Herramientas de IA en renovables y sustentabilidad

Estamos en un momento álgido para la población en México, estamos a menos de una semana de participar en las elecciones de nuestras autoridades nacionales, estatales y municipales en la mayoría de las poblaciones. Para quien lee que no esté familiarizado con México, no todos los estados y municipio eligen a sus autoridades en sincronía con las autoridades federales. En estas elecciones la población mexicana está de acuerdo en combatir la inseguridad que estamos sufriendo y en disminuir la desigualdad lacerante, ya que casi la mitad de la población está por debajo de la línea de pobreza.

Como un tercer tema pudiera mencionarse el cambio climático, pero este punto parece lejano y sin posibilidades de actuación en el corto plazo desde nuestros entornos locales. Aunque en esta opiniones hemos mencionado muchas veces acciones que van encaminadas a mitigar y combatir el cambio climático.

Imagen generada con inteligencia artificial mediante la frase "abstract image of artificial intelligence designing a new material for sustainable energy" en leonardo.ai

Por otro lado, el año pasado sorpresivamente el concepto de inteligencia artificial percoló rápidamente la población con acceso a la digitalización y uso cotidiano de la Internet. Hasta parecía que el arribo de esta inteligencia artificial fuera una cosa de magia que de repente emergía de la nada; pero podemos afirmar que surge de una amplia tradición científica que basa sus predicciones en datos y actualmente de muchos datos.

En particular el uso de herramientas de inteligencia artificial han sido utilizadas desde hace muchos años para optimizar, hacer eficiente, adecuar metodologías o procesos relacionados con fuentes renovables de energías. En el IER, parte del personal  académico, hemos realizado estudios y aplicaciones con estos fines.

Con la idea de encontrar en qué se están usando las herramientas de inteligencia artificial en tópicos de energías renovables y sustentabilidad, busqué en los arxiv.org y rápidamente encontré cinco artículos publicados este mes.

Considero importante describirlos brevemente para que conozcamos algunas formas en las que la comunidad científica está preocupada por ofrecer alternativas a la problemática que el cambio climático nos presenta.

Parte de las estrategias para sobrepasar la variabilidad de las fuentes renovables de energía consiste en poderlas predecir con modelos en las diferentes regiones del mundo. Es decir, usar los modelos climáticos globales y regionales para medir patrones futuros de variables climáticas, incluida la radiación solar. En este contexto la predicción de la radiación solar anticipa la producción fotovoltaica (PV), especialmente a medida que la industria fotovoltaica visualiza que la vida útil de las plantas a 50 años. Con estas intenciones podemos encontrar artículos que utilizan modelos de aprendizaje profundo. Sin embargo, estas metodologías tienen la desventaja que requieren una gran cantidad de datos de alta calidad. En mi búsqueda encontré a SolNet, un novedoso pronosticador de energía solar que considera múltiples variables, de uso general, que aborda estos desafíos mediante el uso de un proceso de pronóstico de dos pasos que incorpora el aprendizaje por transferencia a partir de abundantes datos sintéticos generados a partir del Sistema de Información Geográfica Fotovoltaica (PVGIS) de la Unión Europea en conjunto con datos de producción energética reales de cientos de sitios en los Países Bajos, Australia y Bélgica. Este trabajo muestra que SolNet mejora el rendimiento de la previsión en entornos con escasez de datos, así como en modelos de referencia. Con una finalidad similar, fue propuesto un método que se centra en el uso funciones matemáticas que se adaptan para construir superficies finas (thin plate splines, TPS) e interpolar los datos con granularidad de 20 km2 en una dimensión de 8 Km2 y así reducir la escala espacial de los datos. Esta técnica utiliza una función suave que pasa exactamente por un conjunto de puntos dados en el espacio y es construida a pedazos. El nombre proviene de la analogía con una placa metálica delgada que se dobla para ajustarse a los puntos dados, minimizando la energía de flexión. Esta metodología es suficiente para inferir la variabilidad diaria en momentos en que el sol está en el cenit mostrando que métodos más complicados no son necesarios. 

Por otro lado, las compañías de electricidad y más las que están encargadas de la transmisión y distribución requieren de un mapeo preciso de las instalaciones fotovoltaicas y con ello hacer las adecuaciones necesarias en sus equipos para un eficiente transporte de la energía. Para satisfacer esta necesidad, se ha desarrollado una metodología llamada S3Former para segmentar paneles solares a partir de imágenes aéreas y proporcionar información de tamaño y ubicación. La identificación de paneles solares es un desafío debido a factores como las diferentes condiciones climáticas, las características del techo, las variaciones en la distancia de muestreo del suelo y la falta de pesos de inicialización adecuados para un entrenamiento optimizado. Para abordar estas complejidades, S3Former presenta un transformador de máscara que incorpora una columna vertebral de aprendizaje autosupervisado previamente entrenado. Específicamente, el modelo aprovecha características de bajo y alto nivel extraídas de la red troncal e incorpora un mecanismo de consulta de instancia incorporado en la arquitectura Transformer para mejorar la localización de instalaciones solares fotovoltaicas. 

