Si bien las dimensiones prácticas aún son difusas, existen distintos métodos para comprender su funcionamiento.

En este artículo nos centraremos en 4 opciones para que los niños puedan entender, aprender e interactuar con machine learning por medio de juegos y diversas herramientas pedagógicas que ayudarían a los más pequeños a entender su funcionamiento y familiarizarse con estas tecnologías de una manera más sencilla.

Inteligencia Artificial para niños en juegos

1.- Moral Machine

Esta herramienta respaldada por el Massachusetts Institute of Technology (MIT) ayuda a las personas a presentar dilemas éticos y morales. El experto en psicología llamado Jean-François Bonnefon, presenta un novedoso experimento en el que investigó las percepciones de las personas sobre lo que los autos deberían hacer en situaciones en las que no es posible salvar a todos. ¿Es preferible sacrificar a los pasajeros en lugar de a los peatones? ¿Deberían priorizarse los niños sobre los adultos en caso de un accidente? ¿Sería ético matar a una persona para salvar a muchas otras? Bonnefon y sus colegas, Iyad Rahwan y Azim Shariff, crearon el experimento de psicología moral más grande de la historia: “Moral Machine”, el sitio web interactivo que ha permitido que millones de personas de 233 países y territorios tomen decisiones dentro de escenarios detallados de accidentes.

LINK: https://www.moralmachine.net/

2.- Learn to Machine Learn (LearnML) 

El programa llamado “Aprender a Aprender” (AprenderML) ha sido lanzado para el campo de la educación con el objetivo de crear una solución innovadora para enseñar habilidades cruciales del siglo XXI. El proyecto, tras tres años, busca enseñar habilidades como alfabetización digital, pensamiento computacional, inteligencia artificial y aprendizaje automático a los niños y adolescentes. Todo ello, con el fin de producir ciudadanos responsables y pensadores perspicaces capaces de navegar por el espacio digital complejo que representa el futuro y contribuir efectivamente a su diseño.

LINK: https://learnml.eu

3.- Machine Learning for Kids

Se trata de una herramienta que proporciona una introducción práctica al aprendizaje automático, permitiendo a los usuarios entrenar sistemas y construir cosas con ellos. Este entorno de aprendizaje guiado y sencillo, capacita a los infantes para entrenar modelos de aprendizaje automático que puedan identificar texto, números o imágenes. Esta herramienta se suma a los esfuerzos existentes para introducir la programación para los niños y se integra en Scratch, una plataforma educativa mundialmente utilizada. Los niños pueden crear proyectos y juegos utilizando los modelos de aprendizaje automático que ellos mismos han entrenado.

LINK: https://machinelearningforkids.co.uk/

4.- Keiwan

Este experimento utiliza una red neuronal y un algoritmo genético que puede permitir que sus criaturas “aprendan” y mejoren las tareas asignadas por ellas mismas.

Estas tareas incluyen correr, saltar, trepar y volar, y su comportamiento mejora con la repetición de generaciones con esas mismas tareas. 

Se trata de un simulador de espacio aislado que demuestra el aprendizaje automático básico. No hay logros ni recompensas para los jugadores, es un ejercicio lúdico que ayuda a comprender cómo las inteligencias artificiales aprenden y perfeccionan las tareas requeridas.

LINK: https://keiwan.itch.io/evolution

Esperamos que estas herramientas lúdicas te ayuden a explicarle a tus pequeños el funcionamiento de la inteligencia artificial. Si conoces algún otro, déjanos saber en los comentarios.

Si te interesa este tema en específico recuerda que puedes estudiar la carrera en Ciencia de datos.

La entrada Conoce estos juegos para que tus hijos aprendan de Inteligencia Artificial se publicó primero en IEXE Universidad.

Han sido muchos los intentos y enfoques empleados para lograr tal fin. Uno de los más notables —por la historia que hay detrás y los autores implicados— corresponde a los autómatas. Sus primeros registros datan de los siglos XII y XIII, cuando el inventor árabe  describió una de sus creaciones, la orquesta de Al-Jazari (1). Está máquina creaba música y movía a unos músicos de metal para amenizar eventos a partir de una corriente de agua. Algunos autores consideran a este autómata como la primera máquina reprogramable de la historia.

Fue tanta la fascinación con los autómatas que, en el desarrollo de este tipo de artefactos, formaron parte grandes genios de la historia como Leonardo da Vinci. Si bien, estas increíbles piezas parecían tener movimientos autónomos y plenamente intencionales, la realidad distaba mucho de ello. Realmente, sus creadores eran responsables de planear, crear, modificar y reprogramar estas acciones, delegando a la máquina la única tarea de ejecutar esas instrucciones por medio de movimientos.

Casi seiscientos años después en el siglo XIX, Ada Lovelace, conocida como la primera mujer programadora de la historia, añadió notas explicativas para la máquina analítica del matemático Charles Babbage. Así, diseñó el primer algoritmo destinado a ser procesado por una máquina. Esta sinergia forma parte del antecedente de la primera computadora moderna, pues creó un punto de inflexión en la historia en el que, por fin, fue posible vislumbrar un objeto que pudiera servir a más de un fin; con ello se abría la posibilidad, al menos en apariencia, de contar con un artefacto inteligente.

