Se dice que los robots están listos para desplazar a millones de humanos en diversas industrias. Pero en realidad, no es tan radical su participación en el acontecer diario.
En el futuro se espera que los robots liberen a las personas de tareas monótonas para realizar otras más complejas. Pero al igual que la revolución industrial desplazó a innumerables humanos que realizaban trabajos manuales, la revolución robótica no sucederá con esa determinación a nivel global. Aunque es un hecho que habrá muchas personas que se quedarán en el camino; se sabe que múltiples trabajos se automatizarán o desaparecerán por completo.
Más de 120 millones de trabajadores en todo el mundo necesitarán una nueva capacitación sólo en los próximos años debido al desplazamiento causado por la inteligencia artificial y los robots, según un estudio reciente del Instituto de Valores Empresariales de IBM, no todos obtendrán esa capacitación, por supuesto, pero los que lo hagan serán más adeptos a conseguir nuevos tipos de trabajos que se derivan de la robótica.
En cuanto a la posibilidad de planificar
Una capacidad deseable que pueden hacer los robots es responder a comandos orientados a objetivos mediante la construcción autónoma de planificación de tareas. Sin embargo, dicha autonomía puede agregar una carga cognitiva significativa y potencialmente, introducir riesgos de seguridad para los humanos cuando, por ejemplo, se comporten de manera inesperada. Por lo tanto, para que la planificación sea útil, un requisito importante es que los robots sinteticen tareas que los humanos puedan entender fácilmente.
Si bien existe un trabajo previo de estudio a los robots “socialmente aceptables” que interactúan con los humanos de manera “natural”, y se investigó la planificación legible del movimiento, no existe una solución general para la planificación de tareas de alto nivel. Para abordar este problema, se presentaron nociones de explicabilidad y previsibilidad.
Para calcular estas medidas, primero, se hace que los robots asocien tareas abstractas con acciones reales, que pueden considerarse como un proceso completo. Se aprende el esquema del proceso de los humanos para que los robots puedan planificar a partir de ejemplos de entrenamiento utilizando Campos Aleatorios Condicionales (Conditional Random Fields CRF). Luego, se utiliza el modelo aprendido para etiquetar un nuevo plan para calcular su explicabilidad y previsibilidad. Los robots pueden utilizar estas medidas para elegir de manera proactiva o sintetizar directamente planes que sean más explicables y predecibles para los humanos.
¿Cómo aprenden los robots?
La idea básica de la resolución de problemas de inteligencia artificial (IA) es simple, pero su implementación no es tan fácil. El robot recopila información sobre una situación a través de sensores. La computadora compara esta información con los datos almacenados y decide qué sugiere la información. La computadora ejecuta varias acciones posibles y predice qué acción será más exitosa en función de la información recopilada.
Un robot verdaderamente funcional debe tener la capacidad de aprender por sí solo de las interacciones con el entorno físico y social. Y no depender de la programación humana todo el tiempo, sino ser auto-entrenable.
Los robots modernos tienen la capacidad de aprender a una capacidad limitada. Aprenden a reconocer que cierta acción logró un resultado anticipado. El robot almacena esta información e intenta hacer la acción exitosa la próxima vez que se enfrenta a la misma situación.
El entrenamiento de IA utiliza el aprendizaje de refuerzo, como el que se usa en el comportamiento animal. Con este enfoque, un robot puede resolver cómo navegar por un laberinto por prueba y error y luego asociar el resultado positivo con las actividades que lo condujeron. La combinación de métodos de prueba y error con grandes redes neuronales ofrece la potencia necesaria para que funcione en problemas complejos.
Las redes neuronales han hecho un gran progreso, ya que los robots ahora pueden reconocer imágenes y voces comparables a los humanos, y pueden entender el lenguaje natural con precisión. Es difícil automatizar las tareas cotidianas, pero las Redes Adversarias Generativas (GAN) están haciendo posibles estas tareas.
