticas,
24:35a diferencia de otras disciplinas,
24:37si no tienes muy sólidos los fundamentos
24:40del piso de abajo,
24:41tú no puedes subir al piso de arriba
24:43porque te caes.
24:44Cosa que a lo mejor en historia
24:45puedes estudiar el siglo XX
24:46sin saber la prehistoria, ¿vale?
24:49O al menos a nivel para hacer el examen.
24:51Y entonces, ¿qué tipo de formación?
24:56A ver, yo considero que hay un problema
24:59formación en castellano
25:01no hay demasiada, ¿vale?
25:03Yo la que he hecho ha sido en inglés.
25:05Hay recursos gratuitos buenísimos,
25:07no necesariamente tenéis que ir
25:09a un curso de pago.
25:11Yo los que he hecho,
25:13hay uno, por ejemplo, de Stanford,
25:15de deep learning,
25:17que está en YouTube todos los vídeos.
25:19Ese es muy bueno.
25:21Quizá, a lo mejor,
25:22si me dijeras desde cero,
25:23¿cuál sería el más agradecido?
25:25Yo diría que el más agradecido
25:27es uno de una organización
25:29que se llama fast.ai, ¿vale?
25:32Porque quizá el de Stanford
25:34presupone un nivel de matemáticas
25:36a lo mejor más fuerte, ¿no?
25:38Y no empieza con la parte agradecida
25:41que son aplicaciones.
25:43O sea, es que está el enfoque
25:45de abajo para arriba,
25:46que es el tradicional.
25:47Entonces, te has de creer
25:49que vas a llegar a la cima,
25:50porque claro, al principio sufres.
25:52Pero el enfoque de fast.ai
25:54es el de arriba para abajo.
25:55Primero te enseñan lo que vas a conseguir,
25:57lo haces, aunque no lo entiendas bien,
25:59y luego ya vas descendiendo.
26:01Muy bien.
26:02Bueno, pues, John,
26:04yo estaba escuchando a Andrés
26:06y digo, bueno, yo creo que la clave
26:07de popularizar esto es que ahora mismo,
26:08por el momento que estamos,
26:09que Gal Gadot salga un día y diga,
26:11mira, me ha programado un asistente de voz
26:13y de repente es lo más cool del planeta.
26:15Sí, sí, sí.
26:16Suele funcionar a veces así, esto, ¿no?
26:18Como con un gancho.
26:20Sí, y me acuerdo que la Portman también
26:22estaba como muy posicionada en científica
26:24y había hecho papers y cosas de esas.
26:25Sí, exactamente.
26:26Ella tiene formación ahora mismo,
26:28no sé exactamente qué,
26:29pero sí que tiene una formación bastante fuerte.
26:31O sea que quizá ese es el gancho,
26:34superestrella.
26:36Pues sí, influencer.
26:37Y bueno, enganchando un poco
26:39también con lo que explicaba Andrés
26:41de la explosión de avance
26:43de inteligencia artificial en China,
26:44os recordamos,
26:45este podcast está patrocinado por Huawei,
26:48que es una empresa de móviles,
26:50de redes,
26:51o por lo menos era solo eso hasta hace poco,
26:53pero es también una empresa de inteligencia artificial
26:55y tenemos la colaboración de Fabio Arena,
26:58que es marketing manager en Huawei España
27:01y ha conversado con Javier
27:03alrededor de uno de los aspectos
27:05en que ellos están trabajando
27:07de todo este tema de casos prácticos de la idea.
27:10Vamos a hablar con él un poquito.
27:16Bueno, pues para hablar de cohetes,
27:18de gatos y de fotos,
27:19tenemos con nosotros a Fabio Arena,
27:21que nos ha acompañado en los anteriores episodios.
27:23Vuelve a acompañarnos.
27:24¿Qué tal, Fabio?
27:25¿Qué tal? Muchas gracias.
27:26Bueno, pues estamos aquí para hablar
27:28de ese big bang de la inteligencia artificial,
27:30de cómo, bueno,
27:31una fase que fue un poco más invierno
27:33de la IA, como dicen,
27:34en la que se bajó la inversión,
27:35de repente ha explotado de nuevo.
27:37¿Cuánto tiempo lleva Huawei trabajando
27:39en inteligencia artificial y en qué campos?
27:42Bueno, pues nosotros llevamos ya años
27:43trabajando en los proyectos de inteligencia artificial,
27:46digamos que de una manera un poco más oculta
27:49o en segundo plano,
27:50porque como tú bien dices,
27:51en realidad la inteligencia artificial
27:53es que lleva pero muchos años.
27:56Trabajándose en otros sectores
27:58y otras compañías,
28:00lleva muchísimos años.
28:01Por ejemplo, también aplicándose
28:02el tema de la medicina, etcétera, farmacéutica.
28:05Nosotros, sobre todo,
28:06donde más nos hemos enfocado,
28:08obviamente,
28:09por la potencia de nuestra compañía
28:11y por nuestro futuro,
28:13y hacia donde nos enfocamos,
28:14es en el beneficio del smartphone.
28:16Por supuesto,
28:17porque es nuestro core a día de hoy,
28:19tanto la fabricación de smartphones
28:21como tablets y otros dispositivos.
28:23Y lo único que hacemos
28:25es básicamente ofrecer beneficios al usuario.
