Además de estar terminando sus estudios de doctorado en Inteligencia Artificial, Nerea Luis es la cofundadora de T3chFest, una feria de informática y nuevas tecnologías que se lleva a cabo, desde hace casi una década, en la Universidad Carlos III de Madrid promovida por los propios estudiantes. Es una de las caras más visibles de esa nueva jornada de mujeres jóvenes tecnólogas. También es una de las promotoras de Ciencia en el Parlamento. Hablamos con ella de su campo de especialización, la Inteligencia Artificial: cómo aprenderlo, si la universidad es el mejor escenario y si es inteligente todo aquello que decimos que lo es.
¿Por qué te decantas por la Inteligencia Artificial?
Empecé estudiando en la Carlos III en 2009. Hice el Grado en Ingeniería Informática, en la especialización de computación que es la que está más orientada a la Inteligencia artificial. Luego hice un Máster que da acceso el doctorado y seguí con la rama de computación. En noviembre de 2014 empecé el doctorado estoy terminando ahora.
Además de ser muy futurista y cercana a la robótica, me gustaba mucho la algoritmia y entender que había detrás. Pensaba en qué había detrás de un programa y la complicación, cómo hay que programar bien y realizar estructuras de forma eficiente, en cómo etiquetar la información… Ir una vuelta más que el resto de la programación. Era lo que me atraía. Sentir que estaba dando inteligencia a una máquina también atrae mucho.
¿Qué es lo más sencillo y lo más complicado de trabajar en Inteligencia Artificial?
Hay muchas áreas de Inteligencia Artificial. A día de hoy la que predomina es el Machine Learning. Es la más grande porque es la más aplicable en empresas y tiene mucho crecimiento en proyecto. Pero, independientemente de dónde trabajes, lo más complicado es la calidad de los datos (especialmente en Machine Learning), porque son lo que te van a decir todo. Aunque tengas un algoritmo muy fuerte, si no tienes unos datos que estén bien procesados equilibrados y que te puedan ayudar a conseguir eso, cuesta bastante realizar Inteligencia Artificial. Es un trabajo muy grande recopilar esos datos y procesarlos. En el lado más teórico de la inteligencia artificial también es muy complicado la algoritmia, en tema de razonamiento lógico.
Aquí hay que automatizar. Por ejemplo, cómo conseguir que los robots vayan hacia una determinada dirección, que las instrucciones se automaticen y todo ese procesamiento de razonamiento es complejo. A la hora de elaborarlo no tanto, sino a la hora de generarlo, que no te hayas dejado nada por el camino.
¿Qué hay que estudiar para trabajar en Inteligencia Artificial?
Estudiar matemáticas seguro: cálculo y álgebra, que son imprescindibles. Nos estamos acostumbrando a que haya una herramienta que funciona con un botón y vamos de ensayo, prueba y error. La Inteligencia Artificial es cada vez más accesible y ha salido del entorno académico. Hacemos prueba y error sin saber qué hay detrás del algoritmo y en qué consiste esa red de neuronas para adaptarla mucho más rápida. Falta mucho componente teórico en la gente que trabaja en estos campos.
También hay que saber programación. Python y R son los lenguajes que más se utilizan en data science. En robótica Python y C++.
Para aprender computación hay 3 posibilidades: en una carrera te enseñan un poco de todo. Si te quieres enfocar en Data Science habría que empezar con aprendizaje automático, que te formen en Machine Learning y red de neuronas con deep learning. También aprendizaje por refuerzo. En el lado de razonamiento lógico y algoritmos, hay que aprender búsqueda heurística, que te enseña a trabajar en automatizar la forma de razonar de la máquina.
La robótica se queda un poco entre dos mundos: la industrial y computación. Dependiendo de si te intersa sobre el robot físico o sobre su inteligencia estudiarás una cosa u otra.
Pero, ¿es necesario tener una formación universitaria en STEM para ello?
