Desde hace años, muchas de las compañías que operan en el mundo del machine learning siguen una estrategia comunicativa basada en anuncios de competiciones entre hombre y máquina en disciplinas de diversos tipos.

La pionera en el tema fue IBM, que en 1996 consiguió que un ordenador, llamado Deep Blue, derrotase al entonces mejor jugador de ajedrez, Gary Kasparov. ¿Recuerda lo que pensó entonces? Dejando aparte absurdos catastrofismos, la consideración que hicimos la mayoría fue muy racional: si jugar bien al ajedrez supone ser capaz de imaginar escenarios subsiguientes a un movimiento, nos pareció normal que una máquina pudiese llevar sus cálculos más allá que un cerebro humano. Simplemente cuestión de fuerza bruta. Nada insultante ni preocupante.

Cuando, en 2011, otro ordenador de IBM, Watson, ganó a los mejores jugadores de Jeopardy!, un concurso norteamericano de preguntas y respuestas, a algunos ya nos resultó más llamativo: una máquina era capaz de tomar las muchas veces retóricas preguntas, buscarlas, escoger las mejores respuestas, y ganar el concurso. Una máquina ya era mejor entendiendo e interpretando el lenguaje humano que muchos humanos.

En 2015 ya no fue una máquina la que nos sorprendió, sino un algoritmo en la nube, y no de IBM, sino de Google: AlphaGo fue capaz de ganar a los mejores jugadores del mundo en el milenario juego del Go. Lo llamativo, en este caso, fue que el entrenamiento del algoritmo utilizó todas las partidas jugadas y anotadas hasta la fecha, pero con eso solo consiguió un resultado irregular. Fue cuando utilizaron deep learning, es decir, cuando pusieron al algoritmo a inventarse partidas y jugar contra sí mismo, cuando surgió la ventaja, y consecuentemente, la derrota humana. Algunas de las jugadas empleadas por AlphaGo en las partidas nunca habían sido puestas en práctica por una persona. Una máquina es ya capaz de mejorar la inteligencia de una persona a la hora ya no de calcular muy rápido, sino de inventarse cosas nuevas que los hombres no habíamos hecho anteriormente.

Finalmente, un algoritmo creado en Carnegie Mellon, Libratus, fue capaz, en 2017, de vencer a cuatro grandes jugadores de póker. Ahora ya, poca broma: una máquina es capaz de, en una situación de incertidumbre, analizar el contexto y tomar mejores decisiones que personas especialmente adiestradas en ese contexto. ¿Qué hace un directivo en una empresa? Precisamente eso: analizar contextos, y tomar decisiones en situaciones de incertidumbre.

¿Cuál es el siguiente paso? El machine learning se ha convertido en el auténtico reto de nuestros tiempos. ¿Quién se atreve a plantear el siguiente reto?