Como hemos observado la creciente demanda de energía eléctrica sigue los aumentos de temperatura, pero también en el futuro cercano seguirá al aumento en el uso de vehículos eléctricos (EV). Sin embargo, esta gran cantidad de energía necesaria, que se almacena en las baterías de los vehículos eléctricos, no siempre se utiliza. Existen diferentes propuestas para que los vehículos eléctricos estén equipados con sistemas bidireccionales que pueden cargar o descargar energía según las necesidades de la población usuaria o de la red. Tanto los vehículos eléctricos como las propias baterías pueden considerarse como dispositivos de almacenamiento móvil pueden agregar resiliencia y beneficios de equilibrio entre oferta y demanda a cargas específicas, en muchos casos como parte de una microrred. Es decir, los vehículos y las baterías son elementos de lo que llamamos recursos energéticos distribuidos que requieren de una adecuada gestión. La implementación de estas ideas requiere del uso de las nuevas técnicas de inteligencia artificial que potencialmente serán el núcleo de gestión de dichos sistemas. Las técnicas de aprendizaje automático pueden modelar el entorno de la red energética de una manera tan flexible que es posible una optimización constante.

Con la misma idea de los sistemas distribuidos y su relación con la red eléctrica podemos contar con los retos que imponen las comunidades energéticos o sistemas distribuidos y descentralizados. El concepto de prosumidor, una persona que consume y genera energía en un mismo lugar, implica el desarrollo de estrategias de gestión energética donde las herramientas de inteligencia artificial son de utilidad. Las comunidades energéticas requieren de plataformas avanzadas que permitan participar activamente en los mercados eléctricos locales tanto fijando y ajustando sus propios precios de energía como actuando para estabilizar la red. Con estas intenciones encontramos otro artículo que aborda los servicios de estacionamiento compartido para vehículos eléctricos y los mecanismos de programación de energía, que facilita la transferencia y comunicación de energía entre diferentes comunidades energéticas. Se centra optimizar tanto los retornos económicos como los beneficios sociales para quien participa en el consumo y generación. Este tipo de sistemas requiere garantizar que todas las transacciones de energía sean transparentes y beneficiosas para la comunidad prosumidora. 

Con estos sencillos ejemplos de artículos que usan las herramientas de inteligencia artificial en el uso, aprovechamiento  de sistemas energéticos distribuidos y en la determinación de los lugares adecuados o de las entregas de energía en el futuro con granularidad pequeña se potencia la posibilidad de contar con energía renovable y asequible para toda la población.

Nuevamente, las desigualdades pueden ser incrementadas, dada las diferentes oportunidades para la población. El uso de software abierto disminuye este conflicto, por ello debemos dar mayor difusión tanto a las posibilidades de los sistemas de energía distribuida y descentralizada como a las herramientas de inteligencia artificial disponible. Enfatizo, estos ejemplos se publicaron en solo el mes de mayo del 2024 en una búsqueda sencilla, en un solo sitio, el conocimiento en el tema es mucho más amplio, pero no es conocido y mucho menos apropiado por la población. Las personas con acceso y posible entendimiento tenemos el compromiso de divulgarlo.

Una versión resumida de este artículo fue publicada el día 29 de mayo en el periódico La Unión de Morelos.

Inteligencia artificial y soluciones sustentables.

Estamos siendo testigos de la inclusión de la inteligencia artificial para resolver problemas en muchas y diversas actividades humanas. Uno de los más grandes desafíos que tenemos en la actualidad es la construcción de un futuro con bienestar social. Para conseguir este futuro se pueden plantear diversas estrategias, pero una de las que considero más adecuadas es la concepción de un futuro sustentable.

Hace unas semanas llamó mi atención un artículo de perspectivas aparecido hace un año en la revista Nature que aborda el papel de la inteligencia artificial, en particular del aprendizaje automático (machine learning, ML), en la construcción de un futuro de energía sustentable.

Claramente, dentro de los retos sociotécnicos que tenemos, la transición del uso de combustibles fósiles a las fuentes de energía renovables es uno de los desafíos globales más urgentes. Esta transición exige avances sociotecnológicos para la generación, almacenamiento, conversión y gestión eficiente y sustentable de la energía que proviene de las renovables, es decir, para todo el ámbito energético inclusive los aspectos sociales en cada una de estas fases.