28:29La inteligencia artificial
28:31que incorporamos en el smartphone
28:32es para esto.
28:33Y ahora os contaré
28:35algunas novedades muy interesantes
28:37de nuestros últimos smartphones
28:38que quizás la gente no es consciente que tiene.
28:41Precisamente te quería preguntar
28:42por eso en el smartphone,
28:44que es donde más estáis apostando
28:45por la inteligencia artificial,
28:47¿en qué parte está presente la inteligencia artificial?
28:50Incluso aquellas que son
28:51un poco a priori desconocidas.
28:53Bueno, claro.
28:54Al final,
28:55cuando nosotros hablamos
28:56de que apostamos por el smartphone,
28:57porque es nuestro principal objetivo,
28:59es que el smartphone es,
29:01a día de hoy,
29:02lo más importante
29:03que envuelve a una persona.
29:05Con esto quiero decir
29:07que si yo conozco a una persona
29:09o veo a una persona por la calle,
29:10esa persona tiene un smartphone.
29:12Es imposible pensar
29:13que una persona por la calle
29:14o una persona que tú conozcas
29:16no tiene un smartphone,
29:17porque es que el smartphone
29:18forma parte de tu vida.
29:19Ya no es un accesorio
29:20con el que llamas por teléfono.
29:21De hecho,
29:22lo que menos haces
29:23es llamar por teléfono.
29:24Entonces,
29:25nosotros ahora
29:26lo que estamos haciendo es
29:27buscar o darle toda la vuelta
29:29al beneficio
29:30de las funcionalidades
29:31que quizás el usuario
29:32son las que más está utilizando.
29:33¿Qué es lo que el usuario
29:34más está utilizando
29:35o lo que más le preocupa?
29:36La fotografía.
29:38Día a día se suben miles de fotos
29:41y todo lo que nosotros expresamos
29:43en el día a día
29:44es una foto.
29:45Y parece que si no hay una foto
29:47de ese momento,
29:49es que no ha existido.
29:50Esa es la realidad.
29:51Entonces nosotros
29:52lo enfocamos todo
29:53al beneficio de la fotografía.
29:54Cómo hacer que disparar una foto
29:56sea un resultado profesional
29:58sin que tengas a lo mejor
29:59ni idea de cómo utilizar
30:01una cámara o un smartphone.
30:03Pero por otro lado
30:04también está en segundo plano
30:06lo que he comentado
30:08en ocasiones anteriores
30:09o en otros episodios
30:10que es el machine learning.
30:11El machine learning
30:12lo que hace es
30:13aprender de tus patrones
30:14y el dispositivo se mantiene ágil
30:16o responde más rápido
30:18con el paso del tiempo.
30:19Es muy conocido
30:20en los smartphones
30:22que con el paso del tiempo
30:23se ralentizan.
30:24¿Por qué?
30:25Porque has instalado
30:26más aplicaciones,
30:27tienes más fotos,
30:28más vídeos, etc.
30:29Entonces es una de las cosas
30:30que nosotros nos hemos encargado
30:31de trabajar con el machine learning
30:32para evitar
30:33que esto suceda en el tiempo.
30:34Entonces nosotros
30:35desde Huawei
30:36con nuestros últimos smartphones
30:37aseguramos por lo menos
30:3818 meses de uso
30:41igual de fluido o más
30:42que cuando lo compraste.
30:44Muy bien.
30:45Pues Fabio,
30:46una vez más
30:47muchas gracias por acompañarnos.
30:48Muchísimas gracias a vosotros.
30:49Nos despedimos
30:50hasta el próximo episodio.
30:51Un saludo.
30:52Hasta luego.
30:57Y tras esto Andrés
30:58nos gustaría profundizar
30:59en alguna parte
31:00de lo que nos has estado comentando.
31:02Sobre todo en esta parte
31:03de machine learning
31:04y deep learning
31:05que es un poco
31:06la parte más sexy.
31:08Es que casi tengo
31:09tres o cuatro o cinco preguntas
31:10sobre el tema.
31:11Una es
31:12la diferenciación entre los dos.
31:15Como deep learning
31:16es un subconjunto
31:17y que matices hay entre ellos.
31:20Y sobre el proceso de aprendizaje.
31:23Es decir,
31:24cómo a estas redes neuronales
31:25que se basan en aprender
31:26de los aciertos y fallos
31:27con muchos datos
31:29cómo se puede hacer.
31:31Porque de alguna manera
31:32cuando tú apuntas
31:33oye, esto necesita
31:35cantidades masivas de datos
31:36para afinarlo
31:37y aumentar esa tasa
31:38de porcentaje de aciertos.
31:39También se nos antoja
31:41que parece
31:42esto está al alcance
31:43de Tesla, Google, Uber, Facebook.
31:47Gente que tiene
31:48esa capacidad
31:49de digitalizar el mundo.
31:54A ver, la primera pregunta.
31:56La diferencia entre
31:57el machine learning
31:58el aprendizaje automático
31:59y el deep learning
32:00el aprendizaje profundo.
32:01El deep learning
32:03en realidad
32:04el aprendizaje profundo
32:05es un subconjunto
32:06formalmente hablando
32:07del machine learning.
32:08En la práctica
32:09el aprendizaje profundo
32:10en la práctica
32:12son redes neuronales
32:14artificiales
32:15que intentan
32:16imitar de una manera
32:17un poco burda
32:18pero imitar
32:19las biológicas
32:21y se dicen que son
32:23profundas, deep.
