COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

“¿Quién es Bram Stoker?” Esas tres palabras demostraron el asombroso potencial de la inteligencia artificial. ¡Fue la respuesta a una pregunta final en un episodio 2011 especialmente memorable de Jeopardy !. Los tres competidores fueron los ex campeones Brad Rutter y Ken Jennings, y Watson, una súper computadora desarrollada por IBM. Al responder la pregunta final correctamente, Watson se convirtió en la primera computadora en vencer a un humano en el famoso concurso.

“De alguna manera, Watson gana Jeopardy! parecía injusto para las personas “, dice Jeehwan Kim, el Profesor de Desarrollo de Carrera de la Clase ’47 y miembro de la facultad de los departamentos de Ingeniería Mecánica y Ciencia e Ingeniería de Materiales del MIT. “En ese momento, Watson estaba conectado a una súper computadora del tamaño de una habitación, mientras que el cerebro humano pesaba solo unas pocas libras. Pero la capacidad de replicar la capacidad del cerebro humano para aprender es increíblemente difícil”.

Kim se especializa en el aprendizaje automático, que se basa en algoritmos para enseñar a las computadoras cómo aprender como un cerebro humano. “El aprendizaje automático es computación cognitiva”, explica. “Tu computadora reconoce cosas sin que le digas a la computadora lo que está mirando”.

El aprendizaje automático es un ejemplo de inteligencia artificial en la práctica. Mientras que la frase “aprendizaje automático” a menudo evoca la ciencia ficción tipificada en espectáculos como “Westworld” o “Battlestar Galactica”, los sistemas y dispositivos inteligentes ya están presentes en el tejido de nuestras vidas cotidianas. Las computadoras y los teléfonos usan reconocimiento facial para desbloquear, los sistemas detectan y ajustan la temperatura en nuestros hogares, los dispositivos responden preguntas o reproducen nuestra música favorita a pedido. Casi todas las grandes compañías automotrices han entrado en la carrera para desarrollar un auto seguro que se maneje solo.

Para que cualquiera de estos productos funcione, tanto el software como el hardware deben funcionar en perfecta sincronía. Las cámaras, los sensores táctiles, el radar y la detección de luz necesitan funcionar correctamente para devolver la información a las computadoras. Los algoritmos deben diseñarse para que estas máquinas puedan procesar estos datos sensoriales y tomar decisiones basadas en la mayor probabilidad de éxito.

Kim y la mayoría de los profesores del Departamento de Ingeniería Mecánica del MIT están creando un nuevo software que se conecta con el hardware para crear dispositivos inteligentes. En lugar de construir los robots inteligentes idealizados en la cultura popular, estos investigadores están trabajando en proyectos que mejoran la vida cotidiana y hacen que los humanos sean más seguros, más eficientes y estén mejor informados.

Hacer que los dispositivos portátiles sean más inteligentes

Jeehwan Kim sostiene una hoja de papel. Si él y su equipo tienen éxito, un día el poder de una súper computadora como Watson de IBM se reducirá al tamaño de una hoja de papel. “Estamos tratando de construir una red neuronal física real en un tamaño de papel de carta”, explica Kim.

Hasta la fecha, la mayoría de las redes neuronales se han basado en software y se han hecho utilizando el método convencional conocido como el método de cómputo Von Neumann. Sin embargo, Kim ha estado usando métodos de computación neuromórficos.

“La computadora neuromórfica significa AI portátil”, dice Kim. “Entonces, construyes neuronas artificiales y sinapsis en una oblea de pequeña escala”. El resultado es un llamado “cerebro en un chip”.

En lugar de calcular información de señalización binaria, la red neuronal de Kim procesa información como un dispositivo analógico. Las señales actúan como neuronas artificiales y se mueven a través de miles de matrices a puntos de cruce particulares, que funcionan como sinapsis. Con miles de arreglos conectados, grandes cantidades de información podrían procesarse a la vez. Por primera vez, un equipo portátil podría simular el poder de procesamiento del cerebro.

“La clave de este método es que realmente necesitas controlar bien las sinapsis artificiales. Cuando se habla de miles de puntos de cruce, esto plantea desafíos “, dice Kim.

Según Kim, el diseño y los materiales que se han utilizado para hacer estas sinapsis artificiales hasta ahora han sido menos que ideales. Los materiales amorfos utilizados en los chips neuromórficos hacen que sea increíblemente difícil controlar los iones una vez que se aplica voltaje.