Recordemos que la quema de combustibles fósiles cubre aproximadamente el 80 % de las necesidades energéticas del mundo y es la mayor fuente de emisiones de gases de efecto invernadero y, por ende causa directa del cambio climático. También hemos mencionado que el uso de fuentes de energía renovables, en particular la energía solar y eólica, es una estrategia económicamente viable para combatir este cambio climático y adaptarnos a una forma de vida diferente a la actual.

En esta ocasión quiero resaltar que la comunidad científica ha comenzado a incorporar técnicas de aprendizaje automático para acelerar estos avances. En el artículo se detallan algunos indicadores para monitorizar el avance en las nuevas tecnologías con el uso del ML y con ello conocer la aceleración que puede tener la transición energética.

Imagen generada con inteligencia artificial con la frase "abstract image of artificial intelligence designing a new material for sustainable energy" en leonardo.ai

Estas técnicas han sido enfocadas al diseño y construcción de nuevos materiales, explorando de manera acelerada múltiples propiedades de los materiales. Por ejemplo la exploración de diseños de materiales compuestos por diferentes elementos o estructuras cristalinas o materiales de perovskitas en celdas solares buscando mayor eficiencia y estabilidad.

La inteligencia artificial se ha enfocado en analizar materiales con geometrías novedosas o para modelar materiales con estructura compleja que son requeridos en los diferentes procesos de almacenamiento o conversión de energía. El aprendizaje supervisado, se ha usado para analizar grandes cantidades de datos y proponer estructuras complejas con posibilidades de pronosticar las propiedades adecuadas de los materiales para aplicaciones energéticas. Una perspectiva prometedora del ML se relaciona con la automatización de los procesos de toma de decisiones asociados con los suministros de energía. Estos suministros de energía, aprovechan la flexibilidad en la demanda y las variaciones en la oferta de energía para con diferentes dinámicas distribuir la energía de manera más eficiente. Estos modelos de ML auguran una flexibilidad dinámica para responder en tiempo real a las variaciones inherentes de la oferta y la demanda. Así, con estas respuestas diversas podríamos tener sistemas energéticos adaptados a las diferentes características ambientales y sociales de cada entorno y por lo tanto mucho más sustentables.

Todo esto enfocado al desarrollo de la colección de energía, fotovoltaica o eólica, al almacenamiento de energía, baterías, la conversión (catálisis) y por supuesto la gestión de las mismas redes inteligentes. Así es como la inteligencia artificial nos puede ofrecer una amplía gama de tópicos de investigación y soluciones tecnológicas que, inclusive, puedan considerar los aspectos sociales.

La inteligencia artificial nos ofrece una gama amplia de soluciones. Sin embargo, para poder utilizarla necesitamos tener a nuestra disposición datos, que como he mencionado en México no abundan. Adicionalmente, necesitamos capacitación en esta área que requiere un profundo dominio de las matemáticas, aspecto que hemos descuidado en la formación básica.

Así que los retos pueden ser diferentes para nuestra población en comparación para otras poblaciones del mundo. Exijamos que los gobiernos, empresas y organizaciones sociales compartan la información para que sea un bien público y con ello podamos utilizar la inteligencia artificial en la construcción de un futuro sustentable.

Este artículo fue publicado el día 18 de Octubre

Nuevos empleos en inteligencia artificial

La semana pasada me sorprendió escuchar a una mujer diciendo que su empleo era: “prompt engineer”, algo así como ingeniera de indicaciones o ingeniera de instrucciones. Esta es una nueva profesión. La inteligencia artificial puede reemplazar a algunos trabajos de hoy, pero también está generando nuevos nichos de empleo. Efectivamente, el nuevo y novedoso empleo de ingeniería de indicaciones está relacionado con el uso de la inteligencia artificial generativa como ChatGPT, de OpenAI, o Bard, de Google. Es tan nueva esta profesión que tuve problemas para encontrar la traducción adecuada. Me parece que cualquiera de las dos anteriores puede ser comprendida.

Esta nueva ingeniería pretende diseñar y optimizar indicaciones (“prompts”) para los modelos generativos de inteligencia artificial (IA). Estas indicaciones deben ser pequeños textos que puedan guiar a la IA generativa para dar respuestas eficientes y adecuadas al contexto en el que se están solicitando. Es muy importante comprender que en el contexto netamente humano la comunicación usa no solo de las palabras, sino que el tono de lo que se habla y las expresiones corporales y los gestos aportan información útil para interpretar adecuada y eficientemente las indicaciones. Incluso debemos recordar que las instrucciones meramente escritas no siempre son suficientes y en la mayoría de los textos el uso, de al menos, unas figuras es muy valioso para poder cumplir eficientemente esas indicaciones. Por esta razón, el diseño de las indicaciones para los modelos de inteligencia artificial requiere una fina sintonización para que los modelos puedan asociar la siguiente palabra al significado que se le está otorgando a las palabras previas usadas en la indicación y con ello anticipar adecuadamente la respuesta a las indicaciones. Una indicación optimizada puede impactar significativamente en la calidad y relevancia de la respuesta generada por el modelo de IA que se esté usando.

