Cómo entrenar a tu robot

Ya existen máquinas que hablan, caminan y gesticulan. Ahora, los nuevos algoritmos de aprendizaje les permitirán relacionar y asimilar conceptos.

¿Dónde está esa revolución de la robótica que se nos prometió? Desde hace décadas, innumerables científicos y escritores de ciencia ficción han pronosticado un futuro en el que los humanos viviríamos codo con codo con máquinas autónomas que nos entenderían y nos harían la vida más fácil. Pero lo cierto es que, a pesar de que cada vez hay un mayor número de humanoides capaces de hablar y cumplir las más diversas tareas, el único autómata que, hoy por hoy, parece haberse introducido de verdad en nuestra sociedad es una aspiradora con forma de frisbee llamada Roomba.

Y eso que los avances en este campo no han cesado desde que Unimate, el primer robot industrial de la historia, comenzara a trabajar en una cadena de montaje de General Motors en 1961. En el último medio siglo, se han ido mejorando las capacidades de este tipo de máquinas y el modo en que colaboran con los humanos. Si todavía no nos hemos acostumbrado a verlas en nuestro día a día es porque, principalmente, se encuentran en fábricas. De hecho, Unimate era un brazo automatizado que pesaba casi 2.000 kilos. El gigante de la industria de la automoción lo empleaba para mover grandes piezas de metal caliente y soldarlas, una tarea que entrañaba riesgos para los operarios.

Fue la primera vez que una máquina sustituyó por completo a un humano en el trabajo. Las nuevas tecnologías que emanaron de la Revolución Industrial, como los tractores y las segadoras, permitían reducir el número de empleados, pero no los eliminaban por completo, pues se trataba de dispositivos que tenían que ser manejados o supervisados por personas. Pero el Unimate no era una simple máquina. Podía asumir una tarea concreta por sí solo.

En el último medio siglo, el número de robots que desempeñan alguna labor en procesos industriales no ha dejado de crecer. En 2014, ya había 478 de ellos por cada 10.000 operarios humanos en Corea del Sur, lo que supone que casi el 5 % de la fuerza de trabajo en ese país está conformada por esos ingenios. Corea del Sur encabeza esta clasificación seguida de Japón, con 315 autómatas, en idéntica proporción; los sigue Alemania, con 292, según los datos de la Federación Internacional de Robótica.

Máquinas capaces de adaptarse

Si ya hay tantas máquinas construyendo vehículos, manipulando componentes electrónicos y metales pesados, ¿por qué no pasa lo mismo en las tiendas, en los hoteles o incluso en nuestros hogares? ¿Por qué todavía no contamos con dependientes robóticos y androides que realicen las tareas domésticas? La respuesta es que, para una máquina, no es fácil gestionar lo desconocido.

La mayor parte de los robots industriales suelen enfrentarse a tareas repetitivas donde, en general, no se topan con situaciones para las que no están preparados. En las cadenas de montaje, las piezas que manejan se encuentran siempre en el mismo sitio, tienen el mismo tamaño y siempre se manipulan de la misma forma. Para aprender a hacerlo, el robot solo necesita saber dónde debe actuar, a qué velocidad ha de hacerlo y las acciones concretas que requiere la tarea. Así, al menos, funciona la programación convencional, que el catedrático de Robótica Carlos Balaguer, de la Universidad Carlos III de Madrid, describe como un proceso rudimentario en el que si cualquier detalle externo cambia, hay que empezar de nuevo.

“Los robots tienen el potencial de mejorar la vida de la gente. Podrían asistir a los astronautas que viajen a Marte, a los pacientes de un hospital o a los trabajadores en las fábricas”, explica Stefanie Tellex, una experta en ciencias de la computación de la Universidad Brown, en EE. UU., que investiga cómo podrían estos ingenios comunicarse con nosotros mediante un lenguaje natural. La programación clásica les permite asumir tareas, pero no lidiar con accidentes, por ejemplo. Para ello deberían ser capaces de entender el mundo y su entorno, de modo que pudieran reaccionar de forma autónoma ante cualquier situación.

