Uno de las principales tareas de la inteligencia artificial y el machine learning es la de manejar ingentes cantidades de datos con el fin de encontrar patrones entre ellos y clasificarlos en categorías. Todo de forma autónoma.

Para llevar a cabo esta compleja tarea, Vapnik y Guyon crearon las Máquinas de Vectores de Soporte (SVM) ampliándose posteriormente el campo con las investigaciones llevadas a cabo por Schöpof aplicando los métodos de núcleo. Los tres han sido galardonados con el premio Fundación BBVA Fronteras del Conocimiento establecieron, en palabras del jurado, "uno de los paradigmas más importantes del aprendizaje automático" que tantos éxitos está cosechando en los últimos años.

Combinando las dos técnicas (SVM y método de núcleo) se consigue que máquinas sean capaces de reconocer voces y escrituras humanas, rostros, células cancerosas e incluso usos fraudulentos de tarjetas bancarias. Lo hace clasificando conjuntos de datos en categorías tan específicas que son capaces de discernir, en según qué contextos, mejor que un humano.

El aprendizaje automático

La principal función de una aplicación de inteligencia artificial es que "sea capaz de reconocer y diferenciar objetos, como distinguir entre hombres y mujeres, o entre diagnósticos médicos", ha declarado Vapnik, catedrático en el Instituto de Ciencia de los Datos de la Universidad de Columbia, Nueva York.

"No puedes proporcionar a la máquina la regla para hacerlo, debe ser ella misma la que aprenda la regla. La SVM se desarrolló para lograr ese objetivo". Vapnik remata señalando que "el objetivo de todos estos métodos de aprendizaje automático es simplemente que una máquina aprenda a partir de ejemplos".

El aprendizaje automático es esencial para todas las aplicaciones relacionadas con la inteligencia artificial. El origen del área de investigación, según el catedrático, se produjo cuando en la extinta Unión Soviética le pidieron "resolver un pequeño problema para diferenciar el petróleo del agua y obtener mejor rendimiento en las prospecciones basadas en observaciones geológicas". Esto ocurrió hace 50 años y hoy en día las prospecciones que buscan petróleo se sirven de big data e inteligencia artificial para aumentar las probabilidades de encontrar el oro negro.

Causa-efecto galáctico

Por su parte, Guyon y Schölkopf han centrado sus investigaciones en las relaciones de causalidad. Básicamente en encontrar este tipo de relaciones lógicas cuando se analizan una gran cantidad de datos que, a una primera vista humana, no tienen nada que ver. Gracias a esto se puede conocer si una mutación genética determinada es causa de un cáncer o, por el contrario, es una consecuencia de padecer la enfermedad.

El desarrollo de la investigación de Schölkopf, director del Instituto Max Plank para Sistemas Inteligentes, le ha llevado a colaborar con la NASA para aplicar sus métodos en el análisis de los datos recogidos por el satélite Kepler 2. Su trabajo ha resultado en el descubrimiento de 21 planetas extrasolares incluyendo a uno que cuenta con una atmósfera con indicios de vapor de agua.

Dentro de este campo, Guyon, catedrática de Big Data en el Laboratorio de Investigación en Informática de la Universidad Paris-Saclay en Francia, ha fundado organizaciones educativas sin ánimo de lucro, ha investigado en proyectos financiados por crowdsourcing y ha trabajado en la aplicación de técnicas de inteligencia artificial para la optimización de la red eléctrica.

La IA en el futuro

Ni Vapnik ni Schölkopf piensan que la inteligencia artificial sustituirá a los humanos en un futuro. Pero de lo que sí están seguros es que muchos de los trabajos que hoy desempeñan serán desempeñados por máquinas dentro de poco tiempo.

En cuanto a si las máquinas serán más inteligentes que los humanos también coinciden. "La máquina ya ha sobrepasado al humano en el reconocimiento de muchos patrones como en el diagnóstico médico o reconocer rostros. Pero eso no significa que la máquina sea inteligente. La inteligencia es mucho más que eso y solo ahora estamos empezando a comprender lo que es", afirma Vapnik.

Para Schölkopf "todavía estamos muy lejos de que una máquina sea más inteligente que el ser humano. Aunque si nos fijamos en aplicaciones concretas -como jugar al ajedrez o en el diagnóstico del cáncer de piel- las máquinas pueden ser superiores a los humanos."

Para ambos científicos estas tareas no se pueden definir como inteligencia, sino se trata más bien de la competencia en una tarea muy limitada. La inteligencia de los humanos va mucho más allá para Schölkopf: "podemos jugar a un juego y después levantarnos a hacer la cena, mientras que una máquina no puede hacer esto".