32:25Técnicamente hablando
32:26es que tienes
32:27una capa
32:28lo que se llama
32:29una capa oculta
32:30en medio.
32:31Eso es en plan formal
32:33la definición.
32:34¿Cuántas suelen haber
32:36en las comerciales?
32:37Las de imagen
32:38muchas tienen
32:39hay una muy famosa
32:40que se llama ResNet
32:42que tiene varias versiones
32:4334, 50, 100
32:45hay redes hasta de mil capas.
32:47A veces llega un punto
32:48que con menos
32:49consigues ya lo que quieres
32:50no necesariamente
32:51pero hablamos
32:52de esa magnitud.
32:54Y eso es el deep learning.
32:55El machine learning
32:56en la práctica
32:57hay muchísimos
32:58tipos de algoritmos.
33:00Conceptualmente
33:01es lo que os digo
33:02si un sistema
33:03aprende una tarea
33:05en base a ejemplos.
33:07En la práctica
33:08cuando la gente
33:09los diferencia
33:10los algoritmos
33:11que digamos
33:12tradicionales
33:13de machine learning
33:14algoritmos de
33:15random forest
33:16o algoritmos
33:17de clasificación
33:18algoritmos
33:19de regresión logística
33:20bueno
33:21todos los algoritmos
33:22más convencionales
33:23en la práctica
33:24suelen funcionar
33:25mejor
33:26cuando hay
33:27pocos datos.
33:28O sea,
33:29en la práctica
33:30tienes un problema
33:31que tienes pocos datos
33:32que son pocos.
33:33La gente te pregunta
33:34pues yo me monjo
33:35¿vale?
33:36¿vale?
33:37Depende mucho
33:38imaginaros un excel
33:39pues ¿qué son datos?
33:41Son filas.
33:42Hablamos de filas.
33:43Son los datos.
33:44Y luego también depende mucho
33:45del número de columnas
33:46que tenga el excel.
33:47Pero bueno,
33:48en plan
33:49un poco salvaje
33:50menos de mil
33:51ya deep learning
33:53va a ser
33:54quizá no es imposible
33:55pero es más difícil.
33:56Y entonces
33:58eso es para el machine learning.
34:01El deep learning
34:02necesita
34:03en principio
34:04muchos más
34:05¿vale?
34:06Porque estamos utilizando
34:07sobre todo en el supervisado
34:09estamos utilizando
34:10los mismos algoritmos
34:11para que la red
34:12aprenda entre comillas
34:13¡ojo!
34:14que esto de aprender
34:15es un término
34:16que nos
34:17que estamos
34:18antropomorfizando
34:19a la red
34:20que tú dices
34:21¡ostia!
34:22ha aprendido
34:23¿no?
34:24o luego
34:25la red
34:26ha razonado algo
34:27no, no, no
34:28vamos a ver esto
34:29si tú bajas un poquito
34:30de nivel
34:31al final es un conjunto
34:32de ecuaciones
34:33como las de
34:34eso
34:35¿vale?
34:36lo que pasa es que
34:37en vez de hacer
34:38dos ecuaciones
34:39incógnitas
34:40hay dos millones
34:41de ecuaciones
34:42con dos millones
34:43de incógnitas
34:44tú no lo vas a hacer
34:45a mano
34:46y aprender
34:47significa
34:48que el error
34:49de resolver
34:50el sistema
34:51de ecuaciones
34:52cada vez ha de ser
34:53más pequeño
34:54eso es
34:55aprender
34:56es una manera
34:57muy rápida
34:58de llamar
34:59aprender
35:00entonces
35:01la segunda pregunta
35:02¿cuál era?
35:03la segunda pregunta
35:04¿cuál era?
35:05¿cuál era?
35:06¿cuál era?
35:07¿cuál era?
35:08¿cuál era?
35:09¿cuál era?
35:10¿cuál era?
35:11¿cuál era?
35:12¿cuál era?
35:13¿cuál era?
35:14¿cuál era?
35:15¿cuál era?
35:16¿cuál era?
35:17¿cuál era?
35:18¿cuál era?
35:19¿cuál era?
35:20¿cuál era?
35:21¿cuál era?
35:22¿cuál era?
35:23¿cuál era?
35:24¿cuál era?
35:25¿cuál era?
35:26¿cuál era?
35:27¿cuál era?
35:28¿cuál era?
35:29¿cuál era?
35:30¿cuál era?
35:31¿cuál era?
35:32¿cuál era?
35:33¿cuál era?
35:34¿cuál era?
35:35¿cuál era?
35:36¿cuál era?
35:37¿cuál era?
35:38¿cuál era?
35:39¿cuál era?
35:40¿cuál era?
35:41¿cuál era?
35:42¿cuál era?
35:43¿cuál era?
35:44¿cuál era?
35:45¿cuál era?
35:46¿cuál era?
35:47¿cuál era?
35:48¿cuál era?
35:49¿cuál era?
35:50¿cuál era?
35:51¿cuál era?
35:52¿cuál era?
35:53¿cuál era?
35:54¿cuál era?
35:55¿cuál era?
35:56¿cuál era?
35:57¿cuál era?
35:58¿cuál era?
35:59¿cuál era?
36:00¿cuál era?