Imagen generada con inteligencia artificial y la frase "Mexican prompt engineer woman working in a computer thinking in a nice future for the people" en leonardo.ai

Las habilidades y aptitudes que este tipo de nuevos empleos requieren van desde el conocimiento y entendimiento de lo que son los modelos de procesamiento de lenguaje natural y de la inteligencia artificial en general. Conocimiento sobre las formas para analizar datos y con ello evaluar y dar seguimiento a los resultados que da la IA a las diferentes indicaciones es otra de las aptitudes deseables. Por supuesto que un buen desarrollo de las aptitudes lingüísticas es uno de los aspectos más relevantes en la selección de este tipo de personas. Una orientación hacia encontrar los pequeños detalles y las ligeras modificaciones que pueden producir resultados diferentes es otra de las habilidades requeridas. Una persona creativa puede desempeñarse mejor en esta nueva profesión. Adicionalmente, se requiere compromisos éticos para evitar los sesgos que pueden aparecer en las respuestas de los modelos de IA y conocimiento para poder evitarlos.

El uso de la IA en muchas de nuestras actividades cotidianas es un hecho imparable e impostergable. Necesitamos prepararnos para desenvolvernos en estas condiciones donde interaccionamos con herramientas de IA y con personas simultáneamente, requiriendo una comunicación adecuada en estos dos ambientes.

Estas habilidades serán compartidas con las nuevas profesiones que irán apareciendo cada vez con mayor frecuencia. Por ejemplo en un artículo reciente de Margarita Rodríguez informa que algunas nuevas profesiones que posibilita la IA: la primera la ingeniería de indicaciones, después la investigación en IA que pretende identificar formas de uso de la IA con miras a superar sus limitaciones y sesgos. En este caso, otras de las habilidades necesarias es el pensamiento crítico para poder evaluar las diferentes opciones de uso o desarrollo de la IA. De las más obvias profesiones es ingeniería en procesamiento de lenguaje natural que se enfoca a desarrollar modelos lingüísticos y modelos de procesamiento de lenguaje. Ingeniería en robótica automatizada, no solo el diseño de robots, sino de generar algoritmos que automaticen las tareas que realizarán los robots. Otra de las nuevas ramas es la auditoría de algoritmos, personal que pueda revisar los algoritmos para que no reflejen los sesgos informativos actuales y que contengan elementos de seguridad para respetar la privacidad de las personas. Finalmente, se menciona a especialistas en ética y leyes con conocimiento de IA para definir las reglas e implantar mecanismos para cumplir con la ciberseguridad. 

Como se puede observar estas nuevas profesiones, aunque muchas de ellas se les llama ingenierías, requieren de conocimiento de diferentes disciplinas: de matemáticas, lingüística, computación, derecho, sociología, entre otras y son un indicativo del tipo de profesiones del futuro.

Este tipo de profesiones son las que se solicitarán cada vez con mayor frecuencia y pueden ser altamente remuneradas. Por supuesto, en las actuales condiciones de uso de dispositivos “inteligentes”, cada persona debe estar informada sobre estos tópicos para evitar considerase analfabeta digital. Los conocimientos y habilidades sobre la IA pueden aumentar significativamente las brechas y desigualdades que hoy observamos, es necesario alfabetizar tanto en la escritura, las matemáticas y las herramientas digitales. Así tenemos más tareas y debemos capacitarnos y desarrollar estas nuevas habilidades.

Este artículo fue publicado el día 13 de Septiembre en el periódico la Unión de Morelos.

ChatGPT y los bienes digitales públicos

La Internet ha modificado nuestra forma de vivir en los últimos 30 años. En particular, Wikipedia, la enciclopedia libre, que ahora es una de las fuentes primarias de información, ha permitido que quienes tenemos acceso a la Internet, al mismo tiempo, tengamos a la mano información de calidad sobre infinidad de tópicos. Es interesante que tanto Wikipedia como otras fuentes de información libre en la Internet hayan sido la información que entrenó a los principales grandes modelos de lenguaje (LLM) que hoy son los ejemplos de inteligencia artificial (IA) con los que interaccionamos. Tanto ChatGPT como Bard son ejemplos de estas aplicaciones con las que cada vez interaccionamos más frecuentemente.

Hace unos días llamó mi atención un artículo en los axiv.org, un depósito de artículos científicos de acceso libre (que también se utilizó para entrenar a estos modelos de inteligencia artificial de texto a texto) que abordó la cuestión de sí los LLM amenazan a estas fuentes de información libre que pueden ser considerados como bienes públicos de información.