En un estudio de Nature Materials publicado a principios de este año, Kim descubrió que cuando su equipo fabricaba un chip de germanio de silicio, podían controlar la corriente que fluía de la sinapsis y reducir la variabilidad al 1 por ciento. Con el control de cómo las sinapsis reaccionan ante los estímulos, llegó el momento de poner a prueba su chip.

“Nos imaginamos que si construimos la red neuronal real con el material correcto podremos hacer el reconocimiento de escritura”, dice Kim. En una simulación por computadora de su nuevo diseño de red neuronal artificial, proporcionaron miles de muestras de escritura a mano. Su red neuronal fue capaz de reconocer con precisión el 95 por ciento de las muestras.

“Si tiene una cámara y un algoritmo para el conjunto de datos de escritura a mano conectado a nuestra red neuronal, puede lograr el reconocimiento de escritura a mano”, explica Kim.

Mientras que la construcción de la red neuronal física para el reconocimiento de escritura a mano es el siguiente paso para el equipo de Kim, el potencial de esta nueva tecnología va más allá del reconocimiento de la escritura a mano. “Reducir el poder de una súper computadora a un tamaño portátil podría revolucionar los productos que usamos”, dice Kim. “El potencial es ilimitado: podemos integrar esta tecnología en nuestros teléfonos, computadoras y robots para que sean sustancialmente más inteligentes”.

Hacer las casas más inteligentes

Mientras Kim está trabajando para hacer que nuestros productos portátiles sean más inteligentes, el Profesor Sanjay Sarma y el Científico Investigador Josh Siegel esperan integrar los dispositivos inteligentes dentro del producto más grande que poseemos: nuestros hogares.

Una noche, Sarma estaba en su casa cuando uno de sus interruptores de circuito continuaba funcionando. Este interruptor de circuito, conocido como interruptor de circuito de falla de arco (AFCI), fue diseñado para cortar la energía cuando se detecta un arco eléctrico para evitar incendios. Mientras que los AFCI son excelentes para prevenir incendios, en el caso de Sarma no parecía haber un problema. “No había una razón discernible para que siguiera funcionando”, recuerda Sarma. “Fue increíblemente molesto”.

Los AFCI son conocidos por tales “viajes molestos” que desconectan los objetos seguros innecesariamente. Sarma, quien también se desempeña como vicepresidente de aprendizaje abierto del MIT, convirtió su frustración en la oportunidad. Si pudiera integrar el AFCI con tecnologías inteligentes y conectarlo al “Internet de las cosas”, podría enseñarle al interruptor automático a conocer cuándo un producto es seguro o si un producto realmente representa un riesgo de incendio.

“Piense en ello como un escáner de virus”, explica Siegel. “Los escáneres de virus están conectados a un sistema que los actualiza con nuevas definiciones de virus con el tiempo”. Si Sarma y Siegel pudieran incorporar tecnología similar en AFCI, los interruptores podrían detectar exactamente qué producto se está conectando y aprender nuevas definiciones de objetos a lo largo del tiempo.

Si, por ejemplo, una nueva aspiradora se enchufa en el interruptor de circuito y se apaga sin razón, la AFCI inteligente puede aprender que es segura y agregarla a una lista de objetos seguros conocidos. El AFCI aprende estas definiciones con la ayuda de una red neuronal. Pero, a diferencia de la red neuronal física de Jeewhan Kim, esta red está basada en software.

La red neuronal se construye reuniendo miles de puntos de datos durante simulaciones de arco. Los algoritmos se escriben para ayudar a la red a evaluar su entorno, reconocer patrones y tomar decisiones basadas en la probabilidad de lograr el resultado deseado. Con la ayuda de una microcomputadora de $ 35 y una tarjeta de sonido, el equipo puede integrar esta tecnología de manera económica en los interruptores automáticos.

A medida que la AFCI inteligente aprende sobre los dispositivos con los que se encuentra, puede distribuir simultáneamente sus conocimientos y definiciones a cada otra casa mediante el uso de Internet.

“Internet de las cosas bien podría llamarse ‘inteligencia de las cosas'”, dice Sarma. “Las tecnologías locales inteligentes con la ayuda de la nube pueden hacer que nuestros entornos sean adaptables y la experiencia del usuario sea perfecta”.

Los interruptores automáticos son solo una de las muchas formas en que las redes neuronales se pueden usar para hacer las casas más inteligentes. Este tipo de tecnología puede controlar la temperatura de su casa, detectar cuando hay una anomalía, como una tubería de intrusión o explosión, y ejecutar diagnósticos para ver cuándo hay cosas que necesitan reparación.