36:01¿cuál era?
36:02¿cuál era?
36:03¿cuál era?
36:04¿cuál era?
36:05¿cuál era?
36:06¿cuál era?
36:07¿cuál era?
36:08¿cuál era?
36:09¿cuál era?
36:10¿cuál era?
36:11¿cuál era?
36:12¿cuál era?
36:13¿cuál era?
36:14¿cuál era?
36:15¿cuál era?
36:16¿cuál era?
36:17¿cuál era?
36:18¿cuál era?
36:19¿cuál era?
36:20¿cuál era?
36:21¿cuál era?
36:22¿cuál era?
36:23¿cuál era?
36:24¿cuál era?
36:25¿cuál era?
36:26¿cuál era?
36:27¿cuál era?
36:28¿cuál era?
36:29¿cuál era?
36:30Punto 1 ¿vale?
36:31Pero cuando aprendes y ya te quitan los golpes sabes mucho más ¿vale?
36:36Volvemos a hacer la aclaración de que no eres un pedagogo.
36:41No tienes alumnos a tu disposición ahora mismo ¿no?
36:44Bueno… Este es un ejemplo.
36:46Otro ejemplo es otra que antiguamente, lo que llaman en la red del hjtl modelaban una
36:51cosa que se llama la función de activación.
36:54Le ponen ahí los matemáticos la función sigmoide", que es una función o la tangente
36:58hiperbólica.
36:59que pinta una tangente hiperbólica, ahí no ha rendido nada.
37:02Dices que tiene que ver la trigonometría y tal.
37:04En realidad, nada. Es una función que va de menos uno a uno.
37:06Ya está.
37:07Entonces, una de las grandes innovaciones de los últimos años
37:09es cambiar esa función, que a mí me suena un poco mal,
37:12tangente hiperbólica, casi más de un insulto,
37:14por una función muy sencilla que es todo ceros y luego ya una recta.
37:19Y son innovaciones, fijaros,
37:21son innovaciones que vienen motivadas por imponer unos condicionamientos
37:27que estos gigantes no tienen.
37:28Eso por una parte, a nivel, digamos, de cómputo.
37:30Ocurre que, por ejemplo, cuando hay una innovación…
37:33Bueno, pues pongo el ejemplo de cuando IBM sacó el Deep Blue,
37:40el Big Blue, ¿no?
37:41Sí, Deep Blue, para jugar al ajedrez.
37:43Para jugar al ajedrez, ¿no?
37:44O sea, esto antes estaba en manos a nivel de capacidad de cómputo,
37:47que solamente aparecía en IBM.
37:48Y hoy en día, el programita que ya está en el móvil,
37:50el jugador de ajedrez, posiblemente gane al Deep Blue de la época.
37:53Y esto se ha visto en Inteligencia Artificial por dos avances.
37:56Por el avance uno de capacidad de cálculo y por avances algorítmicos.
38:00Entonces, ocurre que, con el tiempo, a lo mejor ellos llegan los primeros,
38:06pero con el tiempo, determinados tipos de avances
38:09hacen que lo puedas hacer en tu casa.
38:10Y luego ocurre una cosa muy interesante, que es la tercera,
38:13que es uno de los grandes talones de Aquiles del Deep Learning,
38:19que es, necesita muchos datos, ¿vale?
38:21Pero encima, etiquetados, que eso es un problema.
38:24Hay una manera, que es una, en mi opinión, una revolución,
38:29que se llama transferencia de aprendizaje, ¿vale?
38:33Que consiste en, tú tienes una red ya entrenada,
38:38que hace muy bien una tarea, y te pongo el ejemplo,
38:40un ejemplo real, mirad, un ejemplo real que es,
38:43las redes más maduras son, yo te diría que un reconocimiento de imagen.
38:48De hecho, las competiciones son reconocimiento de imagen.
38:50Hay una competición que se llama Imagenet,
38:52donde te dan una imagen y hay mil clases, mil cosas que pueden ser.
38:57Entre las cuales hay, no sé por qué, un montón de perros, ¿vale?
39:01Hay un montón de perros.
39:02O sea, esa red, sí, te sabe diferenciar personas y tal,
39:04pero en perros, joder, la clava, se sabe todas las razas, ¿vale?
39:08Ahora, tú tienes otro problema, nada relacionado con eso,
39:11que es, dado una foto de la piel de una persona,
39:14tienes que detectar el tipo de lesión, si es un lunar,
39:17si es un tumor, lo que sea.
39:19Parece a priori que es nada que ver.
39:21No pasa con la otra.
39:22Claro, esta red de Imagenet tiene millones de imágenes etiquetadas.
39:26En imagen médica, por ejemplo, hay muchas imágenes en los hospitales,
39:30pero etiquetadas hay menos, porque es muy costoso.
39:32Han de ser médicos que las etiqueten.
39:34Un artículo, creo que fue de la gente de Stanford,
39:39que lo que hicieron fue transferencia de aprendizaje.
39:42Se cogieron la red esta que os digo, la de los perros, ¿vale?
39:46Y las redes exhiben una característica
39:50que generan un aprendizaje jerárquico, ¿vale?
39:53Y eso está inspirado, se cree en cómo se organiza la información en el cerebro.
