Lo que me gusta mostrar es cómo la Inteligencia Artificial puede trabajar sobre las estructuras ocultas del mundo que nos rodea. Casi todo es cuantificable y, por tanto, puede describirse en relaciones estadísticas - si X entonces Y. Lo que vemos que está ocurriendo en estos momentos - el auge de la IA - es consecuencia de unos datos más fácilmente disponibles (y fiables) a través de Internet, de una mayor potencia de cálculo y, por último, de una década de desarrollo de algoritmos de análisis de datos inteligentes y eficaces. Ni más ni menos.

10 de enero de 2024

Inteligencia artificial y relojería - Una introducción

Marcus Siems @siemswatches
Coleccionista, autor, analista de datos

Inteligencia artificial y relojería:

- Introducción - Entrevista ChatGPT - Perspectivas de la comunidad -

La inteligencia artificial es un fenómeno de creciente interés para todas nuestras vidas. Cada vez se desliza más desde el abstracto mundo profesional hacia nuestra experiencia cotidiana y nuestras rutinas diarias. Y cada vez encontramos más informes sobre el tema apareciendo también en el mundo de la relojería (por ejemplo [aquí], [aquí], [aquí] o [aquí]). Todos estos avances suelen recibirse con mucho revuelo y entusiasmo... probablemente por dos razones principales:

En primer lugar, ver que una industria tan tradicional y arraigada como la relojería empieza a utilizar la IA a gran escala parece surrealista después de que aparentemente haya atravesado el tiempo sin sufrir alteraciones durante Siglos. Y segundo, porque el 99,9% de nosotros (incluido yo) no sabemos realmente lo que está pasando cuando tecleamos una consulta en ChatGPT y similares.

Imagen generada por IA de un robot trabajando en relojería Imagen generada por IA (DeepAI) de una inteligencia artificial trabajando en relojería.

Aunque Inteligencia Artificial es una de nuestras tecnologías más avanzadas, conlleva un aspecto mítico. Probablemente, algo parecido a lo que debió sentir la gente cuando se enfrentó por primera vez a los descubrimientos de que nuestro mundo está formado en su totalidad por partículas en miniatura o de que nuestros cerebros (y por tanto nosotros) funcionan mediante circuitos electroquímicos. Primero tenemos que creer a los científicos individualmente antes de poder entenderlo como sociedad.

Sin embargo, mientras la IA permanezca en el reino de las criaturas míticas no podremos evaluar si una nueva aplicación relojera -ya sea una página web, un diseño o una herramienta- es realmente nueva y potencialmente útil o sólo un juguete. Seríamos como Dorothy siguiendo el camino de la inteligencia artificial hacia cualquier Mago que nos prometa lo que queremos. Pero ¡muéstrenos los zapatos rojos! En lugar de eso, asumamos este empeño e intentemos comprender mejor qué es la Inteligencia Artificial es y para qué puede utilizarse.

"Captcha de aprendizaje automático" por Randall Munroe (xkcd).

1) Inteligencia artificial - Significado

Creo que gran parte del poder que nos sobrecoge ya reside en el nombre. La inteligencia es probablemente una de las características que los humanos más relacionamos con nosotros mismos y que tomamos para distinguirnos del resto del reino animal^[1]. Es una palabra que tiene mucho peso. Pero lo que podríamos atribuir a la palabra y lo que se hace realmente en la investigación y las aplicaciones de la IA podrían disociarse fuertemente.

Porque pragmáticamente hablando lo que inteligencia artificial hace es predecir un resultado basándose en datos con los que ha sido entrenada (más sobre esto más adelante). En otras palabras, es un método estadístico para identificar y cuantificar patrones. Ni más ni menos. En este sentido, puede funcionar como el cerebro humano. Nosotros también buscamos patrones en el mundo que nos rodea y una vez encontrados nos cuesta mucho dejar de verlos. Tomemos el siguiente ejemplo de un dálmata:

Ilusión óptica del perro dálmata emergente de Michael Bach Salpicaduras en blanco y negro: ¿puede descubrir al dálmata? Foto cortesía de la Base de datos Michael Bach.