“Estamos desarrollando un software para monitorear sistemas mecánicos autoaprendidos”, explica Siegel. “No les enseñas a estos dispositivos todas las reglas, les enseñas a aprender las reglas”.

Hacer que la fabricación y el diseño sean más inteligentes

La inteligencia artificial no solo puede ayudar a mejorar la forma en que los usuarios interactúan con productos, dispositivos y entornos. También puede mejorar la eficiencia con la que se fabrican los objetos mediante la optimización del proceso de fabricación y diseño.

“El crecimiento de la automatización junto con las tecnologías complementarias que incluyen la impresión 3-D, la inteligencia artificial y el aprendizaje automático nos obliga a reconsiderar a largo plazo cómo diseñamos las fábricas y las cadenas de suministro”, dice el Profesor Asociado A. John Hart.

Hart, que ha realizado una amplia investigación en impresión en 3-D, ve a AI como una forma de mejorar la garantía de calidad en la fabricación. Las impresoras 3D que incorporan sensores de alto rendimiento, que son capaces de analizar datos sobre la marcha, ayudarán a acelerar la adopción de la impresión 3-D para la producción en masa.

“Tener impresoras 3-D que aprendan a crear piezas con menos defectos e inspeccionar las piezas a medida que las fabrican será un gran problema, especialmente cuando los productos que usted está fabricando tienen propiedades críticas como dispositivos médicos o piezas para motores de aviones, “Hart explica. El mismo proceso de diseño de la estructura de estas partes también puede beneficiarse de un software inteligente. La profesora asociada Maria Yang ha estado estudiando cómo los diseñadores pueden usar las herramientas de automatización para diseñar de manera más eficiente. “Lo llamamos inteligencia híbrida para el diseño”, dice Yang. “El objetivo es permitir la colaboración efectiva entre herramientas inteligentes y diseñadores humanos”.

En un estudio reciente, Yang y el estudiante graduado Edward Burnell probaron una herramienta de diseño con diferentes niveles de automatización. Los participantes utilizaron el software para seleccionar nodos para una armadura 2-D de una señal de stop o un puente. Luego, la herramienta obtendría automáticamente soluciones optimizadas basadas en algoritmos inteligentes para dónde conectar los nodos y el ancho de cada parte.

“Estamos tratando de diseñar algoritmos inteligentes que se ajusten a las formas en que los diseñadores ya piensan”, dice Burnell.

Hacer robots más inteligentes

Si hay algo en el campus del MIT que se parezca más a los robots futuristas de la ciencia ficción, sería el guepardo robótico del profesor Sangbae Kim. La criatura de cuatro patas detecta el entorno que lo rodea utilizando las tecnologías LIDAR y se mueve en respuesta a esta información. Al igual que su tocayo, puede correr y saltar obstáculos.

El enfoque principal de Kim es la navegación. “Estamos construyendo un sistema único diseñado especialmente para el movimiento dinámico del robot”, explica Kim. “Creo que va a remodelar los robots interactivos en el mundo. Puedes pensar en todo tipo de aplicaciones: médicas, atención médica, fábricas”.

Kim ve la oportunidad de conectar su investigación con la red neuronal física en la que está trabajando su colega Jeewhan Kim. “Si quieres que el guepardo reconozca personas, voces o gestos, necesitas mucho aprendizaje y procesamiento”, dice. “El hardware de red neuronal de Jeewhan posiblemente podría habilitarlo algún día”.

Combinar el poder de una red neuronal portátil con un robot capaz de navegar hábilmente en su entorno podría abrir un nuevo mundo de posibilidades para la interacción humana y de IA. Este es solo un ejemplo de cómo los investigadores en ingeniería mecánica pueden colaborar un día para llevar la investigación en IA al siguiente nivel.

Si bien podemos estar a décadas de interactuar con robots inteligentes, la inteligencia artificial y el aprendizaje automático ya han encontrado su camino en nuestras rutinas. Ya sea mediante el reconocimiento facial y de escritura a mano para proteger nuestra información, aprovechar el Internet de las cosas para mantener nuestras casas seguras, o ayudar a los ingenieros a construir y diseñar de manera más eficiente, los beneficios de las tecnologías de inteligencia artificial son omnipresentes.

La fantasía de ciencia ficción de un mundo superado por robots está lejos de la verdad. “Existe la noción romántica de que todo va a ser automático”, agrega Maria Yang. “Pero creo que la realidad es que vas a tener herramientas que funcionarán con las personas y ayudarán a que su vida diaria sea un poco más fácil”.

COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

NO COMMENTS

DEJAR UN COMENTARIO