Para comprender a profundidad la pregunta, déjenme abundar el punto. Recordemos que en los inicios de Google, el buscador más usado en la Internet, cuando escribíamos unas palabras o hacíamos una pregunta nos ofrecía una serie de ligas donde posiblemente encontrábamos la información que buscábamos, es decir, teníamos que ir a consultar la información y decidir si era útil y confiable. Hoy en día al hacer la misma pregunta a algún buscador recibimos un breve texto con la posible respuesta y algunas ligas adicionales. Es decir, ya tienen instrumentada algunos algoritmos de IA que seleccionan la respuesta, facilitándonos el trabajo a costo de un posible sesgo. De manera similar, cuando hacemos la misma pregunta a un modelo LLM como ChatGPT o Bard ahora recibimos como respuesta un texto estructurado como si estuviéramos en una conversación y, por supuesto, que el texto tiene el sesgo de la información con la que ha sido entrenada la aplicación. Así el texto que nos entrega la aplicación de IA es el resultado de un filtraje, de alguna forma, de la información. Aquí debo enfatizar que en cambio las fuentes tradicionales (Wikipedia, por ejemplo) tienen reglas que pretenden evitar los filtros o sesgos mediante moderación de la comunidad en la información que proporcionan. Así, que al utilizar las aplicaciones de IA, estamos recibiendo información con sesgo que no ha sido moderada o valorada por alguna comunidad humana. Cuando escribo valoración me refiero en específico a otro tipo de depósitos de información, por ejemplo Stack Overflow (SO) que es uno de los principales sitios en la web donde se plantean preguntas y se interacciona con otras personas que dan respuestas en tópicos de programación computacional. Este sitio fue creado en 2008 por Jeff Atwood y Joel Spolsky. La comunidad que se ha conformado en SO es muy activa y ahí podemos encontrar preguntas y sus respuestas a una amplia gama de problemas computacionales desde muy básicos hasta complejos en el diseño e implementación de algoritmos. En este sitio, las diferentes respuestas son valoradas por la comunidad indicando el nivel de utilidad que se encuentra en la respuesta. De esta manera, la propia comunidad retroalimenta y modera las respuestas.

Imagen generada con inteligencia artificial con la frase "impressionist paint with an elephant and a wonderful unicorn" en https://labs.openai.com/

Es precisamente, este sitio de interacción entre personas que programan donde el artículo que les mencioné enfoca su estudio y con ello pretende responder a la sencilla pregunta: ¿los modelos de LLM pueden sustituir o rivalizar con los depósitos de información libres?, es decir ¿ChatGPT o Bard pueden sustituir a Wikipedia o a Stack Overflow?

Antes de comentar los hallazgos del artículo, quisiera compartirles lo que me respondieron estas dos plataformas a la pregunta: ¿ChatGPT (Bard) puede sustituir a Stack Overflow? Primero, quiero decir que ambas aplicaciones respondieron correctamente al preguntarles si sabían que era SO, segundo, con base en mi experiencia, las habilidades de ayuda para las personas que codifican en diferentes lenguajes de programación que tiene ChatGPT son muy buenas, en cambio, Bard todavía es elemental en este aspecto. Sus respuestas fueron: ChatGPT, “No, ChatGPT no puede sustituir completamente a Stack Overflow. Aunque ambos son recursos útiles para obtener información y respuestas, tienen propósitos y enfoques diferentes... Además, el sistema de votación y revisión de respuestas en Stack Overflow asegura que las respuestas más útiles y confiables sean destacadas.” Bard respondió: “No creo que Bard pueda reemplazar a Stack Overflow. Stack Overflow es una comunidad en línea de programadores que ayudan a otros programadores a resolver problemas... Bard no tiene la misma experiencia o conocimiento que los miembros de Stack Overflow. Además, Bard no es capaz de participar en la misma forma de diálogo y colaboración que los miembros de Stack Overflow.” Ambos modelos de lenguaje dan respuestas que apuntan hacia un mismo sentido, la interacción entre personas expertas es una de las características esenciales de SO; aunque la información con la que han sido entrenados les permite brindar información útil.

Al regresar a comentar los reveladores resultados del artículo, podemos destacar que al estudiar los cambios en la actividad de SO después de la aparición de ChatGPT se observa una disminución del 16 % en el número de preguntas y esta disminución es más grande para los lenguajes de programación más usados. Un aspecto interesante a resaltar del estudio es que observa que la distribución de las calificaciones de las respuestas es muy similar antes y después de la aparición de ChatGPT. Esta situación indica que SO sigue siendo un muy buen lugar para postear las preguntas y respuestas de calidad y que las preguntas sencillas o repetitivas son capturadas por ChatGPT. El artículo enfatiza que los valiosos bienes públicos digitales pueden ser subutilizados como resultado de la proliferación de la IA, disminuyendo su influencia. Desde mi perspectiva, lanza importantes retos para las comunidades: cómo podemos incentivar la creación de dichos bienes moderados y valorados por las propias comunidades en aras de una web abierta sostenible y un ecosistema de IA que se base en sus datos, cómo mantener a las personas intercambiando información y conocimientos en línea evitando sesgos.

