![\"La](\"https:\/\/rt00.epimg.net\/retina\/imagenes\/2018\/03\/19\/innovacion\/1521472278_250632_1521822220_noticia_normal.gif\")
<\/figure>\n<\/h1>\nLa comunicaci\u00f3n del “deep learning” y modelos probabil\u00edsticos permiten dise\u00f1ar algoritmos capaces de lidias con la incertidumbre<\/strong><\/div>\n<\/div>\n<\/header>\n![\"Resultado](\"https:\/\/www.reasonwhy.es\/sites\/default\/files\/styles\/noticia_principal\/public\/arenamedia-marketingdelascosas-reasonwhy.es__0.jpeg?itok=-vpz4OFU\")
<\/div>\n\n\n <\/p>\n
<\/p>\n
Avanzamos sin darnos cuenta hacia una sociedad en la que las m\u00e1quinas tomar\u00e1n decisiones cada vez m\u00e1s complicadas. De su presencia en tareas altamente automatizables hasta su introducci\u00f3n en las llamadas compa\u00f1\u00edas\u00a0data driven<\/em>\u00a0\u2014gobernadas por datos informatizados\u2014,\u00a0el potencial de los algoritmos para sustituir el control humano es tan enorme que asusta<\/a>.<\/p>\n<\/a><\/section>\n<\/a><\/section>\n<\/section>\n<\/section>\n<\/a><\/section>\n\n\n\n![\"\"](\"https:\/\/media1.giphy.com\/media\/12qq4Em3MVuwJW\/giphy.gif\")
<\/p>\n
<\/p>\n
<\/p>\n<\/div>\n<\/div>\n<\/section>\n
Al margen de los miedos que despierta\u00a0la posibilidad de que sistemas de inteligencia artificial nos quiten el trabajo<\/a>\u00a0\u2014y si permitimos sus virtudes en la medida en que nos simplifiquen la vida\u2014, es vital que, al menos, respondan correctamente y de forma eficiente si les vamos a dejar tomar cierto tipo de decisiones. Porque las m\u00e1quinas tambi\u00e9n son susceptibles de equivocarse.<\/p>\nQuienes dise\u00f1an sus algoritmos parten de suposiciones basadas en sus propios datos sobre c\u00f3mo deber\u00edan hacerlos funcionar, y estas suposiciones no son siempre acertadas. \u201cComo hemos aprendido de los grandes bancos durante el colapso financiero, los modelos matem\u00e1ticos basados en suposiciones equivocadas \u200apueden ser peligrosos cuando depositamos demasiada confianza en sus predicciones sin considerar lo que podr\u00eda ir mal\u201d,\u00a0afirma Jennifer Wortman<\/a>, investigadora senior en Microsoft especializada en aprendizaje autom\u00e1tico y econom\u00eda algor\u00edtmica.<\/p>\n <\/p>\n
\n- Afrontando el problema<\/li>\n<\/ul>\n
<\/a><\/section>\n<\/div>\n<\/div>\n<\/article>\n<\/div>\n<\/div>\n\n![\"Fotograma](\"https:\/\/rt00.epimg.net\/retina\/imagenes\/2018\/03\/19\/innovacion\/1521472278_250632_1521472955_sumario_normal.jpg\")
<\/figure>\n<\/div>\n\nFotograma de la pel\u00edcula ‘Yo, robot’<\/figcaption><\/figure>\n<\/div>\nPero, \u00bfqu\u00e9 pasar\u00eda si estos sistemas fueran conscientes de ello? \u00bfSi supieran que pueden haber cometido un error y fueran capaces de enmendarlo? Una de las ramas m\u00e1s interesantes que se est\u00e1n desarrollando actualmente en aprendizaje autom\u00e1tico est\u00e1 destinada a este prop\u00f3sito: que las m\u00e1quinas puedan lidiar con la incertidumbre. Compa\u00f1\u00edas como Uber o Google ya trabajan en modificar los marcos tradicionales de aprendizaje profundo \u2014m\u00e1s conocido por su denominaci\u00f3n inglesa,\u00a0deep learning<\/em>\u2014 para construir programas de inteligencia artificial que midan su confianza en una decisi\u00f3n para saber cu\u00e1ndo deber\u00edan dudar de s\u00ed mismos y sean menos propensos a fallar.