Clausura del libro Deep Learning – Introducción práctica con Keras

Clausura: se avecinan cambios

Hasta aquí la primera parte de este libro introductorio sobre Deep Learning que espero que haya sido útil al lector, y que este quede con ganas de continuar con la segunda parte, la cual intentaré acabar lo antes posible, aunque ya avanzo que necesitaré algunos meses. Antes de acabar, permítanme añadir mi visión u opinión más personal, y no tanto descripción técnica, sobre el tema del libro. Es una avanzadilla de lo que me gustaría profundizar más en la clausura del libro una vez incluida la segunda parte. Oienso que las ingenieras e ingenieros informáticos  siempre debemos estar atentos a lo que vendrá, ya que nuestro sector ha sufrido, sufre y sufrirá cambios vertiginosos y nos conviene “verlas venir” si no quedemos quedarnos fuera de juego sin habernos dado cuenta.

¿Moda o ha venido para quedarse?

El número de personas que trabajan ya en Deep Learning y empresas que invierten en estos temas ha creado repentinamente un ritmo frenético, y los progresos científicos los acompañan. ¿Deep Learning es una moda o ha venido para quedarse?

Deep Learning tiene varias propiedades que justifican su papel en la popularidad que está cogiendo la inteligencia artificial en general, y está aquí para quedarse. Quizás dentro de unos años no usemos redes neuronales, pero cualquier cosa que usemos será heredera directa del Deep Learning moderno y sus conceptos centrales.

Esta tecnología ofrece muchas ventajas al permitir en gran número de casos simplificar procesos de modelización, al mismo tiempo que saca provecho de las nuevas y potentes arquitecturas de computación paralelas en los procesos de entrenamiento de las redes. También es muy importante su versatilidad, muy superior a la mayoría de otras técnicas de Machine learning, permitiendo entrenar nuevos modelos sin partir de cero, aprovechando técnicas como las de transfer learning, o haciéndolo aplicable a casos donde tenemos un conjunto de datos de entrenamiento pequeño, como estudiaremos en la segunda parte del libro.

Deep Learning está sin duda en ebullición, y no ha llegado a su punto álgido a mi entender: según un estudio de Gartner[1], el número de puestos de trabajo a cubrir para expertos en Deep Learning creció de casi cero en 2014 a 41 000 el año pasado. Gran parte de este crecimiento está siendo impulsado por gigantes de alta tecnología, como Google, Facebook, Microsoft, Amazon, Apple, IBM, etc. Además, Gartner se atreve a predecir que el 80% de los científicos de datos va a utilizar herramientas de Deep Learning en el 2018.

Los beneficios de Deep Learning (e inteligencia artificial en general) serán numerosos y significativos para mejorar y re-imaginar los sistemas existentes. Sin duda estamos ante una tecnología disruptiva.

Históricamente hablando, se dice que la primera revolución industrial utilizó la energía de vapor para mecanizar la producción en la segunda mitad del siglo XVIII; la segunda revolución utilizó la electricidad para impulsar la producción en masa a mediados del XIX, mientras que la tercera, utilizó la electrónica y el software en los años setenta del siglo pasado. Hoy nos encontramos frente a una nueva fuente de creación de valor en el área de procesamiento de información donde todo va a cambiar.

Por este motivo, desde hace un tiempo en diferentes foros se insiste en que estamos ante la cuarta revolución industrial, marcada por avances tecnológicos como la inteligencia artificial (Machine Learning, Deep Learning, etc), y en la que los ordenadores serán “todavía más sabios”.

Esto presenta profundas implicaciones en nuestra sociedad tal como la conocemos, pues a consecuencia de ello se está empezando a generar un vivo debate sobre las repercusiones que tendrá la presente revolución, polarizando la opinión pública en bandos opuestos: los optimistas y los pesimistas, los utopistas y los excesivamente pragmáticos.

En cualquier caso, todos coincidimos en que el mercado laboral cambiará profundamente en los próximos años; en esta línea, el informe titulado The Future of Jobs[2] del World Economic Forum estima que dos de cada tres niños que están empezando actualmente estudios primarios tendrán trabajos muy diferentes a los nuestros, y, a la vez, desaparecerán muchísimos de los perfiles laborales que hoy conocemos. En definitiva, se apunta cómo este nuevo estadio representa un gran desafío a los trabajadores de cuello blanco de la sociedad del conocimiento, que hasta ahora parecían intocables, de la misma manera que la automatización de las fábricas en el siglo XX fue una revolución para los trabajadores de mono azul en las cadenas de montaje.

¿Y nosotros, los que “programamos”?

Actualmente, algunos de los perfiles profesionales que se salvan de los efectos negativos en esta cuarta revolución, a parte de los expertos en el área o dominio donde se aplica el Deep Learning,  son los científicos y científicas de datos o ingenieros e ingenieras informáticas, los que presenciaremos a nivel profesional un escenario muy afortunado en los años venideros.

Es un efecto curioso el que se está produciendo. Como contratador de este perfil de profesionales que también soy, veo como las entrevistas de contratación en el sector también han cambiado: a menudo se trata de conseguir seducir al candidato contando las excelencias de la empresa, a fin de que la elijan de entre las varias opciones que disponen.

Pero nada es eterno, y como todo va muy rápido, me atrevo a augurar que esta misma tecnología de la que estamos hablando provocará que en un futuro no muy lejano se necesiten muchas menos manos para programar, y menos cabezas para pensar algoritmos.

En pocos años, veremos como muchos de los programas que manejarán nuestro día a día, hasta ahora construidos en base al modelo de software “tradicional” programado por ingenieros e ingenieras en informática o científicos y científicas de datos, se verán reemplazados por un software creado con técnicas de inteligencia artificial.

No me malinterpreten: me encanta la “programación”, y que el éxito de Machine Learning se base fundamentalmente en los expertos humanos en el tema, pero creo que la cantidad de código que escribiremos los próximos años decaerá.

Ya hemos empezado con entornos de interfaces gráficos de usuarios que facilitan enormemente el desarrollo de modelos. Pero aún más, ya hay sistemas de automatización de Machine Learning; algunos los llaman AutoML (Automated Machine Learning), para hacer más productivos a los científicos y científicas de datos y que puedan solucionar más problemas. Pero está previsto que estos mismos métodos y procesos que el AutoML proveerá irán evolucionando, poniéndola a disposición de profesionales no expertos en Machine Learning, ya que el rápido crecimiento de demanda de las aplicaciones de Machine Learning ha creado una demanda de profesionales imposible de cubrir, y esto está provocando inevitablemente poner el foco en entornos de AutoML que pueden usarse fácilmente y sin conocimiento experto.

En resumen, las máquinas más inteligentes quizás también irán desplazando gradualmente a este selecto grupo de profesionales, con la paradoja de que los “culpables” de ello seamos, a su vez, sus propios creadores.

 

[1] Véase GARTNER (2017). Neural Networks and Modern BI Platforms Will Evolve Data and Analytics [online]. Available at:

http://www.gartner.com/smarterwithgartner/nueral-networks-and-modern-bi-platforms-will-evolve-data-and-analytics/ [Accessed: 12/05/2017].

[2] The Future of Jobs. Global Challenge Insight Report . Workd Economic Forum January 2016 http://www3.weforum.org/docs/WEF_Future_of_Jobs.pdf [Accessed: 12/03/2018

 

2018-06-12T20:01:52+00:00 June 11th, 2018|