Voulles dar un dato

Adoita dicirse que hai tres elementos que explican o boom da IA, un campo con case sete décadas de vida, pero que estoupou na pasada, ata facerse case omnipresente na que andamos. Trátase da extraordinaria potencia de cómputo que alcanzaron as computadoras, a crecente dispoñibilidade e diversidade de datos, e o deseño de mellores algoritmos, sobre todo aqueles baseados en redes neuronais artificiais, capaces de aprender a partir deses datos a resolver problemas moi complexos. O aumento na capacidade computacional leva bastantes décadas crecendo de modo exponencial. O último chip presentado pola compañía NVIDIA supera os 200.000 millóns de transistores -elementos básicos no funcionamento das computadoras, que operan a modo de diminutos interruptores-, case cen millóns de veces máis que os que tiña o primeiro microprocesador comercializado, o Intel 4004, que viu a luz en 1971. Este extraordinario progreso tecnolóxico é coma se en pouco máis de medio século unha muller e un home tivesen unha descendencia igual á poboación de Brasil. É un exemplo abafador, pero pense que unha soa parella de ratas podería multiplicarse nese medio século ata ter unha descendencia acumulada -se todos os seus descendentes vivisen aos 50 anos e seguisen reproducíndose durante toda a súa vida-, moi superior ao número de partículas do universo. Por iso nin o Ratibrom acaba con elas. Aos tres elementos antes comentados, iso si, hai que engadirlle un cuarto, igualmente importante. Trátase do investimento, sobre todo de capital privado, que se está facendo en IA e que alimenta todo o demais. Non todos os problemas que poderiamos querer abordar con aprendizaxe automática dispoñen de datos suficientes Se calquera destes catro factores se estanca, farao a IA. De momento nada apunta a que isto vaia suceder no curto ou medio prazo. Sen embargo, os datos non son ilimitados, por exemplo. Certamente cada vez dispoñemos de máis datos, pero non ocorre por igual en todos os ámbitos, polo que non todos os problemas que poderiamos querer abordar con aprendizaxe automática dispoñen de datos suficientes, nin é igual de fácil obtelos en todos os casos. Adestrar os grandes modelos de linguaxe Conseguir texto, voz, imaxes ou vídeos para alimentar os modelos de IA de gran escala é relativamente fácil, en particular cando os datos están na internet. Outra cousa é a súa calidade e se se respecta ou non a propiedade intelectual e as condicións de uso concretas que teñen estipulados algúns deses datos. Para adestrar os grandes modelos de linguaxe, ou LLM, adóitanse usar corpus de textos que no seu maior parte están sacados de Common Crawl, unha plataforma que hai un ano almacenaba uns 300.000 millóns de páxinas web, o que equivale a aproximadamente 400 terabytes de datos (https://commoncrawl.org/). Con todo, non hai ningunha base de datos en física, química ou medicina que se poida sequera aproximar a esta cifra. Por exemplo, a base de datos Protein Data Bank, ou PDB, utilizada por DeepMind para adestrar o seu programa AlphaFold2 co obxecto de predicir a estrutura tridimensional das proteínas a partir da súa secuencia de aminoácidos, ten “só” unhas 220.000 estruturas de proteínas, ácidos nucleicos e grandes complexos. Trátase dunha cantidade irrisoria comparada co texto de Common Crawl, pero extraordinariamente difícil e custosa de crear. Nunha estimación moi prudente, cífrase nuns 20.000 millóns de dólares o valor de repoñer os datos da PDB se estes desaparecesen por algunha razón. Datos sintéticos A escaseza de datos en múltiples ámbitos téntase paliar a miúdo con datos sintéticos, xerados por computadora. Pero esta solución dista de ser a panacea, e en ocasións é unha moi mala solución, xa que os datos artificiais poden reproducir e amplificar os nesgos dos conxuntos de datos de partida, estar corrompidos e ser pouco representativos da diversidade e complexidade dos datos reais, facéndoos inadecuados para o adestramento dos modelos de aprendizaxe automática que se utilizan con frecuencia no desenvolvemento de aplicacións baseadas na intelixencia artificial. De cando en vez contáctanme médicos que dispoñen de datos dos seus pacientes, que foron acumulando con gran dedicación ao longo do seu exercicio profesional. Dinme que queren utilizalos para resolver este ou aquel problema mediante aprendizaxe automática. É un esforzo loable e non exento de valor, pero en xeral eses datos distan de ser suficientes e representativos da diversidade de casos que se teñen que contemplar para resolver o problema que queren abordar. Cando lles digo que pouco se pode facer cos seus datos adoitan mirarme con desconcerto, e entón son eu o que lles di que sempre poderán buscar unha segunda opinión.