<\/p>\n\u201cSi un autom\u00f3vil que se conduce solo no sabe que es capaz de equivocarse, puede cometer un error fatal, y eso puede ser catastr\u00f3fico\u201d,\u00a0afirmaba durante un congreso en California Dustin Tran<\/a>, que trabaja en el desarrollo de este tipo de sistemas en Google. Normalmente, el veh\u00edculo reconoce objetos en las im\u00e1genes que captura por sus c\u00e1maras y estima la distancia a la que se encuentran. Con esta nueva aproximaci\u00f3n, calcular\u00eda la probabilidad de que sus estimaciones fueran correctas y la de cada una de las posibles consecuencias de sus decisiones, y lo tendr\u00eda en cuenta antes de actuar.<\/p>\n <\/p>\n
<\/p>\n<\/a><\/p>\n\n\n![\"\"](\"https:\/\/media2.giphy.com\/media\/STSPvngT30O9W\/giphy.gif\")
<\/p>\n
<\/p>\n
\n<\/div>\n<\/div>\n<\/section>\n
En este sentido, la aplicaci\u00f3n de dichas mec\u00e1nicas tambi\u00e9n es relevante en \u00e1mbitos como la salud, donde los algoritmos podr\u00edan determinar la posibilidad de acierto en el diagn\u00f3stico de un paciente y sus potenciales respuestas al aplicarle un determinado tratamiento.<\/p>\n
Para alcanzar este ideal, que se enmarca como la pr\u00f3xima frontera de la inteligencia artificial \u2014m\u00e1quinas capaces de realizar labores complejas teniendo en cuenta par\u00e1metros de incertidumbre a la hora de establecer sus predicciones\u2014 es necesaria la combinaci\u00f3n de modelos de aprendizaje profundo con sistemas probabil\u00edsticos.<\/p>\n
<\/p>\n
\n- La uni\u00f3n hace la fuerza<\/li>\n<\/ul>\n
\u201cEl aprendizaje profundo es un tipo de\u00a0machine learning<\/em>\u00a0que utiliza redes neuronales. Adem\u00e1s de aplicarse en el campo de la investigaci\u00f3n, lo emplean Google, Facebook, Microsoft, Amazon, Netflix, Spotify y Uber para describir con lenguaje natural el contenido de una imagen o para el reconocimiento de voz\u201d, ilustra Francisco Rodr\u00edguez Ruiz,\u00a0investigador en las universidades de Columbia y Cambridge con experiencia en estos sistemas<\/a>. \u201cSu principal ventaja es que permite modelar relaciones complejas entre entradas y salidas (inputs<\/em>\u00a0y\u00a0outputs<\/em>)\u201d.<\/p>\n <\/p>\n
<\/div>\n<\/p>\n
<\/p>\n
Avanzamos sin darnos cuenta hacia una sociedad en la que las m\u00e1quinas tomar\u00e1n decisiones cada vez m\u00e1s complicadas. De su presencia en tareas altamente automatizables hasta su introducci\u00f3n en las llamadas compa\u00f1\u00edas\u00a0data driven<\/em>\u00a0\u2014gobernadas por datos informatizados\u2014,\u00a0el potencial de los algoritmos para sustituir el control humano es tan enorme que asusta<\/a>.<\/p>\n <\/p>\n <\/p>\n<\/div>\n<\/div>\n<\/section>\n Al margen de los miedos que despierta\u00a0la posibilidad de que sistemas de inteligencia artificial nos quiten el trabajo<\/a>\u00a0\u2014y si permitimos sus virtudes en la medida en que nos simplifiquen la vida\u2014, es vital que, al menos, respondan correctamente y de forma eficiente si les vamos a dejar tomar cierto tipo de decisiones. Porque las m\u00e1quinas tambi\u00e9n son susceptibles de equivocarse.