Si un animal quiere atrapar a su presa, intentará una maniobra. Mientras acomete a su presa sin lograrlo, explora lo que hizo mal. Luego considera lo que podría haber hecho para vencer a su presa. El animal repetiría esto una y otra vez hasta que atrapara a su presa. Este concepto puede incorporarse a la IA.
Los investigadores de IA y los científicos cognitivos tienen una definición tangible de transferencia de aprendizaje. Es el proceso que permite que un sistema de IA utilice el conocimiento adquirido en una determinada tarea para realizar otra tarea, mientras comparte una estructura común.
La ciencia cognitiva tiene una noción de transferencia cercana y lejana, dependiendo de cómo las dos tareas parecen diferir. Pero desde una perspectiva más intangible, como un entorno ruidoso y complejo, todo aprendizaje es una forma de aprendizaje de transferencia, y la diferencia entre una transferencia muy cercana y lejana es sólo una cuestión de información compartida, una cuestión de escala, no de naturaleza.
En el futuro, los humanos podrían integrarse con los robots y compartir conocimiento a toda hora.
¿Cómo actúan los robots por sí solos?
Para los robots de auto programación en el mundo industrial, una vez que se configuran sus sensores de visión, su precisión nunca disminuye por debajo de lo que han sido calibrados mientras reciban mantenimiento periódico, que no es más que el mantenimiento limitado que requieren la mayoría de los robots industriales.
Los sensores actuales pueden superar los desafíos de iluminación y lo que reflejan los objetos, y el robot puede operar a una velocidad de línea alta y con varias partes colocadas en cualquier orientación. Los robots de auto programación utilizan la heurística (conjunto de técnicas o métodos para resolver un problema) para determinar la cantidad de recubrimiento que rocían y el volumen de cobertura que produce. El objetivo es lograr el acabado más consistente posible con la menor cantidad de polvo desperdiciado.
Más allá de las aplicaciones basadas en rociado, no hay límites para lo que pueden hacer los robots de auto programación. Hay mucho por hacer todavía, pero el futuro es promisorio.
En cuanto al costo, los sensores, las plantillas y otros componentes deben ser rentables y los fabricantes deben poder implementar rápidamente estos sistemas robóticos para recuperar la inversión.
Todo lo que es nuevo para el robot en cuanto a procesos, significa que es necesario diseñar una solución diferente. Aun así, los principios de un robot de auto programación permanecen.
¿Los robots pueden sentir emociones?
No, no pueden sentir emociones, al menos por ahora. Estamos lejos de crear un robot humanoide que incluso pueda imitar al 100% la forma de andar de un humano.
Si actualmente todavía no se logra eso, ¿cómo podemos esperar que un robot sienta emociones?
Se puede pretender que se va a tener una conversación emocional con un robot, pero seguirá siendo un algoritmo. Sólo será un reconocimiento de patrones del movimiento del rostro o el tono de voz y al final del día, se trata de poder clasificar las acciones y reacciones.
Los humanos pensamos de forma no lineal. Las computadoras, en la actualidad, no son buenas para pensar de forma no lineal: hacen un pensamiento paralelo, llenando huecos con heurística. Un obstáculo que ha impedido que las computadoras evolucionen para pensar de manera no lineal es la enorme cantidad de energía necesaria para facilitar eso.
Las computadoras reducen todo a un patrón que puede ser reconocido a través de un algoritmo. Sin embargo, los humanos no hacen eso, ya que nuestra compleja composición difiere enormemente de la de los robots
En ciertos aspectos, las máquinas pueden actuar de manera pro-activa, aunque al final del día, es sólo otro algoritmo. La aparente pro-actividad es algo que se puede lograr aprovechando las redes neuronales.
Lo bueno es que eventualmente, con el creciente poder computacional y el avance de la Computación Cuántica, la diferencia entre el comportamiento humano y el de la máquina disminuirá.
