Las nuevas tendencias de la Inteligencia Artificial y la Industria 4.0

Publicado por CIDIF (2021)

Aprendizaje Federado, Auto Machine Learning, Natural Language Processing para el campo de la bioquímica: te contamos sobre las técnicas y tecnologías con un gran potencial dentro la industria 4.0.

Aprendizaje federado

A pesar de los avances en el contexto de Big Data e interconectividad, aún existen serias preocupaciones respecto a las implicancias que esto tiene en la privacidad de la información procesada, sobre todo en campos en donde se manejan gran cantidad de datos personales y sensibles, como en la medicina. En los últimos años, el área de la salud se ha mantenido bastante reticente a la adopción de Inteligencia Artificial, dado los requerimientos de centralización de enormes cantidades de datos privados.

Con la aparición de técnicas de aprendizaje federado, se hace posible entrenar modelos inteligentes a partir de información proveniente de múltiples entidades, sin tener que compartir o comprometer la seguridad y privacidad de los datos. Esto permitiría, por ejemplo, que teléfonos móviles aprendan de manera colaborativa de un modelo de predicción compartido sin que los datos de entrenamiento tengan que salir de los dispositivos, desacoplando la capacidad de realizar aprendizaje automático de la necesidad de almacenar los datos en la nube.

Auto Machine Learning

El Auto Machine Learning busca democratizar los avances de la Inteligencia Artificial al automatizar la creación de modelos inteligentes y permitir que personas sin mayor experiencia puedan participar en el proceso.

Por medio del uso de maquetas pre-construidas y el ingreso de determinados parámetros, este tipo de algoritmos puede entregar modelos optimizados, ahorrando tiempo y costos. En otras palabras, estamos hablando de utilizar Inteligencia Artificial para el desarrollo automático y sistematizado de la misma Inteligencia Artificial.

Como ejemplo de aplicación de estas técnicas podemos encontrar a Google Auto-ML, que surge para ayudar a entrenar modelos de Machine Learning con mayor precisión y rapidez, y sin requerir personal con experiencia para ello.

Ahora bien, la introducción del Auto Machine Learning no ha estado libre de controversias. Hay quienes argumentan que podría exacerbar la problemática de tratar a los modelos como si fuesen “cajas negras”, o incluso aumentar la ocurrencia de sesgo en los algoritmos. Es por ello que los esfuerzos actuales apuntan hacia la integración de los avances en el campo del Auto Machine Learning con el conocimiento de expertos en Data Science.

Natural language processing

El uso de Natural language processing experimentó una considerable alza hace algunos años con la aparición de los asistentes virtuales (Siri, Google Assistant, Alexa, etc). Si bien no se trata de técnicas absolutamente nuevas, existe un nuevo nicho que podría explotar y que cada vez cobra más importancia en la actualidad: la creación de proteínas y bloques biológicos.

Pratyush Tiwary, profesor del Departamento de Química y Bioquímica de Maryland y en el Instituto de Ciencia y Tecnología Físicas que se ha dedicado últimamente a este campo, destaca que el procesamiento del lenguaje natural se puede utilizar para modelar cómo las moléculas se transforman y adaptan. Tiwary señala que las moléculas tienen un cierto lenguaje que hablan, con los movimientos que las moléculas hacen capaces de ser traducidos a un lenguaje abstracto. Aplicar Natural language processing en el campo biológico podría ayudar a identificar con precisión los nombres y símbolos de genes o proteínas, mutaciones y enfermedades.

A finales del 2020, la empresa británica DeepMind anunció el desarrollo de algoritmos para predecir la estructura tridimensional de una proteína. Esta capacidad nos permitiría comprender de mejor forma cómo se generan los bloques estructurales de células y acelerar el descubrimiento de nuevos medicamentos. Esto es considerado como un hito crítico o un punto de inflexión que tendrá un gran impacto en la industria biológica y farmacéutica.