En la industria del tratamiento de residuos, ya existen máquinas especializadas en la recuperación de botellas de tereftalato de polietileno (PET), un plástico que se utiliza en la fabricación de envases. Una de ellas es Wall-B –su nombre recuerda el del simpático robot de la película WALL-E–, desarrollada por la empresa española Sadako Technologies. El ingenio distingue los recipientes PET entre todos los desechos mediante un sistema de visión artificial que intenta reproducir lo que hace el cerebro humano cuando procesa las señales visuales que captan nuestros ojos.

Para ello, Wall-B cuenta con varias cámaras y unos algoritmos de inteligencia artificial que le permiten procesar las imágenes y entender lo que ve. “Las botellas PET no se encuentran siempre en la misma posición y suelen llegar chafadas y entremezcladas con otros objetos”, explica Belén Garnica, responsable de desarrollo de negocio de Sadako Technologies. Por eso, su robot ha tenido que aprender a reconocer los envases que busca y a efectuar los movimientos necesarios para recuperarlos. Los autómatas como Wall-B acaban sabiendo lo que tienen que hacer gracias a la técnica de entrenamiento robótico más empleada en la actualidad: el aprendizaje de máquinas. Esta consiste en mostrarle miles o millones de ejemplos, hasta que, a partir de ellos, llega a inferir un comportamiento. “Se trata de que el robot aprenda de la experiencia sin ser programado explícitamente para ello, y que su conocimiento aumente con cada nueva tarea, objeto o situación a la que se enfrente”, explica Balaguer.

Así es como funciona el sistema de reconocimiento de caras en Facebook, por ejemplo. Su algoritmo fue expuesto a millones de fotografías que habían sido previamente etiquetadas a mano por personas. Estas habían marcado en cada una el área de la imagen en la que se encontraba la cara; el software las examinó hasta que logró distinguir a cada individuo con precisión.

Ciberprofes y roboalumnos

Gracias a esta estrategia, los robots van adquiriendo autonomía y una cierta capacidad de razonar. Pero si la idea es que acaben haciendo nuestra vida más cómoda, el hecho de que su aprendizaje dependa de que haya un gran número de personas invirtiendo su tiempo en etiquetar millones de datos no resulta demasiado eficiente. Para acelerar este proceso, un equipo de investigadores de la Universidad de Stanford, en EE. UU., ha puesto en marcha el proyecto RoboBrain –una expresión que podría traducirse como RoboCerebro–, con el objetivo de que los robots se enseñen unos a otros.

RoboBrain funcionaría como una especie de Google para autómatas adonde cada máquina acudiría en busca de un conocimiento específico previamente adquirido por otra. Así, podría consultar, por ejemplo, cómo agarrar una taza correctamente por su asa o la mejor forma de manipular un picaporte para abrir una puerta. Tras descargar ese conocimiento concreto y emplearlo en resolver el problema al que se enfrenta, el robot devuelve su experiencia a la base de datos de RoboBrain. De este modo, el próximo ingenio que utilice el servicio contará con más información disponible.

“Cuantos más datos se aporten, mejor será el rendimiento de los robots”, afirma el experto en ciencias de la computación Ashutosh Saxena, responsable de la iniciativa. En su opinión, que un robot encuentre más o menos difícil aprender a hacer algo también depende del entorno. “Si un programador lo entrena para una determinada situación, puede que no funcione bien si algo cambia, aunque sea mínimamente”, explica Saxena. E indica: “Para llegar a hacer algo aparentemente tan sencillo como preparar una tortilla francesa, debería tener en cuenta decenas de variables, como el aspecto y la disposición de la cocina. Y no hay dos iguales”.

Pero si un robot aprende a manipular un huevo sin romperlo, su experiencia podría servirle a otro que necesite cambiar una bombilla, por ejemplo. Este todavía tendría que discurrir ciertas cosas, entre ellas, cómo enroscarla y desenroscarla, pero, al menos, sabría cómo sujetarla con cuidado. Saxena cree que estos conocimientos compartidos multiplicarán enormemente las capacidades de estas máquinas, lo que se observará antes de diez años. El enorme potencial de esta estrategia ha despertado el interés de muchos expertos. El Instituto Tecnológico de Massachusetts, a través de su publicación MIT Technology Review, la ha considerado una de las diez tecnologías emergentes más destacadas del año.

La antes mencionada Stefanie Tellex ha lanzado una iniciativa similar, el desafío Un millón de objetos. La idea es que todas las unidades de un tipo concreto de robot denominado Baxter que hay repartidas en distintas cadenas de montaje por todo el mundo compartan sus habilidades y formen una gran base de datos sobre el manejo de muy distintas piezas.