<\/p>\n Quienes dise\u00f1an sus algoritmos parten de suposiciones basadas en sus propios datos sobre c\u00f3mo deber\u00edan hacerlos funcionar, y estas suposiciones no son siempre acertadas. \u201cComo hemos aprendido de los grandes bancos durante el colapso financiero, los modelos matem\u00e1ticos basados en suposiciones equivocadas \u200apueden ser peligrosos cuando depositamos demasiada confianza en sus predicciones sin considerar lo que podr\u00eda ir mal\u201d,\u00a0afirma Jennifer Wortman<\/a>, investigadora senior en Microsoft especializada en aprendizaje autom\u00e1tico y econom\u00eda algor\u00edtmica.<\/p>\n <\/p>\n Pero, \u00bfqu\u00e9 pasar\u00eda si estos sistemas fueran conscientes de ello? \u00bfSi supieran que pueden haber cometido un error y fueran capaces de enmendarlo? Una de las ramas m\u00e1s interesantes que se est\u00e1n desarrollando actualmente en aprendizaje autom\u00e1tico est\u00e1 destinada a este prop\u00f3sito: que las m\u00e1quinas puedan lidiar con la incertidumbre. Compa\u00f1\u00edas como Uber o Google ya trabajan en modificar los marcos tradicionales de aprendizaje profundo \u2014m\u00e1s conocido por su denominaci\u00f3n inglesa,\u00a0deep learning<\/em>\u2014 para construir programas de inteligencia artificial que midan su confianza en una decisi\u00f3n para saber cu\u00e1ndo deber\u00edan dudar de s\u00ed mismos y sean menos propensos a fallar.<\/p>\n \u201cSi un autom\u00f3vil que se conduce solo no sabe que es capaz de equivocarse, puede cometer un error fatal, y eso puede ser catastr\u00f3fico\u201d,\u00a0afirmaba durante un congreso en California Dustin Tran<\/a>, que trabaja en el desarrollo de este tipo de sistemas en Google. Normalmente, el veh\u00edculo reconoce objetos en las im\u00e1genes que captura por sus c\u00e1maras y estima la distancia a la que se encuentran. Con esta nueva aproximaci\u00f3n, calcular\u00eda la probabilidad de que sus estimaciones fueran correctas y la de cada una de las posibles consecuencias de sus decisiones, y lo tendr\u00eda en cuenta antes de actuar.<\/p>\n <\/p>\n <\/p>\n <\/p>\n \n<\/div>\n<\/div>\n<\/section>\n En este sentido, la aplicaci\u00f3n de dichas mec\u00e1nicas tambi\u00e9n es relevante en \u00e1mbitos como la salud, donde los algoritmos podr\u00edan determinar la posibilidad de acierto en el diagn\u00f3stico de un paciente y sus potenciales respuestas al aplicarle un determinado tratamiento.<\/p>\n Para alcanzar este ideal, que se enmarca como la pr\u00f3xima frontera de la inteligencia artificial \u2014m\u00e1quinas capaces de realizar labores complejas teniendo en cuenta par\u00e1metros de incertidumbre a la hora de establecer sus predicciones\u2014 es necesaria la combinaci\u00f3n de modelos de aprendizaje profundo con sistemas probabil\u00edsticos.<\/p>\n <\/p>\n \u201cEl aprendizaje profundo es un tipo de\u00a0machine learning<\/em>\u00a0que utiliza redes neuronales. Adem\u00e1s de aplicarse en el campo de la investigaci\u00f3n, lo emplean Google, Facebook, Microsoft, Amazon, Netflix, Spotify y Uber para describir con lenguaje natural el contenido de una imagen o para el reconocimiento de voz\u201d, ilustra Francisco Rodr\u00edguez Ruiz,\u00a0investigador en las universidades de Columbia y Cambridge con experiencia en estos sistemas<\/a>. \u201cSu principal ventaja es que permite modelar relaciones complejas entre entradas y salidas (inputs<\/em>\u00a0y\u00a0outputs<\/em>)\u201d.<\/p>\n <\/p>\n<\/p>\n\n
<\/figure>\n<\/div>\n<\/p>\n\n
![\"\"](\"https:\/\/media2.giphy.com\/media\/3ohs7Xldjh7DndQnBu\/giphy.gif\")
<\/p>\n<\/div>\n<\/div>\n<\/section>\n