39:58Donde las primeras capas de la red
40:00ven como cosas de poca información semántica o en imagen,
40:03o sea, distinguen colores, rayitas,
40:06capas más intermedias, a lo mejor ya formas más complicadas,
40:09circulitos y demás, y a las últimas es como,
40:12oye, dos círculos, nariz, no sé qué, cara,
40:15eso es una cara de una persona.
40:18Entonces, esta transferencia de aprendizaje consiste en coger
40:21una red que has entrenado con un montón de datos,
40:24digamos que congelas las partes primeras de la red
40:28y como que reentrenas la final.
40:32Y en este caso tuvieron un éxito increíble de coger esta red,
40:36que era muy buena en clasificar un montón de cosas,
40:39pero especialmente en perros y gatos,
40:41y la reentrenaron con muchísimos menos datos
40:44para detectar lesiones en piel.
40:47Y como ejemplo de ese tipo de técnicas
40:52para minimizar los datos, hay y la investigación está ahí.
40:57Sí, de hecho, escuchándote Andrés, me estaba dando cuenta de que,
41:00hombre, me he dado cuenta de dos cosas, una de tangente hiperbólica,
41:03me parece un pedazo de nombre para el bar que montemos
41:05cuando la inteligencia artificial nos sustituya, ¿eh?
41:07¿A dónde vamos? Tangente hiperbólica, me parece perfecto.
41:11Y las copas todas con nombres matemáticos.
41:13Sí, sí, claro, 3, 14, 16, tal, ¿no?
41:16Bueno, no, los que bebé...
41:17Ayer otro día vi un meme muy gracioso,
41:19salían como bailes matemáticos, ¿no?
41:21Entonces era igual a X, sale así, como una raya, ¿no?
41:25Igual a uno partido por X.
41:29Este trabajo de hacer la matemática sexy no va a llevar tiempo, ¿eh?
41:32Se puede hacer un bar, pero hasta que hubiera un baile de Fortnite
41:35con ecuaciones.
41:36Para que luego digan que la matemática no tiene eso a qué ver.
41:39Bueno, pues, John, te tenemos ahí con ganas de hablar,
41:43con ganas de entrar, porque, claro,
41:45todo este tema de los creadores de inteligencia artificial
41:48y los creadores de robots y tal,
41:50también están en el cine, igual que se habla, ¿no?
41:52Siempre que se habla de una inteligencia o de un robot,
41:54está su creadora ahí en la película, en la serie.
41:56¿Cómo son estos científicos locos?
41:58¿Cómo son los Andresto Rubio de la ficción?
42:01Bueno, como ya hemos hablado en otras ocasiones,
42:06a veces hay como mucho, para subrayar el tema
42:11de los creadores de inteligencias artificiales,
42:15pues se potencia como el drama.
42:17Entonces, pues se hace o que estén locos,
42:19o que el experimento salga mal, o lo que sea.
42:21Pero es porque resulta muy atractiva la idea
42:24de la creación que se revela contra su creador.
42:28Yo creo que, dejando de lado la sección de inteligencias artificiales
42:34que se crean a sí mismas, tipo Skynet,
42:37y que no necesitan la intervención humana para nada,
42:39porque ya se bastan ellas solas para arrasar con la especie,
42:42hay a lo mejor un poco dos tipos de creadores opuestos.
42:47Por una parte están los artistas, que son, por ejemplo,
42:52J.F. Sebastian, el creador de los replicantes en Blade Runner,
42:56que además tiene como un tipo de ser artista muy analógico,
42:59con marionetas, con muñecos y tal,
43:02identificando eso con lo que luego serían los replicantes.
43:05O un caso más reciente es el de Nathan,
43:08interpretado por Oscar Isaac en Ex Machina,
43:12una película reciente sobre inteligencias artificiales muy buena
43:16y donde él es el típico creador, un genio excéntrico y demás.
43:21Y también hay una película española reciente,
43:23Eva, de Kike Mayo, que también es este tipo de creador artista.
43:28Y luego están las corporaciones que crean inteligencias artificiales
43:32para sus propios intereses, y de estas también hay unas cuantas.
43:35Está, por ejemplo, la corporación que crea Robocop,
43:39para sustituir a los policías.
43:41Está Westworld, con sus intereses,
43:45que además en la serie de televisión reciente de HBO
43:48se potencian mucho los intereses de esta corporación,
43:52que en realidad es recopilar datos a través de las inteligencias artificiales.
43:56O, por ejemplo, los androides que salen en la saga Alien,
44:02que están al servicio de la corporación,
44:04y también su misión es llevar a los corderillos humanos al matadero.
44:09Es decir, que hay tantos creadores y tantos tipos de creadores,
44:14como creo yo, desde que existen las inteligencias artificiales en el cine,
44:19cuando se hizo Metropolis, que es una de las primeras,
44:22ya estaba ahí al lado el creador, el científico loco.
44:25O sea, que es un tema, pues, inabarcable.
44:28De hecho, en el corrillo que teníamos antes de preparar el podcast,
44:32ha salido, no sé si he entendido bien decir,
44:35ha salido la idea de que, claro, el cine español aquí no está apostando fuerte,
44:41y que se podía reciclar el personaje de José Luis Moreno en Torrente
44:45como arquetipo del ingeniero español dedicado a la inteligencia artificial.
44:51¿Cómo lo ves, André? ¿Con quién te identificas más?
44:54¿José Luis Moreno? ¿Algún otro personaje?