Al ver la imagen por primera vez todo parecen manchas aleatorias en blanco y negro. En algún momento surgen estructuras como un árbol al fondo, una carretera y, potencialmente, hojas. El perro (un dálmata) es bastante difícil de encontrar, pero una vez que lo ha visto, ya no puede dejar de verlo. Sin embargo, eso es su cerebro poniendo orden al espacio en blanco entre manchas negras... estrictamente hablando no hay perro.

Esta identificación de patrones -incluso a un nivel abstracto- no es inteligencia, es una asociación. Ya sea la asociación entre los puntos y un perro; el sol saliendo y una sensación de calor; el mercado de relojes y los precios al por menor aumentando; la altura y el peso de un humano; etc. Por lo tanto, puede entenderse mejor como aprendizaje -o en el término más común para los métodos utilizados para generar IA como aprendizaje automático. Y creo que esta formulación capta mejor la esencia. No hace falta un organismo (o una máquina) muy desarrollado para establecer asociaciones y aprender... se trata simplemente de una relación estadística entre dos cosas.

Montaje experimental del experimento de Pavlov sobre el condicionamiento clásico Siguiendo con los perros... incluso los estímulos completamente aleatorios pueden emparejarse y asociarse entre sí. Todos (esperemos) conocemos desde el instituto el condicionamiento clásico, e Ivan Pavlov informó de esta forma de aprendizaje estadístico ya en 1897. Foto cortesía de Teoría de la comunicación.

2) Inteligencia artificial - Conceptos básicos

Entonces, ¿cómo puede "aprender" una máquina y qué hace falta para construir su inteligencia artificial^[2]? Yo sostengo que todo se reduce a tres ingredientes y pasos principales:

- datos de entrenamiento

- una variable para predecir

- un modelo que conecte los dos

Desglosándolo así ya no parece magia, ¿verdad? Pero hagamos un poco más explícito lo que quiero decir con estos tres ingredientes y juguemos a... ¿Cuánto vale mi reloj?

También le tenemos cubierto si no sólo le interesa teóricamente esta cuestión... "4 consejos para valorar su Reloj Antiguo: Guía para principiantes" - Un vídeo sobre la heurística de Felix Goldammer.

En primer lugar, la predicción... puede hacerse sobre cualquier incógnita que quiera describir: qué jugada hacer jugando al ajedrez, está enferma o no la persona que tiene delante, cuál es la respuesta correcta a su pregunta, ¿será un éxito este nuevo diseño de reloj? O como en nuestro pequeño ejemplo ¿Cuánto vale mi reloj? Lo único importante aquí es que la pregunta semántica que está formulando puede tener respuestas cuantificables (aquí: precio en euros).

En segundo lugar, para predecir el resultado necesita información relevante. Por ejemplo, cuánto vale un Reloj Antiguo depende de su estado, su escasez, las complicaciones, la reputación de la marca, etc. etc. Lo importante es que no puede tomar cualquier tipo de información... por ejemplo el color de la correa o el apellido de soltera de la madre del diseñador no deberían tener importancia aquí.

En tercer lugar, una conexión entre la información de entrada y la predicción de salida. Esta tercera parte es la operación estadística que llamamos clásicamente aprendizaje automático y, por tanto, el aspecto central de la IA. Esta conexión (o modelo) debe entrenarse con la información de entrada de -en nuestro ejemplo- varios relojes y sus respectivos precios conocidos. Así que podríamos ver que - por término medio(!) - los relojes en mejor estado se valoran más. ciertas marcas están más de moda y añaden una prima a los precios, las complicaciones también suelen costar un poco más, etc., etc.

Eric Wind de Wind Vintage para Esquire - un Meme Si le pregunta a Eric Wind de Viento Vintage lo importante a la hora de valorar un reloj: "Estado, estado, ¡condición!". Foto cortesía de Esquire.

Se trata de una descripción semántica de una interacción cuantificable aprendida por máquina entre factores de mercado sobre el precio de los relojes. Es una descripción muy simplificada de lo que ocurre, por ejemplo, en OpenAI y ChatGPT o en las IAs generadoras de imágenes, pero en el fondo eso es lo que ocurre también*. Pero llegaremos a estas aplicaciones dentro de un rato.