Les invito a leer el artículo y a reflexionar sobre los cambios que estamos observando con el uso de la IA.

Este artículo fue publicado el día 26 de Julio en el periódico La Unión de Morelos

Los babilonios y la inteligencia artificial

La tecnología nos ha cambiado drásticamente la vida en los últimos 150 años. Hemos visto como los descubrimientos y construcción de modelos teóricos de finales del siglo XIX y principios del XX han modificado nuestra formas de movilización, alimentación, comunicación, cuidado de nuestra salud y muchísimos otros aspectos de nuestra vida cotidiana. Para abundar más podemos citar algunos ejemplos: el descubrimiento de la electricidad cambió la forma en la que nos iluminamos modificando las horas en las que tenemos actividades; la investigación en temas de la salud ha llevado al desarrollo de medicamentos y tratamientos para enfermedades que antes eran mortales. Además, los avances en la tecnología médica han permitido el desarrollo de dispositivos que ayudan a monitorizar nuestra respiración, el ritmo cardíaco y sus variaciones con el objetivo de proveer información para mantener saludables a las personas. La comprensión de algunos procesos biológicos que ocurren en las plantas y en el suelo ha propiciado que se desarrollen técnicas más efectivas para cultivar alimentos, incluyendo la agricultura de precisión y la ingeniería genética. A principios del siglo XX se observaba el uso de la enorme cantidad de energía disponible en el petróleo y con ello se masificó la producción.

Aunque podemos decir que en general estos descubrimientos o concepciones teóricas aplicadas han incrementado la esperanza de vida de las personas, visto este incremento como un indicador de algún bienestar, y propiciado beneficio para ciertos segmentos de la población.

Aunque, hoy en día, con la posibilidad de comprender sistemas con mayor número de entes se pueden apreciar que no todo ha sido beneficioso para otros segmentos de la población o de otras especies con las que convivimos.

Por otro lado, a pesar de ser testigos de estas expansiones sin precedente del conocimiento científico y del desarrollo tecnológico,  en los últimos tiempos se ha observado una disminución en la velocidad con la que los conocimientos de ruptura aparecen. Esta aparente tendencia en la disminución de la velocidad con la que aparecen ideas de ruptura ha llamado la atención de personas en la política, ya que pueden afectar el crecimiento económico, la salud y el bienestar de las personas. De este tema trata un artículo en la revista Nature de enero de 2023. Para entender este aparente fenómeno en el artículo se analizan 25 millones de artículos (1945–2010) en la base de datos del Web of Science (WoS) y 3.9 millones de patentes (1976–2010) en la base de datos Patentes en Estados Unidos. El análisis de estos textos se realizó entre otras herramientas con cambios lingüísticos que indican ruptura en los textos, por ejemplo con introducción de nuevas palabras o de modelos que reemplazan a los anteriores. En resumen, este artículo reporta una marcada declinación de las ideas de ruptura en ciencia y tecnología en los últimos años.

Esto hechos contrastan fuertemente con el gran revuelo que han causado en las últimas semanas las capacidades predictivas de la inteligencia artificial. Para ser claros, estos avances han sido publicitados por corporaciones internacionales en el ámbito de la información masiva o de la computación en el entorno de Internet. Sin embargo, los logros de la inteligencia artificial en cuestiones prácticas se han empezado a observar desde principios de este siglo. Estos logros se han conseguido gracias al inmenso poder computacional que hoy en día se dispone. La obtención de resultados muchas veces se basa en la posibilidad de explorar innumerables variaciones de configuraciones y calcular las diferentes bonanzas que presenta cada configuración como herramienta de selección entre ellas. También mediante el cálculo de probabilidades y modelos de construcción de soluciones se puede seleccionar entre infinidad de alternativas.

Esta forma de resolver problemas, con base en los datos, no es nueva ni es característica de nuestro siglo. 

Para aclarar este punto, déjenme comentar que la predicción basada en datos, o en tablas con datos puede ser rastreada cuando menos hasta la época babilónica, donde mediante tablas la astronomía observacional podrían pronosticar eventos en el cielo, por ejemplo los eclipses. Por supuesto, también los mayas podían predecir los eclipses sin conocer el modelo gravitación para el movimiento de los cuerpos celestes. Es decir, sin establecer teorías, con solo el registro de datos y un modelado primitivo de repetición de eventos, se puede predecir una diversidad de fenómenos en nuestro entorno. Saber que si se entierra una semilla en el suelo durante la época de lluvia dentro de algunas semanas se podrá cosechar esa planta es otro ejemplo observacional. Efectivamente, con base en tablas de datos, en la antigüedad se podría predecir el movimiento de los cuerpos celestes sin haber construido modelos que permitan dar explicaciones a los fenómenos. Esta forma de usar la observación y los datos para resolver los problemas o predecir eventos digamos es ancestral.