44:57Joder, una pregunta complicada, ¿eh?
45:01A ver, no soy ventriloquo, ¿vale?
45:03Pero, esto ya empieza mal, ¿vale?
45:06Pero hay una técnica que se llama Style Transfer,
45:09transferencia de estilo, ¿vale?
45:11Que se utiliza mucho para imagen, que habréis visto, ¿no?
45:13Que tú le pasas una foto de un cuadro,
45:15y entonces le pasas ejemplos de muchos cuadros,
45:18por ejemplo, de renacentistas, por ejemplo, impresionistas,
45:23y entonces como que te convierte de un estilo a otro, ¿no?
45:26Entonces, me pones José Luis Moreno, y si yo estuviera en esa tesitura,
45:30lo que haría es, intentaría hacer una transferencia de estilo
45:33y convertirme en Macario.
45:38Bueno, John, hay mucho arrepentido, es decir,
45:41porque, claro, parte de lo que pasa un poco con la inteligencia artificial
45:47y la robótica es, y se utiliza mucho,
45:50para la metáfora de abrir la caja de Pandora, ¿no?
45:54Es decir, recuperando el arquetipo, se ha abierto algo
45:57para lo que el hombre no se merecida,
45:59es cuando el hombre se pone en el papel de Dios
46:01y por lo tanto debe ser castigado,
46:03y que casi nos lleva a temas bíblicos.
46:05Hay mucho arrepentido en el tema de estos creadores.
46:08Sí, siempre, bueno, a veces se arrepienten
46:10y a veces no les da tiempo de arrepentirse
46:12porque su propia creación los ajusticia,
46:15pero sí toda la idea, hasta la llegada de la ciencia ficción
46:18más centrada en la tecnología a partir de los años 50 y los años 60,
46:22la idea del científico loco como alguien que se atreve a hacer cosas
46:26que no está destinado a hacer,
46:28y el caso más claro es el de Frankenstein,
46:30que no es un caso especialmente tecnológico,
46:33pero bueno, siempre se tiene como ejemplo clásico
46:36de la creación de inteligencias artificiales,
46:40más que por la creación de ese ser que no es exactamente un robot,
46:45pero bueno, se aproxima,
46:47sobre todo por el icono de eso que estás diciendo,
46:49del creador de algo que no debería.
46:54Y de hecho me acuerdo de una película que te gusta a ti, Javier,
46:56que es Juego de Guerra.
46:58Juego de Guerra, efectivamente,
46:59un peliculón en el que efectivamente el creador se retiraba,
47:02se iba al exilio tras crear aquella computadora
47:06que aprendía a resolver el problema de la guerra nuclear, se supone.
47:10¡Se supone!
47:11¡Como Sol Falcon!
47:13Hay que volver a verla, hay que volver a verla.
47:15De hecho, la Tarugo Conference,
47:17la conferencia en la que participaba Andrés,
47:19que he organizado yo y Bonilla,
47:20la ponía en la película,
47:21y me acuerda mucho a ti, Javier,
47:22porque sé que te gusta mucho,
47:23porque precisamente es hablar de este caso del creador
47:27un poco arrepentido de la inteligencia artificial
47:30y como, digamos, luego pues...
47:34Es que no sé si contarlo porque hay un poco de spoiler, ¿no?
47:37Yo creo que la gente lo verá, ¿no?
47:38Un poco.
47:39Bueno, dejamos con que es una película recomendable, ¿no, Javier?
47:41Sí, señor, sí, señor.
47:42Andrés, no queríamos desaprovechar este tiempo contigo
47:44para hablar un poquito de dos cositas más.
47:47Uno, ya hemos tratado en Captcha
47:50el tema de la ética y la inteligencia artificial.
47:52¿Hay formas en ese ámbito
47:55de evitar que una inteligencia artificial no tenga sesgos?
47:58¿Nuestra inteligencia artificial es tan mala como nosotros a la hora de juzgar?
48:03Bueno, la inteligencia artificial para empezar no juzga,
48:06como digo yo, computa, ¿vale?
48:08Calcula, ¿vale?
48:09Es una diferencia que no es trivial.
48:11Me hace gracia lo del sesgo, ¿vale?
48:13Que la palabra en castellano, a mí sesgo me suena mal, ¿no?
48:16O sea, estar sesgado.
48:17A lo mejor dices, ostras, es malo seguro, ¿no?
48:20Estar sesgado.
48:21En inglés es bias, ¿no?
48:23Y le digo esto porque si a poco que os metáis
48:26en cualquier librería de inteligencia artificial
48:28las neuronas utilizan, hay una variable
48:32que es lo que subes o bajas toda la activación
48:36que se llama bias, ¿no?
48:38Entonces me preguntas eso y yo siempre pongo,
48:40estoy hablando con el programa que pone
48:42use bias, ¿no?
48:43O sea, utiliza sesgo y yo siempre pongo que sí, ¿vale?
48:46Porque funciona mejor con el bias, ¿no?
48:49Con el sesgo.
48:50Porque claro, no es el sesgo del que hablamos, ¿no?
48:52Entonces, el sesgo del que hablamos es estadística, ¿vale?
48:56Entonces, aquí el tema es, esta red, las redes,
49:00voy a poner un caso muy sencillo además
49:02que está, digamos, desvinculado de cualquier tipo de juicio, ¿no?
