MADRID.-  En la categoría de Tecnologías de la Información y la Comunicación (TIC) «por su trabajo pionero y profundamente influyente» a la hora de lograr que las máquinas sean capaces de aprender, el investigador en inteligencia artificial Geoffrey Hinton ganó el Premio Fundación BBVA Fronteras del Conocimiento.

El científico galardonado, quien nació en Londres en 1947, “se ha inspirado en cómo funciona el cerebro humano y en cómo ese conocimiento puede ser aplicado para dotar a las máquinas de la capacidad para desempeñar tareas complejas como lo hacen los humanos”, anotó el jurado.

Hinton, catedrático del departamento de Ciencias de la Computación de la Universidad de Toronto, es también desde 2013 investigador en Google, que le contrató poco después de que los programas para reconocimiento de imágenes y de voz que él y su grupo habían desarrollado resultaran mucho mejores que los utilizados hasta entonces.

Desde entonces, su investigación ha impulsado el desarrollo acelerado de aplicaciones de inteligencia artificial que ya empiezan a llegar al mercado: desde programas de traducción automática y clasificación de fotos, a los sistemas de reconocimiento de voz, los asistentes personales como Siri y los coches sin conductor.

También hay aplicaciones en investigación biomédica, como el análisis de imágenes médicas para diagnosticar si un tumor provocará metástasis y búsqueda de moléculas eficaces para el desarrollo de fármacos.

Asimismo, en general en todas las áreas de investigación donde haga falta identificar y extraer información relevante a partir de gran cantidad de datos.

Para los miembros del jurado, el trabajo de Hinton ha iniciado una “revolución” científica y tecnológica que tiene “asombrada” a la propia comunidad de investigación en inteligencia artificial, que no había anticipado una evolución tan rápida del sector.

El área impulsada por el trabajo del investigador se denomina “deep learning” o “aprendizaje profundo”, y es “uno de los desarrollos más emocionantes de la moderna inteligencia artificial”.

El “deep learning” se inspira en la manera en que se cree que funciona el propio cerebro, y en especial en dos características: procesa la información de manera distribuida, con muchas neuronas conectadas en red, y aprendiendo a partir de ejemplos.

El equivalente computacional es emplear las llamadas redes neuronales –programas que hacen las veces de neuronas y que están conectados entre sí– y, como afirmó el propio Hinton, “enseñarles a aprender”.

Explicó que “la máquina que mejor aprende es el cerebro humano. El cerebro tiene miles de millones de neuronas, y aprende al reforzar las conexiones entre ellas”.

Anotó que “una manera de conseguir que un ordenador aprenda, es intentar que una máquina actúe como si fuera una red neuronal, y descubrir una regla o mecanismo que refuerce las conexiones entre neuronas”.

De esta forma, abundó, podemos intentar que una computadora aprenda de la misma manera que el cerebro.

El científico premiado puntualizó que la estrategia del “deep learning” se basa en presentarle a la máquina ejemplos o “inputs”, y los “outputs” que se desean obtener.

“Después intentas reforzar las conexiones en esa red neuronal artificial, y así consigues que cuando introduces un ‘input’, la máquina te da la respuesta que buscas”, aseveró.

La investigación del científico galardonado se ha centrado precisamente en intentar averiguar cuáles son las reglas que permiten reforzar las conexiones de una red neuronal artificial, para lograr que una computadora sea capaz de aprender.

Esto ha abierto la puerta, manifestó Hinton, a “un nuevo tipo de inteligencia artificial”, en el que, a diferencia de otras estrategias, “no programas la computadora con conocimiento, sino que realmente logras que la máquina aprenda de su propia experiencia”.

Aunque sus aplicaciones más importantes han surgido en los últimos años, las redes neuronales no son, en realidad, un invento reciente.

Cuando Hinton empezó a investigar en inteligencia artificial –movido por un deseo de entender el funcionamiento del cerebro humano, que le llevó a estudiar primeramente psicología experimental–, sus colegas empezaban a descartar las redes neuronales que él defendía como opción prometedora.

Los resultados no eran lo bastante satisfactorios. Sin embargo, Hinton decidió perseverar, contra los consejos de su profesor y a pesar de que en su país, Reino Unido, no había conseguido fondos para seguir investigando.

Emigró primero a Estados Unidos y posteriormente a Canadá, donde sí pudo formar un grupo y seguir trabajando en el desarrollo de redes neuronales, que por entonces, en los años 80, se consideraban ya una línea completamente marginal de la inteligencia artificial.
r3