Avançant cap al món digital

La tecnologia digital està canviant la vida de les persones. L’estratègia digital de la UE aspira a fer que aquesta sigui la «dècada digital» on millori la connectivitat perquè el 2030, Europa sigui el continent més connectat, al mateix temps que ha de contribuir per ser climàticament neutra d’aquí al 2050. Per consolidar la seva sobirania digital Europa ha d’establir, per ella mateixa, les normes centrades particularment en les dades, la tecnologia i les infraestructures.

Aconseguir una millor assistència sanitària, un transport més segur i net, una fabricació més eficient i una energia més barata i sostenible, en part, és qüestió de la intel·ligència artificial.

Intel·ligència artificial (IA) i algoritmes

La intel·ligència artificial és la ciència que intenta dissenyar màquines, generalment computadores, que facin coses que requeririen intel·ligència si les fessin les persones.

A la pràctica la IA consisteix a desenvolupar un software per programar màquines que imitin el funcionament de la ment humana, siguin capaces de recollir dades, processar-les i emmagatzemar-les. La IA ha de tenir capacitat d’aprendre, de fer raonaments, de planificar, comprendre el llenguatge, reconeixement d’objectes i sons, de comunicar, de percebre l’entorn, de fer accions i de prendre decisions.

El treball de la IA es basa en la resolució, mitjançant ordinadors, dels denominats algoritmes complexos que utilitzen gran quantitat de dades per dur a terme tasques determinades i s’està convertint en una de les tecnologies més revolucionàries i amb més projecció de futur. Entenem per algoritme a tot un conjunt d’instruccions informàtiques que rep una màquina per realitzar una acció o resoldre un problema. D’alguna manera els algoritmes contenen fórmules i processos informàtics que converteixen les preguntes en respostes.

Els algoritmes s’escriuen en llenguatges de programació; programes que els ordinadors poden entendre, que siguin capaços de descodificar, com són: Python, C++, Java, Fortran, Pascal, Perl, Linus... L’ordinador sols té capacitat de resoldre problemes si se li proporcionen totes les dades i els passos successius que ha de fer. Aquests passos són les instruccions que haurà d’executar, que és l’algoritme, que pot ser un diagrama de flux, una seqüència de preguntes i respostes...

Així, la cerca d’una pàgina a Google per fer un viatge, s’ha elaborat a partir d’algoritmes que busquen pistes per oferir-te els resultats més rellevants. Per a cada recerca hi ha milers o milions de pàgines web amb informació útil. Els responsables que quan naveguem per les xarxes socials ens apareguin les persones o els continguts que ens interessen són els algoritmes.

L’aprenentatge automàtic

Si la IA es pot definir com una màquina que és capaç d’imitar el raonament humà, l’aprenentatge automàtic (machine learning), es pot definir com un conjunt de la IA on les persones entrenen les màquines per reconèixer patrons basats en dades i fer les seves prediccions futures; té un enfocament principalment a «aprendre» en lloc de tan sols programar computadores.

En aquest context, aprendre es refereix a identificar patrons complexos en un conjunt de milions de dades, sense requerir que una persona programi instruccions específiques en el software de la màquina. En diem aprenentatge automàtic, ja que millora els sistemes de forma autònoma amb el temps, sense intervenció humana. S’aplica en camps com algoritmes de cerca, en diagnosi mèdica, en bioinformàtica, la detecció de fraus i la classificació, etc. Que un ordinador sigui capaç d’identificar un objecte no és gens fàcil; en certa manera s’han de reproduir les mateixes habilitats que tenim els humans.

Així si tenim un animal, un gat per exemple, i volem conèixer quin és el so que fa quan miola, li podem introduir en el nostre algoritme, fotos d’animals que fa sons diferents dels del gat i segons l’experiència que ha après amb les dades entregades, podrà reconèixer quin és l’animal i determinar exactament quin és el so que fa.

L’aprenentatge profund

L’aprenentatge profund és una més de les funcions de la intel·ligència artificial, dins el machine learning, en aquest cas inspirades en el cervell humà.

Sabem que el cervell amb uns 1.400 g de pes, és un dels òrgans més complexes i vitals de l’ésser humà. S’estima que conté uns 100.000 milions (10 elevat a 11) de neurones, d’aquestes prop de 10.000 milions (10elevat a 10) són cèl·lules corticals. Aquestes cèl·lules transmeten informació a través d’uns 1.000 bilions (10 elevat a 15) de connexions entre neurones, són les denominades sinapsis. Hi ha més neurones en un sol cervell humà que estrelles a la Via Làctia!

Doncs hi ha màquines que comencen a utilitzar el «cervell», molt semblant al dels humans o sigui, treballen amb algoritmes que analitzen dades amb una estructura lògica semblant a la d’un humà per treure conclusions. Es coneixen com a xarxa de neurones artificials i són una eina matemàtica que modela, de manera simplificada, el funcionament de les neurones en el cervell. Tècnicament, són algoritmes que funcionen en un sistema per capes, denominada xarxa neuronal artificial. El disseny d’aquesta xarxa s’inspira en la xarxa neuronal biològica del cervell humà.

El procés tecnològic es basa a organitzar aquestes neurones en capes, on unes d’elles són les entrades que reben la informació, altres, conegudes com a fosques, contenen càlculs entremitjos de la xarxa i unes terceres són les sortides que contenen els resultats. Com més capes ocultes, més complexa és la xarxa i millors resultats prediu, però també és més difícil de crear el model.

La diferència entre l’aprenentatge supervisat (machine learning) i l’aprenentatge profund (deep learning ), es troba en el fet que el primer els programadors han d’extreure les característiques de l’objecte que es desitja que reconegui l’ordinador (animal, flor, color, so, mida...). En el cas de l’aprenentatge profund és el mateix programa de l’ordinador qui fabrica el conjunt de característiques sense supervisió humana.

La IA identifica el mosquit tigre

Mosquit Alert (mosquit tigre), és un projecte de ciència ciutadana cooperatiu i sense ànim de lucre, coordinat per diferents centres de recerca públics.

L’algorisme de deep learning es va entrenar amb més de 7.000 fotografies anònimes rebudes en l’App Mosquito Alert durant 5 anys; ha estat capaç d’identificar correctament el 96% de les fotografies de mosquit tigre. Perquè funcioni amb bons resultats, el programa necessita moltes dades d’entrenament o sigui, moltes imatges etiquetades prèviament que diguin si és «mosquit tigre» o «no és mosquit tigre». En aquest primer pas l’ordinador podria predir que qualsevol cosa amb dues ales, cos negre i taques blanques, hauria de ser etiquetat com a «mosquit tigre». Sense ser-ne conscient ha generat unes etiquetes «ales», «cos negre», «taques blanques», i busca patrons en les imatges digitals (píxels) que té emmagatzemades. Amb cada nova imatge que arriba, el model va afegint noves categories i així el concepte de mosquit tigre es torna més complex i precís, millorant el model predictiu. Disposar d’una base de dades amb imatges que hagin estat prèviament etiquetades per persones, és el requisit indispensable per obtenir un bon procés d’entrenament de l’Algoritme. Sense això, els Algoritmes no poden aprendre de manera efectiva. El projecte Mosquit Alert, compleix aquesta premissa, ja que representen milers d’imatges de mosquits i punts de cria que han estat validades i etiquetades per experts.