METAAPRENDIZAJE por el Prof. Dr. D. Alberto Requena Rodríguez, académico de número

Del sentido común, dícese de las proposiciones en vigor en una sociedad. Podrían ser creencias, en todo o en parte. En todo caso son las personas las que lo ejercitan a nivel individual. Cierto es que, por muchas razones, solemos sentirnos escépticos respecto de los seres humanos. Pero resulta reconfortante cuando el escenario lo trasladamos a la Inteligencia Artificial (IA). Hay aspectos en los que la tecnología se aproxima a las capacidades humanas, desde el reconocimiento facial, traducción, incluso conducción automática. Pero no es menos cierto que estas aproximaciones nos llevan a reflexionar acerca de las capacidades humanas, la flexibilidad del cerebro, la plasticidad y, en suma, sus incontables facultades. Las máquinas todavía quedan lejos de estos niveles, siguen siendo opacas, de costoso aprendizaje que requiere exhaustividad y una larga serie de desventajas comparativas con el humano.

De siempre las máquinas se ha pretendido que se parezcan a los humanos. La via de la exhaustividad que se ha emprendido en muchas líneas de ataque en la IA, no es factible en muchos casos. Se requeriría que las máquina fueren más ingeniosas, con mayor dotación de destrezas en lugar de memorizar solamente. Una de las vías que más avances ha aportado es la de las redes neuronales. Pero un elemento que salta a la vista en la línea de la mejora es que hay que reducir las entradas y ser más transparente en las salidas. Hay que poder interrogar a la máquina y que de explicaciones de cómo a llegado a resolver el caso que nos ocupa. Obtener un préstamo o mejor denegarlo, no es suficiente con al rótulo de denegación, requiere alguna explicación de la complicada trama de capas neuronales intermedias que han llevado a la solución final. Es una forma de dar un por qué, parecido a la respuesta humana. Se ha llegado progresivamente muy lejos, pero se requieren cambios. A poco que se piense, hablamos de autosuperación, imaginación, sentido común. Todo parece indicar que la forma consiste en el entrenamiento inteligente. Las máquinas tienen que dar pasos por ellas mismas.

Quizás la aportación más importante del ámbito de la IA es que nos hace pensar en nosotros mismos. El aprendizaje a través de redes neuronales, por ejemplo en el tratamiento de imágenes, consiste en procesar a nivel de pixel, a través de múltiples etapas y rotularlas, finalmente, con una etiqueta. En función de la probabilidad que le aproxima a cada una de las existentes. Las interconexiones de todas las capas intermedias se ajustan a partir del procesado de miles de imágenes, lo que hace que la forma exacta mediante la que se efectúa la clasificación se pierde en la maraña de interconexiones. Clasificar aromas  a partir de una red neuronal que trabaja con respuestas de sensores inespecíficos consiste en entrenar la red con un numero de aromas elevado de los que se aporta su etiqueta al sistema. Posteriormente la red trabajara buscando proximidad con los patrones que dispone. Pero se ignora la conexiones que ha establecido para ello. Esto requiere un tedioso entrenamiento. No se sabe como ponderan los nodos y los van ajustando de forma que puedan responder a la etiqueta. Tras miles de intentos en el entrenamiento en un ámbito concreto, una red responde de forma parecida a como lo haría el humano. Incluso puede llegar a responder a casos no previstos en el entrenamiento. No utilizan indicios o variaciones simples. Básicamente se modelan a sí mismas y su eficacia suele ser en muchos casos superior a la prevista.

Una forma de reducir el entrenamiento consiste en hacer que la red practique con ejercicios del mismo tipo. El olvido es esencial en el aprendizaje. Si aprendemos una cosa y la olvidamos, otra vez de nuevo la aprendemos y la olvidamos, y asi sucesivamente, llegará un momento en que aprenderemos que tienen de común los casos aprendidos y olvidados. El olvido conduce al metaaprendizaje. Nosotros lo empleamos y la propia Naturaleza nos da evidencias de que lo maneja, en la evolución. No son suficientes los instintos fijos, sino que estamos impelidos a aprender. Si una red, en lugar de aprender a clasificar aromas, mediante el entrenamiento con miles de ellos, la entrenamos con ejercicios de aprendizaje, habremos conseguido que aprenda a aprender. Es el ideal de todo sistema educativo, al menos nominalmente.

En el proceso de entrenamiento de una red neuronal convencional, por ejemplo en el ámbito de imágenes, se suministran imágenes de una clase y la red pondera sus capas para etiquetar el resultado. Si ahora introducimos imágenes de un ámbito diferente, de nuevo a red se entrenará para etiquetar en el nuevo ámbito, pero olvidando el anterior. En cambio, cuando se trata de metaaprendizaje, se muestras un número limitado de imágenes de un ámbito y cuando ensayamos con la red, no clasificará muy bien, con esos pocos casos. Si borramos la red del conocimiento anteriormente adquirido, pero ajustamos el punto de partida para que la próxima vez pueda mejorarlo. Ahora se le muestran imágenes de otro ámbito y un tercero y se cambia de ámbito aleatoriamente. La red no conseguimos que sea experta en ninguno de los ámbitos, pero puede aprender cual es el mejor punto de partida para los distintos ámbitos. Es algo similar a adquirir prejuicios y es como si se preparar en consecuencia. En la Conferencia Internacional de aprendizaje automático, celebrada en Sidney en 2017, Finn aportó su experiencia en la que mostraron a un robot de cuatro patas tareas que consistían en correr en distintas direcciones. Mediante el metaaprendizaje, el robot supuso bien que todas las tareas tenían en común correr en alguna dirección ¿en cual? La respuesta es la que le dijeran en el momento de dar la orden. Así que el robot comenzó a correr sobre el sitio, para estar preparado para ello. Se adaptó con previsión.

Todavía este tipo de procesos es muy lento y requiere mucha memorización. Pero de lo que no hay duda es que avanza en la dirección de lograr más elementos comunes con el humano. Poco a poco, la robótica deambula por los recorridos de los conceptos humanos. Al tiempo nosotros aprendemos mucho más sobre nosotros mismos, que no viene nada mal. La teoría, al final, resulta más simple que el logro práctico. Aprender a aprender es un lema de escenarios pedagógico-didácticos que, en el fondo, nunca llegaron a implementar procesos prácticos, seguros y efectivos. Ahora, que el futuro no sabemos ni siquiera como se llama, nuestra evolución socio laboral nos acomete con violencia haciéndonos ver escenarios que ignoramos, trabajos que no conocemos, ocupaciones que no están previstas y el lema aprender a aprender es el único sensato para abordar lo desconocido con alguna garantía de éxito. Si aprendemos del aprendizaje de las máquinas, bendito será el viaje, de lo contrario, lo harán por nosotros y la incógnita es ¿qué haremos entonces?