La respuesta de las máquinas: la IA genera hipótesis originales a preguntas complejas

Los científicos recurren cada vez con más frecuencia a la Inteligencia Artificial (IA) en busca de hipótesis y conocimientos originales generados mediante algoritmos. La creación de hipótesis, que hasta hace algunos años ha sido capacidad exclusiva de los humanos, adquiere otra dimensión con el objetivo de acelerar el proceso científico, reducir los sesgos y, quizás, indicarnos el camino a determinadas respuestas hasta ahora inalcanzables. 

Son muchos los campos de la ciencia que acudirán a la IA en busca de hipótesis 'artificiales'

La IA arroja las hipótesis y sugerencias mediante la búsqueda de patrones en el análisis de datos que le son proporcionados, en lugar de hacerlo mediante suposiciones, tal y como lo hacemos los humanos. Uno de los ejemplos más recientes lo encontramos en el ámbito de las baterías para vehículos eléctricos. Gracias a la IA, científicos de la Universidad de Liverpool han encontrado cuatro materiales nuevos que podrían servir para la fabricación de baterías. Los científicos diseñaron una red neuronal que, entre más de 300 opciones, procesó diferentes combinaciones hasta dar con las que podrían ser la base de un nuevo material, ahorrando meses de prueba y errores. 

"Es una gran herramienta", dice Andrij Vasylenko, investigador asociado de la Universidad de Liverpool y coautor del estudio sobre la búsqueda de materiales para baterías, que se publicó en Nature Communications, tal y como se relfjea en un artículo de Scientific American.

Pero el de las baterías no es el único campo de la ciencia que pretende recurrir y beneficiarse de las posibilidades que ofrecen las hipótesis "artificiales". En la Universidad Case Western Reserve se recurrió a esta técnica para comprender por qué algunos pacientes tienen más probabilidades que otros a desarrollar de nuevo cáncer de mama o de próstata. La red consiguió identificar qué pacientes eran más propensos, es decir, el factor que predice con mayor precisión la probabilidad de que el cáncer regrese. 

La IA ayudó a comprender mejor cómo evolucionan ciertos tumores y abrio nuevas vías de investigación

La IA descubrió algo que los especialistas no sabían. "Usamos esta metodología para descubrir un atributo de la enfermedad que resultó ser importante", afirma Anant Madabhushi, profesor de ingeniería biomédica de dicha Universidad. La IA ayudó a comprender mejor cómo evolucionan ciertos tumores y abrio nuevas vías de investigación. 

GRANDES PREGUNTAS Y ALGUNOS PROBLEMAS

También hay quienes pretenden aplicar esta metodología para responder grandes preguntas. Es el caso de Renato Renner, físico del Instituto de Física Teórica de Zúrich, cuya intención es desarrollar una teoría unificada del universo, el gran reto de la física: comprender la auténtica naturaleza del cosmos. "Solo podemos dar grandes pasos en la física si miramos las cosas de una manera poco convencional". Así pues, está construyendo su propia red neuronal para tal fin. 

El desconocimiento de cómo se procesan determinadas hipótesis socava la confianza en 'la máquina'

Sin embargo, uno de los problemas a los que se enfrentan los investigadores con respecto a esta herramienta es comprender la lógica que sigue la IA a la hora de tomar "las decisiones". Esta incapacidad es denominada como "el problema de la caja negra" y no sólo limita nuestra comprensión de dichas redes neuronales, sino que socava también la confianza de los investigadores en "la máquina". Se hace necesario, por tanto, el desarrollo de técnicas de interpretabilidad de cara a comprender los pasos que sigue la red hasta llegar a una respuesta en lugar de otra.

El hecho de que las respuestas arrojadas por la IA se basen en datos recopilados por los humanos, también la lleva a reproducir sesgos endémicos. Algo que sucedió con una red neuronal orientada a predecir probabilidades de reincidencia criminal en personas recién salidas de la cárcel, señalando a las personas negras como más propensar a reincidir, algo que según la empresa de software se debe a una evaluación de riesgos mal realizada. 

Así pues, tal y como señala Soumir Sarkar, profesor asociado de ingeniería mecánica e la Universidad Estatal de Iowa: "Todavía tenemos un largo camino por recorrer", ya que, a pesar del desarrollo de técnicas de interpretabilidad, las explicaciones y causas a determinados fenómenos aún dependen de los expertos humanos.