Los robots del futuro trabajarán juntos y aprenderán de sus pares

Robots
Eve y Wall-E, robots protagonistas de la película “Wall-E” (2008) de Disney y Pixar (Foto: New York Times)

La constante evolución de la tecnología y la IA es una verdad innegable. Por eso analizamos qué se puede esperar de los robots para un futuro no tan lejano.

Vivimos en un mundo tecnológico, en el que las innovaciones nos rodean cada vez más. La digitalización y automatización de procesos hoy nos parecen lo más normal del mundo. Así como también lo es observar que los robots ganen paulatinamente un protagonismo que augura un futuro próspero.

Hoy la realidad se rige por la inteligencia artificial (IA) y el machine learning; dos sistemas con una constante evolución y perfeccionamiento, que nos permiten disfrutar cada vez más de nuestro estilo de vida. Nosotros, usualmente muy inmersos en las comodidades que nos rodean, tendemos a perder de vista hasta dónde escala ese desarrollo.

Desde los comienzos de la Revolución Industrial, a mediados del siglo XVIII, el mundo comenzó a imaginar futuros prósperos. Futuros donde no deberíamos esforzarnos por nada, porque las máquinas harían de nuestras vidas un oasis. Una proyección que no se concretó a la velocidad vertiginosa que la humanidad imaginaba, pero que año a año parece estar un poco más cerca.

Quizá aún no disponemos de los autos voladores al mejor estilo de Los Supersónicos, aunque Japón ya creó el primero. Sin mencionar que, acorde con lo proyectado, estos serán tendencia en dicho país a partir del 2023.

Por otro lado, todavía no podemos disfrutar de los robots en su máximo potencial. Aunque su constante evolución ha logrado que humanoides como Sophia, que aprende de nosotros y evoluciona, ya no nos parezcan utópicos. Por el contrario, son una realidad comprobada y el futuro que se nos abre paso con ellos promete ser revolucionario.

El futuro de la IA: aprender del mundo real

El enfoque que se le ha dado a la investigación en inteligencia artificial ha sido errado durante años. Hasta ahora, los expertos en la materia se habían centrado únicamente en agentes individuales. Por ejemplo, un automóvil autónomo que navega en solitario por las calles; un termostato que aprende de su entorno inmediato, entre otros.

La lógica responde al modo en que fueron concebidos estos sistemas; porque en sus comienzos no los diseñaron para trabajar en equipo o aprender de sus iguales. “Una oportunidad perdida”, según Jonathan How, profesor de aeronáutica y astronáutica en el MIT, en diálogo con WIRED.

En la actualidad, How lidera un equipo de investigación enfocado en cambiar el modo en que operan las nuevas tecnologías. El fin es que tanto los dispositivos móviles como la inteligencia artificial sean capaces de colaborar entre sí. Sumado a que puedan aprender los unos de los otros para enriquecer su labor.

Una dinámica que no solo mejoraría el trabajo en ciertas industrias, sino que también lo potenciaría. Claro ejemplo de ello es la logística, donde los robots acatan órdenes y hacen los envíos a la puerta de los hogares. Otro caso de esto es la exploración espacial, donde la tecnología es utilizada para llegar cada vez más lejos.

En dichos casos, How admite querer “hacer más inteligentes a los objetos inteligentes” potenciando su capacidad de aprendizaje. Para ello será esencial “desarrollar un machine learning más potente, que se adapte a las exigencias del mundo exterior”, subraya. Porque a su criterio “el verdadero desafío no es que los robots aprendan en un ámbito aislado como es dentro del laboratorio. Lo complejo es lograr que lo hagan fuera, donde estarán sujetos a infinitos estímulos y agentes con los que convivirán”.

Todos para uno y uno para todos

Luego de 20 años innovando en su laboratorio, el profesional del MIT es consciente de lo diferente (y desafiante) que es el exterior. Mientras que de paredes hacia adentro se lidia con un ambiente controlado, el mundo real parece ser el opuesto radical. Allí las personas encuentran un mundo cambiante e incierto. Un grado de complejidad que How cree fundamental integrar en los nuevos algoritmos de IA.

“Afuera vives enfrentándote a nuevos desafíos e innovando en procura de adaptarte al cambio continuo”, detalla. A la vez que reflexiona: “Ese grado de complejidad no es reproducible dentro de un laboratorio”. En dicho caso, el robot solo percibe aquellos estímulos y situaciones que How y su equipo le inducen.

Por lo tanto, la clave radica en mejorar la IA de los robots, potenciando sustancialmente los algoritmos que los definen. Una práctica que mejorará la capacidad de las máquinas para adaptarse a situaciones inciertas según sus experiencias previas. Además de que también podrán valerse de las vivencias de sus pares para evaluar la mejor solución.

Para lograrlo, el equipo ha comenzado a utilizar el “aprendizaje por refuerzo”. Una técnica de aprendizaje automático, que ayuda a las máquinas a descubrir su entorno mediante la dinámica de ensayo y error. Lo que es, básicamente, el modo en que los seres humanos históricamente hacemos las cosas.