49:05Que es un tema de libro de sesgo.
49:09Tú haces un sistema para predecir fraude, ¿vale?
49:13Y lo vas a entrenar.
49:15Y vas a medir el sistema para que te mida la precisión,
49:20las veces que acierta, ¿vale?
49:22Si acierta o no acierta cuando le entra una transacción nueva,
49:25¿no?
49:26¿Es fraudulenta o no?
49:27Entonces, ¿qué pasa?
49:28Que cuando uno lo entrena, imaginaros que el ratio habitual
49:31es el 1% solamente de fraude.
49:34Entonces, tú lo entrenas con transacciones que son buenas,
49:38le dices, es buena, es buena, es buena,
49:40la de fraude es mala, ¿vale?
49:42Entonces, ¿qué ocurre?
49:43Que el sistema se queda tan ancho,
49:45predice que nunca hay fraude y tiene un 99% de acierto, ¿vale?
49:50Solamente ha fallado la que había fraude,
49:52que es la que te interesaba, ¿no?
49:54Entonces, es un tema puramente estadístico.
49:56Claro, esos temas se pueden resolver de muchas maneras, ¿no?
49:59Hay ejemplos que han sido muy sonados hace poco,
50:03o hace unos años, cuando Google sacó de los primeros sistemas,
50:06donde te reconocía, te etiquetaba en las fotos cosas,
50:10pues salieron a unas personas de raza negra,
50:14que se hicieron un selfie,
50:16entonces los etiquetó como gorilas, ¿vale?
50:19¿Por qué?
50:20No es que el sistema fuera racista,
50:22estoy riendo de ellos,
50:23es que el sistema lo habían entrenado
50:25con muy pocos casos de personas de raza negra
50:29y más casos, a lo mejor, de gorilas, ¿vale?
50:32El sistema a nivel estadístico,
50:34puramente estadístico,
50:35ve el color negro y tal,
50:37y a lo mejor veía que se parecía más
50:39o había más probabilidad de acierto hacia ese lado, ¿no?
50:42Entonces, es un problema abierto
50:43y es a veces muy difícil de detectar.
50:45Entonces, la manera de detectarlo
50:47es teniendo mucho cuidado
50:49y además buscándolo.
50:51Pero esto es un problema que sigue abierto.
50:53Ahora mismo, imaginaros,
50:54el propio Google,
50:55que tiene posiblemente mayor cantidad de datos del mundo que nadie,
50:59tiene abierto una competición
51:02en la web de competiciones más popular,
51:04que, por cierto, compre Google,
51:06que se llama Kaggle,
51:07que se llama de clasificación inclusiva de imágenes, ¿no?
51:11Y es que los sistemas de deep learning tradicionales
51:14se les ha entrenado con imágenes,
51:16pero sobre todo con imágenes
51:17que se han hecho en Europa y en Norteamérica.
51:19Y ahí hay un sesgo ya, ¿vale?
51:22Entonces, han cogido imágenes
51:24de muchos sitios menos representados
51:27para entrenar a sistemas.
51:29Hay más maneras, por ejemplo,
51:30y esto es más quizá investigación,
51:33pero cuando tienes pocos datos
51:35que pueden estar sesgados de un tipo,
51:37por ejemplo, tienes imágenes que aparecen muy poco, ¿vale?
51:40Por lo que sea, que realmente aparecen poco
51:42y no es factible a nivel comercial,
51:44a nivel práctico que aparezcan más.
51:46Puedes coger datos que tienes,
51:49como, por ejemplo, imaginaros la Wikipedia,
51:52donde está una descripción.
51:54Tú imagínate que en la Wikipedia,
51:55imaginémonos que existiera una especie de animal
52:00que fuera el oso rayado, ¿vale?
52:02Y es un oso que tiene rayas, ¿vale?
52:05De las cuales, como es un animal muy esquivo,
52:07solo se han hecho tres fotos en el mundo, ¿vale?
52:10Del oso rayado.
52:11Pero en la Wikipedia habla
52:13y lo describe el oso rayado muy bien.
52:15Entonces, este es un caso donde tienes
52:17muy pocos ejemplos para entrenar,
52:19pero tienes una información complementaria.
52:21Pues aquí hay maneras,
52:23aquí es un estado de investigación,
52:25pero hay maneras de combinar estas dos informaciones
52:28y conceptualmente es muy fuerte,
52:30o sea, es que la red va a aprender
52:32y va a juntar información textual,
52:34que nos parece texto,
52:36pero a nivel interno de la red
52:38lo va a convertir en unos vectores semánticos
52:41y va a poder utilizar la información semántica
52:44para identificar un objeto
52:46hasta el punto que esto se utiliza
52:48para un tema en investigación abierto
52:51que es aprendizaje sin ejemplos.
52:54O sea, hasta el punto que conceptualmente
52:56puedes entrenar una red
52:58que ha visto imágenes
53:00y le has pasado definiciones de cosas,
53:02le pasas, nunca ha visto, imaginaros,
53:04la definición del oso rayado,
53:06nunca ha visto una imagen de eso,
53:08pero ha visto la definición.
53:09Pues como una persona diría,
53:11oye, sé que no es ningún oso de los que he visto,
53:13en la Wikipedia leí que existe el concepto de oso rayado,
53:16en esta foto sé lo que son las rayas
53:18porque lo extrapolo de otras cosas,
53:20luego esto es un oso rayado.