Como podrás ver, en seiscientos años pasamos de los autómatas —elementos puramente mecánicos con un uso específico definido— a una computadora electromecánica de uso general con la posibilidad de reprogramarse con relativa facilidad. En los siguientes doscientos años, esta tecnología mejoró, llegando a hitos como el alcanzado en 1952 cuando se construyó y se programó por primera vez un ratón mecánico capaz de resolver un laberinto por sí solo (2). Lo mismo ocurrió en 1979 cuando, en la universidad de Stanford, se diseñó un vehículo capaz de moverse autónomamente y de pilotear entre diferentes obstáculos (3). Ambos hechos podrían considerarse fundamentales en el desarrollo de la inteligencia artificial.

La era de la inteligencia artificial ha llegado

Gracias a los avances en sistemas computacionales y la disponibilidad cada vez más grande de datos, una nueva disciplina de las ciencias computacionales nació: la inteligencia artificial, usualmente referida como IA o AI por sus siglas en inglés.

¿A qué nos referimos con inteligencia artificial? De acuerdo con el Diccionario de la lengua española de la RAE, esta alude a una disciplina científica encargada de crear programas informáticos que realizan operaciones similares a las de la mente humana. A pesar de que esta es una definición acertada, la terminología no expresa todos los matices de esta área. Por ejemplo, pasa por alto la temporalidad de cuando este término es usado y expresado: hace algunos años, el reconocimiento óptico de caracteres (OCR) se percibía como una aplicación del campo de la inteligencia artificial; sin embargo hoy, debido a los avances de la tecnología, esta acción se percibe como una tecnología común, dejando de lado la parte “inteligente” de ella.

Aunque es cierto que la inteligencia artificial pretende igualar e, incluso, superar la inteligencia humana, la realidad dista de ello y nos acerca a una “inteligencia especialista” más que a una “inteligencia generalista” como la inteligencia humana. El machine learning o aprendizaje automático es un subapartado de la inteligencia artificial que, mediante distintos algoritmos, busca desarrollar sistemas que aprendan o mejoren su rendimiento en función de los datos consumidos o actividades realizadas.

Si regresamos a la premisa expresada anteriormente (inteligencia especialista vs. inteligencia generalista), podemos encontrar, por ejemplo, que sistemas computacionales apoyados por el aprendizaje automático han excedido, en muchos casos, a las capacidades de un médico para detectar diferentes tipos de cáncer. Esto se menciona en el artículo How AI is improving cancer diagnostics (4), de la prestigiosa revista Nature. A diferencia de un médico que tiene una formación integral y generalista, un algoritmo computacional puede especializarse en un solo rubro; en este caso, el diagnóstico de cáncer por medio de imágenes de estudio (radiografías, tomografías, ecografías, etc.).

Para facilitar la comprensión, podemos decir que el machine learning es un buscador muy especializado de patrones que —por medio de métodos matemáticos, estadísticos e informáticos— clasifica o predice elementos futuros dado un conjunto de datos. Entre más datos se tenga para ingerir y procesar, su capacidad de entregar un resultado correcto mejorará cada vez más, en este sentido el algoritmo está aprendiendo.

Existen dos principales enfoques de aprendizaje automático, el aprendizaje automático supervisado y el aprendizaje automático no supervisado. En el primero, un científico de datos actuará como un maestro y supervisor que mostrará al algoritmo las conclusiones que debe obtener. Para ello, el especialista en ciencia de datos deberá hacer un análisis de la información con la que se cuenta, determinará y creará un conjunto de datos correctamente etiquetado y con un resultado esperado el cual dará al sistema y, por medio de algoritmos definidos, aprenderá a predecir el resultado cada vez que se le proporcionen nuevos datos.

En el segundo enfoque: el aprendizaje automático no supervisado, se busca que el ordenador aprenda a identificar patrones y procesos complejos sin la intervención constante de un ser humano. En este caso, el conjunto de datos entregado no se etiqueta ni tiene un resultado esperado. Con ello, se pretende que la computadora o el programa informático haga las inferencias y encuentre las relaciones entre los datos.

Podemos decir que el aprendizaje automático supervisado se enfoca en tareas específicas como la detección de cáncer, mientras que el aprendizaje automático no supervisado se centra en las relaciones que hay entre los datos, como encontrar patrones entre grupos de personas y así, por ejemplo, recomendar un producto en una tienda virtual. Será entonces responsabilidad del científico de datos determinar el tipo de aprendizaje automático a utilizar en función de las necesidades y los datos disponibles para la tarea asignada.

La empresa Oracle establece algunos campos en los que más ha florecido el aprendizaje automático. Dentro de ellos, destacan los siguientes:

• Determinar el valor de vida de un cliente para una empresa.
• Detectar anomalías.
• Fijar precios dinámicos.
• Realizar un mantenimiento predictivo en sistemas o maquinarias.
• Hacer motores de recomendación para tiendas virtuales.

Podemos indicar que el aprendizaje automático es un sistema computacional capaz de reconocer patrones para realizar predicciones. Las empresas más conocidas que usan esta tecnología con el objetivo de facilitar la vida de sus clientes son Netflix, Spotify, Amazon y Gmail. ¿Has notado que, repentinamente, te aparecen sugerencias de videos, canciones, artículos o dejan de llegar correos no deseados? Esto es resultado del machine learning.

Las aplicaciones del aprendizaje automático y la inteligencia artificial son prácticamente ilimitadas; serán los especialistas en tecnologías de información o científicos de datos los encargados de encontrar el valor de estos algoritmos dentro de la organización y ¿por qué no? aplicarlos para la mejora en la calidad de vida del ser humano.

La entrada Una breve historia del machine learning: la tecnología que está cambiando nuestras vidas se publicó primero en IEXE Universidad.