Con el poder de cálculo que hoy tenemos mediante las computadores, digamos cientos de millones de Petaflops (operaciones aritméticas por segundo) y modelos probabilísticos podemos obtener resultados verdaderamente impresionantes sin la necesidad de comprender exhaustivamente la naturaleza de los fenómenos. Recordemos las aplicaciones de inteligencia artificial NO entienden los fenómenos, pero si dan respuestas probables bajo algún criterio.

Imagen creada con inteligencia artificial con la frase "The Babylonians used cuneiform writing to keep the accounts of their businesses, impressionist style" en https://huggingface.co/spaces/stabilityai/stable-diffusion. 

Desde mi perspectiva estamos frente la posibilidad de seleccionar opciones para nuestra vida cotidiana y a largo plazo con base en datos, pero ¿qué tipo de datos? ¿a quién pertenecen esos datos? ¿los generamos? ¿quién los genera? Estas y muchas otras preguntas flotan en el ambiente, podemos dejar que otras personas decidan en nuestro nombre, como en la antigüedad lo hacían los sacerdotes babilonios o mayas, o actuamos para intervenir.

Nuestra entendimiento de la inteligencia artificial debe ser fomentado desde la infancia, como dicen  MariCarmen González Videgaray y Rubén Romero Ruiz de la FES Acatlán. Es importante familiarizarnos con ella, usarla y por qué no construir aplicaciones con ella. En el artículo de mis colegas de Acatlán se esboza una estrategia ilustrada con un ejemplo. 

Este artículo fue publicado el día 15 de febrero en el periódico la Unión de Morelos.

Inteligencia Artificial del Theseus al ChatGPT

En un siglo hemos transitado de la era de la máquina a la era de la inteligencia artificial. A principios del siglo XX las preocupaciones sobre lo que pasaría si las máquinas empezaban a sustituir a las personas se pueden constatar en la obra cinematográfica, por ejemplo “Metropolis”, dirigida por Fritz Lang. Como lo he mencionado en estos textos a mediados del siglo XX, en 1953, Ray Bradbury en su novela de ciencia ficción “Farenheit 451” narraba un futuro donde había manipulación mediante conversaciones con entes artificiales. A finales del siglo XX la saga de “Terminator” también abordaba ese tema con máquinas inteligentes. Hoy, ChatGPT ha puesto estas preocupaciones en nuestro entorno cercano. Sin embargo, me parece que las actuales aplicaciones de inteligencia artificial nos muestran la puerta de entrada a un futuro en el que las conversaciones con “máquinas” o “aplicaciones” fluirán con la misma naturalidad que nuestras charlas con otras personas. El propio ChatGPT dice: "Un cerebro digital con el poder de la conversación, ChatGPT es la tecnología que está revolucionando la forma en que interactuamos con las computadoras." 

Mucho se ha escrito en estos dos últimos meses, en Internet podemos consultar una gran diversidad de artículos, videos o pódcasts sobre el tema. Por ejemplo, este martes se publicó un artículo en la sección de Ciencia del periódico “La Unión de Morelos” que edita la Academia de Ciencias de Morelos sobre el tema donde se explica de una forma sencilla el tipo de inteligencia artificial que usan estas herramientas. 

En este texto quiero comentar algunos orígenes y bondades de estas aplicaciones de inteligencia artificial para prepararnos de una mejor forma en su comprensión e incorporación a nuestras actividades cotidianas.

En 1950, Claude Shannon construyó un ratón robótico que podría resolver laberintos. Podemos decir que este es uno de los primeros ejemplos de inteligencia artificial. Ese primer robot resolvía unas 40 operaciones aritméticas con punto decimal por segundo (40 flops). El conteo de las operaciones de punto flotante que puede realizar un sistema computacional es una medida de su capacidad de cálculo. Así que en 1950, Theseus, el ratón de Shannon, realizaba unas cuantas operaciones por segundo. En los inicios de la década de 1990, una computadora para calcular y representar fenómenos en transporte de fluidos, como las estaciones de trabajo computacional de “Silicon Graphics” que usábamos en el antiguo Laboratorio de Energía Solar (hoy Instituto de Energías Renovables), realizaba millones de operaciones de punto flotante, Mflops. Los sistemas de inteligencia artificial que operan en la actualidad como Dall-E o ChatGPT, tienen una capacidad de cálculo de más de 300 millones de Petaflops (el prefijo Peta indica una magnitud multiplicada por uno y 15 ceros, mega indica solo uno y 6 ceros). Es decir, el poder computacional en menos de un siglo se ha incrementado casi infinitamente comparada con la escala humana y han permitido el desarrollo de este tipo de aplicaciones, que parecen estar al alcance de muchas personas, las posibilidades de sustituir el trabajo rutinario y potenciar el creativo afloran cada vez con mayor intensidad.