3) Inteligencia artificial - Diferentes modelos

Ahora vamos a sumergirnos rápidamente en la parte central: el modelo de aprendizaje automático y sus supuestos. Existen numerosas formas de inferir el resultado a partir de un conjunto de información. La más simplista es la relación monótona (a veces lineal), por ejemplo: A mejor estado, mayor precio de un reloj:

Figura 1. Escenarios (de juguete) en los que aprendizaje automático se pueden aplicar algoritmos. Los puntos coloreados representan relojes individuales, la línea discontinua implica la predicción del algoritmo. Una predicción gradual del precio basada en el estado (izquierda) y un límite para predecir el mantenimiento/venta de un reloj basado en el apego emocional y el tiempo de muñeca que recibe cada pieza (derecha). Los datos representados son ficticios y sólo pretenden ayudar al contexto.

La línea discontinua de la figura describe la predicción del modelo. Por ejemplo, podría ser una relación lineal 1 a 1 y precio = condición * una constante. Quizá haya algunos efectos más allá de la linealidad y nuestra relación sea más bien exponencial: si se aumenta un poco la condición en el extremo superior, aumenta drásticamente el precio... Esta relación exacta entre precio y condición es la que se puede aprender en el proceso... de una máquina**...

4) Inteligencia artificial - Algoritmos modernos

Todos estos métodos sencillos que acabo de presentar tienen siglos de antigüedad y constituyen la base de nuestra experiencia moderna con la IA. Uno de los primeros aprendizajes automáticos aplicados en masa se produjo durante la Primera Guerra Mundial... Charles Spearman introdujo el análisis factorial para simplificar grandes cantidades de preguntas y tareas psicológicas y definió -curiosamente- un parámetro general para la inteligencia^[3]. Esta primera cuantificación de la inteligencia se utilizó entonces para evaluar a los soldados británicos y encontrar oficiales adecuados en sus filas, más allá del antiguo pero aún vigente sistema aristocrático.

Puede encontrar "Breve historia de la inteligencia artificial" que cubre los últimos 70 años de los principales desarrollos de BootstrapLabs aquí.

En los años 70 y 80 se introdujeron aplicaciones que utilizaban una ligera modificación de estos métodos: las redes neuronales artificiales***. En ellas, un objeto de entrada con todas sus características se pondera (modelo) para predecir una reacción. Por ejemplo, tenemos un reloj con varias características - tamaño, edad, material, estado, marca, etc. - que combinadas llamamos capa. Y ponderando estas características podríamos (en un mundo optimizado) estimar su mejor precio de venta. Se trata, pues, de una ampliación de la estimación lineal anterior.

Figura 2. Esquema de la arquitectura de una red neuronal artificial de una capa. La arquitectura es sólo para representar una intuición y los "nombres de las capas" de la parte inferior son ayudas para la memoria y no restricciones o resultados reales del modelado.

Esta "arquitectura" tan sencilla puede relacionar la entrada (un reloj) con la salida (su precio)... Una vez más, esta relación se aprende sobre miles y miles de relojes con precios conocidos antes de poder aplicarla para predecir el precio de un reloj que no esté ya en la base de datos. Además, siempre incluirá algún error, es decir, parámetros desconocidos como, por ejemplo, el estado de ánimo de los pujadores.

Ahora imagine que no tiene sólo una capa que le da directamente una salida, sino que esta capa alimenta con su información a otra capa más "profunda". La capa más profunda define relaciones entre las características, y otra capa más profunda después las características de las características y otra después y después... cada una resumiendo y abstrayendo su entrada a través de relaciones de características de la capa anterior...

Figura 3. Esquema de la arquitectura de una red neuronal artificial con varias capas "ocultas". La arquitectura es sólo para representar una intuición y los "nombres de las capas" de la parte inferior son ayudas para la memoria y no restricciones o resultados reales del modelado.