¿Cómo se hará la sinergia?

En lo previo, uno de los máximos desafíos para este nuevo modelo es pensar cómo se lograría llegar a un consenso. Lo agentes son tan diversos como posibilidades de hacer bien o mal las cosas hay. Por ende, ¿cuál sería el criterio para determinar qué es lo correcto o lo más práctico? A su vez, ¿existe alguna plataforma o servidor que haga posible almacenar toda la información recopilada entre tantos robots? ¿Es posible crear un criterio único que todos ellos sigan, evitando así las incongruencias?

Hasta hace no tanto tiempo pensar en todo ello era inviable, porque la infraestructura no era la adecuada. No obstante, hoy existen plataformas de deep learning que lo hacen posible. Según How, él y su equipo utilizan el sistema AWS Deep Learning AMI en sofisticadas instancias de GPU Amazon EC2. Es decir una “mega nube”, servicio de Amazon, capaz de hacer cálculos increíblemente complejos a altísima velocidad. Todo ello sin la necesidad de contar con innumerables servidores para llevarlo a cabo.

Su implementación, como dijimos, permitirá recopilar cantidades abrumadoras de información en tiempo real. A su vez, facilitará ejecutar modelos de aprendizaje por refuerzo de manera precisa y altamente rápida. Todo ello con el fin de que los robots respondan de inmediato a los estímulos del mundo exterior.

Los datos presentes en ese mega servidor de Amazon serán resultado de la experiencia de cada robot. Cada uno de ellos vertirá sus vivencias y aprendizajes en dicho espacio. A la vez que se valdrán de las que subieron otros para potenciar sus propios conocimientos. Una dinámica que retroalimentará a todos los agentes involucrados.

El problema del conocimiento incompleto o insuficiente, en ese caso, estaría solucionado. La clave sería que todos los robots contribuyeran a la elaboración de un conocimiento “acumulativo”. Es decir que todos tendrían información limitada, que debería escudarse en el consenso universal para encontrar las respuestas correctas.

Así funciona el sistema de “aprendizaje por refuerzo” propuesto por How, que en la jerga profesional se llama Hierarchical Multi-Agent Teaching (HMAT). Lo que en español significa “Enseñanza Jerárquica de Múltiples Agentes”. Una dinámica con éxito comprobado, que mejora el aprendizaje mediante comunicaciones óptimas y un saber que se construye entre todos. Tal ha sido el éxito de esta propuesta, que hoy el proyecto lo financian gigantes de la talla de Amazon, IBM y Boeing.

Una infraestructura sólida

Muchos robots que potencian su IA aprendiendo a la par de otros requieren un sistema íntegro y robusto que los ampare. Llegar a esa meta no es sencillo, por eso existen las simulaciones: para irle dando forma al proyecto. Sería utópico pensar en lograr ese fin sin haber hecho infinidad de pruebas antes. Por eso los investigadores del MIT utilizan los marcos de aprendizaje automático PyTorch y TensorFlow.

La principal dificultad del proyecto, detalla How, ha sido “obtener la suficiente potencia computacional para ejecutar los algoritmos”. No es sencillo obtener un servidor lo suficientemente grande para integrar a todos los robots y su continuo aprendizaje. Por eso recurrir a la infraestructura de Amazon, una de las más potentes del mundo, ha sido la solución lógica.

“Suministrar nosotros mismos nuestro soporte técnico sería contraproducente en el largo plazo”, aclara How. Porque “si trajéramos X computadoras, dentro de dos años estaríamos trabajando con un hardware antiguo. Si para este trabajo no cuentas con uno de vanguardia, limitas sustancialmente las posibilidades de progreso”, agrega luego el profesional.

Con los servicios basados en la nube, el equipo del MIT se asegura la potencia informática necesaria para el proyecto. Al respecto, Dong-Ki Kim, parte del equipo de How, aclara: “en estos tiempos de entrenamiento por simulación, donde probamos miles de configuraciones diferentes, la velocidad resulta crucial”.

“Cuanto más velocidad tenemos, más repeticiones del proceso podemos hacer en menor tiempo”, continúa Kim. Y asegura que esta infraestructura “acelera sustancialmente los tiempos de entrenamiento y de la investigación en sí”.

Proyectando el futuro

Sobre el futuro del proyecto, How se atreve a vaticinar “entre cinco y diez años para que sea comercializable”. Tiempo que el investigador cree esencial para consolidar su idea, que probablemente sea la base para el futuro de la IA.

“Hasta ahora hemos pensado en usos súper específicos para esta clase de sistemas”, puntualiza How. “Un ejemplo de ello serían los robots que se utilizan para búsqueda y rescate en ambientes hostiles”, detalla. Y concluye proyectando que los posibles futuros usos de tecnologías colaborativas “pueden ser ilimitados”.


Lo cierto es que el prometedor futuro de la robótica ya se está forjando. Nosotros, como testigos de ello, debemos estar preparados para los cambios revolucionarios que se avecinan. La pregunta es: ¿estamos listos para ese nuevo mundo?