Defiendo la formación universitaria porque aprendes de todo y tienes una base fuerte para desenvolverte en cualquier dominio. Pero existen muchos MOOC y tratan bastante bien estos conceptos. En 2008 hice el de Machine Learning en Coursera. Aprendí muchas cosas que también me enseñaron en la carrera, especialmente en redes de neuronas. No se necesita formación reglada para trabajar en ello, pero para tener un conocimiento fuerte de todo lo que hay detrás sí que te puede producir desasosiego si no la tienes.
Pero sí que hay que tener conocimiento matemático importante…
Desde luego.
¿Puede alguien con formación mayoritariamente de letras trabajar en Inteligencia Artificial?
En letras puedes trabajar en Inteligencia Artificial, aunque se enfrenta a la curva de aprendizaje que es fuerte. La gente que se ha dedicado a filología, el análisis de lenguaje y como el procesamiento del lenguaje natural, está involucrándose en la Inteligencia Artificial. Si esa gente tiene un conocimiento técnico, es mucho más sencillo que aprendan R o una red de neuronas que poner a un informático aprender todo los componentes del lenguaje.
Están permutando muchas áreas. Hay zonas transversales. Pasa también con los físicos. Hay que darles tiempo para superar esa curva de aprendizaje de computación. El problema es de dónde sale ese aprendizaje y los agujeros que puede haber.
¿Qué curso recomendarías para indagar en Inteligencia Artificial para aquellos que tienen este perfil técnico?
A nivel general, además del de Coursera, hay uno genérico de IA. Está basado en el libro de referencia de Inteligencia Artificial que se utiliza en el mundo académico y casi a diario. Te da un panorama muy amplio de todo lo que puedes hacer y de tus carencias. En su día lo sacó Stanford y ahora está en Udacity.
¿Se está enseñando en la Universidad cómo prepararte para la Inteligencia Artificial? ¿O siguen anclados en enseñar Cobol?
Sí que he visto un cambio progresivo, al menos en la Carlos III. No se puede tener la última tecnología en la Universidad porque el profesor la tiene que aprender, enseñar y compaginarlo con la investigación. Y ahí es donde empezamos a flojear. Pero desde el punto de vista teórico, la formación es de calidad.
En el aspecto más práctico, la universidad te da las herramientas para que te puedas desenvolver en cualquier entorno. Lo bueno de la Inteligencia Artificiales que si sabes el algoritmo y la teoría, puedes implementarlo en cualquier plataforma. No creo que sea problema el tema práctico de la universidad.
Todo aquello que decimos que es Inteligencia Artificial, ¿lo es en realidad?
Hay una disputa bastante interesante, sobre todo con las empresas. Todo el mundo quiere hacer Inteligencia Artificial y Machine Learning. Nos estamos convirtiendo en algo que confunde los términos y me da rabia. Es verdad que cuando creas algo “inteligente”, al principio es una consecución de casos condicionales típicos de la programación. Siguen ese esquema. Hay escenarios en los que se llama Inteligencia Artificial a algo y no lo es.
¿Qué es Inteligencia Artificial? Mi opinión es que al Data Science no se le puede llamar Inteligencia Artificial porque es rama específica de Machine Learning. Puedes hacer patrones y extraer inteligencia de esos datos, pero yo no lo considero Inteligencia Artificial porque es una estructura de datos en forma de árbol. Cuando identificas grupos de interés y configuras de forma automática y automatizar tareas, ahí sí empieza la Inteligencia Artificial. Si es algo muy específico te parece muy inteligente, pero la verdadera gracia de la Inteligencia Artificial es hacerlo adaptable en cualquier entorno. El ejemplo es el coche autónomo, que le da igual estar en una carretera, que vía urbana, que la condición meteorológica, la frenada, la forma de aparcar… Sabe adaptarse, el componente inteligente es muy fuerte.
La clave es adaptabilidad, no solo al entorno presente y reducido, sino también a otros similares o incluso completamente diferente.