También puede pensar en cada capa y cada abstracción en el sentido del lenguaje (Grandes modelos lingüísticos). La primera capa describe las letras, la segunda la relación entre letras, es decir, las "sílabas". La tercera se refiere a la relación entre sílabas -> palabras, la cuarta capa son las palabras -> frases u oraciones y después los párrafos y el significado ^abstracto*4. Estas abstracciones -que también pueden aprenderse del algoritmo sin constreñirlo- son la mayor ventaja de estas "Redes Neuronales Profundas" sobre todo lo que existe en el campo de la Inteligencia Artificial que vino antes.

Una buena analogía de la estructura de capas profundas de la inteligencia artificial es el argumento de la película de Christopher Nolan "Inception" de 2010. Cada capa más abajo es como otro sueño dentro de un sueño... Se vuelve más absurdo y más surrealista con cada sueño. Fotografíe una estructura argumental de la película dibujada a mano por el propio Christopher Nolan.

Por supuesto, estas etiquetas para las distintas capas son puramente esquemáticas. Las palabras, las frases y los párrafos son entidades que podemos captar a partir de nuestra experiencia cotidiana. Pero un modelo estadístico construirá una representación muy abstracta que no se ajustará a nuestra limitada comprensión. Sin embargo, estas profundas capas de abstracción son la razón por la que podemos mantener una conversación con ChatGPT y algoritmos similares^[4]. Significa que el algoritmo no necesita haber visto antes un párrafo, una frase o una pregunta concretos para comprender su significado, porque puede encontrar meta-relaciones a partir de otros fragmentos de texto.

Sin embargo, como puede imaginar, para llegar a este punto se necesita MUCHA potencia de procesamiento y datos de texto para que el algoritmo aprenda y funcione. Por ejemplo, ChatGPT 3.5 (versión gratuita) ha sido entrenado durante semanas y meses en miles de GPU con texto escrito, libros y páginas web y, finalmente, ha ido integrando los comentarios de miles de operadores humanos.

5) Inteligencia Artificial - Conclusión sobre su esencia

Así que supongo que todo el mundo suspira aliviado ahora que hemos superado este capítulo bastante intenso de la metodología. Sin embargo, espero haber podido transmitir que Inteligencia Artificial y aprendizaje automático 1) no son nuevos, 2) en su esencia son "simples" modelos de predicción, y 3) no son una herramienta mágica que nos hayan regalado los señores robots para distraernos haciéndonos resúmenes de libros y generando imágenes steampunk de nuestras mascotas.

Imagen generada por inteligencia artificial de trenes de engranajes Una imagen generada por IA (DeepAI) de "Varios trenes de engranajes de reloj trabajando con circuitos informáticos".

Mucho más Inteligencia Artificial trabaja sobre las estructuras ocultas y latentes del mundo que nos rodea. Casi todo es cuantificable y, por tanto, puede describirse en relaciones estadísticas -si X entonces Y. Lo que vemos que está ocurriendo en estos momentos -el auge de la IA- es consecuencia de la mayor disponibilidad de datos a través de Internet, el aumento de la potencia de cálculo y, por último, décadas de desarrollo de algoritmos de análisis de datos inteligentes y eficaces. Ni más ni menos.

En la siguiente parte quiero abordar en detalle lo que la IA moderna puede y no puede hacer en nuestro querido mundo de los relojes. Para contribuir a este debate -en gran medida especulativo- también he hablado con varios expertos en el campo de la horología que en el pasado tuvieron alguna coincidencia con el mundo de la tecnología. ¡Será divertido!

* Pido encarecidamente disculpas por la excesiva simplificación.

** Mediante un enfoque de análisis inteligente pero no exactamente de inteligencia^[1]

*** Existen varias diferencias empíricas entre los cerebros de carbono y los de silicio, pero no entremos en ello. Las RNA podrían considerarse (en el mejor de los casos) un modelo simplificado de la función biológica.

^*4 Se puede pensar en capas de abstracción similares también en el sentido del procesamiento visual/de imágenes. La primera capa son los bordes claros/oscuros confinados a un lugar determinado, la siguiente pueden ser los ángulos, las siguientes capas formas cada vez más complejas que pueden encontrarse en cualquier lugar de la escena y las últimas capas son las identidades de los objetos, que pueden ser incluso independientes del ángulo de presentación, etc.