Una de las empresas más interesadas en que los robots sean capaces de identificar y manipular cosas es Amazon. En sus enormes almacenes, miles de productos de diferentes formas y tamaños se apilan a la espera de que alguien los compre. Y cuando sucede, un operario debe recorrer la instalación para localizarlos y empaquetarlos. La compañía, consciente de la poca eficiencia del proceso y de la pérdida de tiempo que supone para sus empleados, organizó un concurso para mozos de almacén robóticos. Los ingenios que participaron debían encontrar, recoger y embalar veinticinco objetos diversos, desde paquetes de galletas hasta patitos de goma.

Pero ninguno de los 31 robots candidatos logró completar todas las pruebas con éxito. Por ejemplo, los libros de bolsillo supusieron un gran problema para la máquina presentada por la Universidad de Alberta (Canadá), que estaba equipada con una mano de tres dedos. Al ser tan finos, la cámara del robot apenas podía detectarlos, y, cuando por fin lo conseguía, no lograba sujetarlos bien con sus gruesas extremidades.

El encuentro, denominado Amazon Picking Challenge, demostró que por muy sofisticado que sea el hardware de un robot, de nada sirve si el software que lo controla no entiende el entorno. “Existen robots increíbles, pero no pueden funcionar al máximo de sus capacidades, porque aún carecemos de los algoritmos necesarios”, asegura el neurocientífico Demis Hassabis, que lidera el programa de investigación en inteligencia artificial de Google. En 2010, Hassabis fundó la compañía DeepMind, especializada en este tipo de tecnologías, que luego sería adquirida por el gigante de las búsquedas online.

El pasado marzo, su sistema AlphaGo, concebido para disputar partidas de go, un milenario juego de estrategia ideado en China, derrotó al campeón surcoreano Lee Sedol, uno de los mejores jugadores del mundo. Para entrenarse, la máquina se enfrentó a sí misma millones de veces. “No sentí que llevara la ventaja en ningún momento”, confesó Sedol tras el encuentro.

Pasarán años antes de que convivamos con androides

Su historia recuerda a la del célebre ajedrecista Garry Kaspárov. En 1997, este fue batido por el ordenador Deep Blue, de IBM. Era la primera vez que una computadora se imponía a un campeón del mundo en las mismas condiciones en las que se disputan los torneos de ajedrez. Pero el logro de Google es mucho más complejo. Un ajedrecista tiene que lidiar con una media de 35 movimientos posibles en cada turno, mientras que en el go ascienden a 250. “El ajedrez es un juego de cálculo, pero el go resulta demasiado complejo; en buena parte se basa en la intuición”, comenta Hassabis. La de IBM poseía una gran potencia de cálculo, pero la máquina de Google consiguió imitar un proceso intuitivo. Es un avance espectacular que los expertos no esperaban que sucediera hasta dentro de un par de décadas.

Obviamente, el objetivo de Google no es que las máquinas nos dominen en los juegos de mesa, al igual que Amazon no pretende que un robot sepa coger patitos de goma. Al final, este tipo de iniciativas persiguen el desarrollo de una inteligencia artificial capaz de comprender el mundo y enfrentarse a él.

Eso sí, aún nos encontramos lejos de conseguirlo. Puede verse en los coches autónomos, en los que también trabaja Google. A pesar de haber sido entrenados para entender las señales de tráfico, a veces algunos vehículos no dejan de dar vueltas en las rotondas porque no saben salir de ellas. Algo parecido le ocurría a las primeras versiones de la ciberaspiradora Roomba cuando alguna mascota se subía encima y tapaba su cámara. Son solo dos ejemplos que muestran los muchísimos retos que la robótica aún tiene por delante antes de que se enfrente a lo que el catedrático Carlos Balaguer considera el auténtico gran desafío: el desarrollo de robots-compañeros que convivan con nosotros, algo que las máquinas aún tienen que aprender.

Imágenes: DHL / Robotcup consortium / Universidad Técnica de Berlín

Etiquetas: Inteligencia Artificialrobóticatecnología

Continúa leyendo

CONTENIDOS SIMILARES

COMENTARIOS

También te puede interesar