El surgimiento de estas tecnologías y su profusa difusión en la Internet está pasando por diferentes etapas que podemos visualizar como curvas de fenómenos del tipo Dunning Kruger. Estas curvas aparecen cuando en la ordenada consideramos la confianza en la herramienta y en la abscisa el conocimiento de cómo funciona la herramienta. Al considerar esta forma de análisis, nuestra confianza en la tecnología transita por diferentes fases que podemos esquematizar resumidamente en 4. Una primera fase de la  sorpresa y muy altas expectativas, lo pueden resolver todo. Un segundo estadío, donde preguntamos cómo funcionan y entendemos que estas herramientas de inteligencia artificial usan modelos probabilísticos que no tienen entendimiento de los fenómenos de lo que hacen y disminuye nuestra confianza, si no entienden ¿cómo lo hacen?, dudamos. Después hay una tercera fase de desencanto más profundo, cuando observamos que los modelos probabilísticos como ChatGPT se equivocan o comunican información errónea o Dall-E dibuja un perro con cinco patas. Posteriormente, alcanzamos una fase estable donde comprendemos que podemos aprender a usarlas de ciertas maneras y, con ello, potenciar nuestras actividades con su uso, aquilatamos su utilidad y sobrepasamos sus deficiencias. Estoy seguro de que hemos pasado por alguna de estas fases en cuanto conocemos a ChatGPT y, desde mi punto de vista, lo más relevante es transitar rápidamente a esa fase de uso adecuado de estas herramientas para usarlas.

Version simplificada del esquema de Dunning Kruger (JAdRP).

Aquí he mencionado a Dall-E, donde se crea imágenes a partir de texto, y ChatGPT, que escribe textos a partir de textos; pero existen otras herramientas similares desarrolladas por las compañías más grandes en el manejo de información. Por ejemplo, hace unas semanas un equipo de desarrollo de Google liberó información de la aplicación MusicLM que compone música a partir de texto. Este mismo objetivo lo comparte Moûsaie desarrollado por un grupo del Tecnológico de Zurich (ETH) y del Instituto Max Planck. Las herramientas de inteligencia artificial están en muchos ámbitos de las actividades humanas.

Así como vemos, actividades que nos parecían propiamente humanas: escribir a partir de una pregunta, crear un dibujo inspirado en un texto y componer música a partir de la descripción de nuestras emociones, pueden ser realizadas por sistemas con inteligencia artificial.

Ante estos hechos, la posibilidad de que las fuentes de empleo pudieran ser asignadas a estos tipos de sistemas y entonces reemplazar a la fuerza laboral humana es un hecho. Sin embargo, algunos estudios nos indican que podemos capacitar de forma flexible a las personas para que puedan transitar de una ocupación a otra o que aprendan a utilizar estas herramientas para incrementar la confiabilidad en ellas con una productividad mayor. 

Lo primero es conocerlas y usarlas de manera crítica para percatarnos de sus fortalezas y entender debilidades. Con este uso nos familiarizaremos, de manera similar como con los teléfonos inteligentes; que ya tienen de alguna forma incorporadas opciones de este tipo de inteligencia artificial. Así que les invito a jugar con estas herramientas de inteligencia artificial.

Finalmente, las instituciones de educación superior en México han incorporado a sus esquemas de formación en el nivel licenciatura de carreras en ciencias de datos o de computación. Este paso es fundamental, pero, desde mi perspectiva, hace falta un decidido apoyo para que grupos de investigación y desarrollo puedan seguir el paso de los grandes consorcios de manejo de datos en el ámbito mundial. Aquí la participación de organismos empresariales o de la sociedad civil es necesaria. Por ejemplo, las actuales deficiencias del uso en español de ChatGPT son causadas en parte por la limitada fuente de información en este idioma comparada con la información en inglés. Un trabajo que podemos hacer quienes tenemos acceso a subir información es la diseminación de información en nuestro idioma, y en otras lenguas locales, para que también sea posible utilizar estas herramientas por muchas más personas que no dominan el inglés. Así de sencillo: jugar y escribir o digitalizar imágenes o digitalizar sonidos o música. Con este objetivo tenemos a Wikimedia, usémosla.

Una versión resumida de este artículo fue publicada el día 8 de febrero en el periódico la Unión de Morelos.