53:22Esto las redes están empezando a hacerlo ya.
53:24¿El ejemplo de AlphaGoat0 es el mismo?
53:26Es esa máquina que tú le das las reglas,
53:28empieza a jugar y a partir de ahí aprende
53:30y es esa especie de...
53:32Bueno, es distinto ahí.
53:34Es que, a ver, dentro del Machine Learning
53:37o del Deep Learning,
53:39lo que he dicho al principio es que
53:41a nivel pragmático,
53:43en casos de empresas y proyectos,
53:45el 99% es aprendizaje supervisado.
53:49Aunque hayan pocos ejemplos,
53:51pero tiene supervisado que le pasa información complementaria.
53:54En el AlphaGo,
53:56la diferencia es que se llama
53:59aprendizaje por refuerzo,
54:01Reformer Learning, que es otra historia.
54:03Ahí internamente tiene muchos componentes,
54:06hay uno que se usa Deep Learning,
54:09digamos, para atribuir
54:11la ventaja de un movimiento
54:13cuya consecuencia se verá en el futuro.
54:15Entonces, no es exactamente lo mismo.
54:19Pues nos están haciendo señas ya
54:21de que nos queda poquito tiempo.
54:23Sí.
54:25De hecho, nos las están haciendo.
54:27Pero bueno, una ultimísima,
54:29ultimísima pregunta, Andrés,
54:31que, por lo primero, agradecerte muchísimo
54:33la participación. Esperemos que puedas compartir
54:35otro episodio con nosotros, de hecho,
54:37en Snapchat. Y la ultimísima pregunta era,
54:39bueno, a partir de lo que tú estás viendo
54:41en el estado de arte de la investigación
54:43y de lo que se está poniendo en práctica,
54:45¿qué crees que va a ser excitante
54:47de los próximos años? ¿Qué te emociona?
54:49¿Qué tienes tantas ganas de meterle mano?
54:51¿Qué ves que, uff,
54:53esto la gente no se lo espera?
54:55¿Qué tienes ahí ya con el ojo echado?
54:57¿Se van a sacar mis hijos
54:59el carnet de conducir o no va a hacer falta?
55:01Buena pregunta.
55:03Buena pregunta.
55:05A ver, a mí me encantaría,
55:07el carnet de conducir, yo odio conducir,
55:09me encantaría esto,
55:11hay muchos románticos, ¿no? Pero esto es como
55:13el que montaba caballo en la época.
55:15Yo creo que, bueno, hay mejores maneras, ¿no?
55:19Pero bueno, ¿qué me gustaría?
55:21Bueno, aquí hay dos preguntas, ¿no?
55:23La verdad, en cinco años,
55:25esto es un mundo increíble
55:27en el deep learning, o sea,
55:29yo casi os puedo responder en tres meses.
55:31Pero es que en cinco años, de lo rápido
55:33que va todo. Os pongo un ejemplo.
55:35Uno de los grandes avances
55:37recientes es
55:39un tema que podemos incluso ver
55:41como la creatividad, ¿no? Que se llaman
55:43las GAN, ¿no? Redes
55:45generativas, un tipo de redes
55:47que generan cosas. Entonces,
55:49hace pocos años, las GAN
55:51generaban imágenes que eran como una broma,
55:53pixeladas, que no se veían,
55:55y ahora hacen cosas reales.
55:57Entonces, quizá
55:59a mí lo que me gustaría,
56:01lo que más me gustaría no es qué avances vamos a ver.
56:03Lo que más me gustaría es
56:05que la sociedad viera
56:07la inteligencia artificial como una aliada.
56:09¿Vale? Tú preguntas por la calle
56:11a la gente
56:13de a pie, oiga, ¿usted sabe lo que es
56:15inteligencia artificial?
56:17Y mucha gente te dice,
56:19mayoría de gente dice que no, pero
56:21quien diga que sí, dirá, sí, sí, eso que nos va
56:23a matar a todos, ¿vale? Por culpa de Terminator.
56:25¿Vale? O, si no, ¿vale?
56:27Si no nos mata, lo que nos va a quitar
56:29es el trabajo. ¿Vale? Es una de esas dos.
56:31Entonces, a mí lo que realmente me gustaría,
56:33y en lo cual creo, además,
56:35creo en un escenario donde
56:37esta tecnología nos va
56:39a aumentar y a ayudar. Eso es lo que me gustaría.
56:41Pues...
56:43Perfecto final, ¿no?
56:45Perfecto final aquí a CAPTCHA.
56:47Episodio 3. Ya sabéis que, bueno,
56:49os vamos a dejar con la parte de ficción.
56:51Yo me despido de John,
56:53de Javier, por supuesto de
56:55Andrés. Ahora
56:57es la parte de ficción y ya sabéis, nos podéis seguir
56:59en iVox, en iTunes,
57:01en Spotify, por fin,
57:03estamos en Spotify también, YouTube,
57:05y por supuesto siempre en chataca.com.
57:27Sí, no podemos gastar más millones
57:29de dólares para la parte menos cualificada
57:31del proceso. Ahora no nos podemos permitir
57:33invertir todo ese dinero para separar
57:35peras de manzanas con eficiencia.
57:37Total, no creo que a los robots os importe que se escape
57:39alguna manzana en vuestra papilla, ¿no?