En nuestraRevista Retina

Búscala en el quiosco
Ralf Herbrich, director de aprendizaje automático de Amazon.
Ralf Herbrich, director de aprendizaje automático de Amazon.

Ralf Herbrich: “Se exagera el potencial del ‘machine learning’”

El director de aprendizaje automático de Amazon cuenta que tardó cuatro años en automatizar la detección de fruta fresca. La inteligencia artificial despegará realmente, opina, cuando mejore la eficiencia energética

Ralf Herbrich (Schwedt, Alemania, 1974) se confiesa un amante de los videojuegos. En la mente de este informático, con doctorados en programación y teoría estadística, eso significa que juega con ellos, pero también que ha puesto su granito de arena en su perfeccionamiento. Trabajó durante más de diez años en Microsoft como investigador, donde participó en simuladores de conducción y en el superventas Halo 3 para Xbox. Poco a poco se fue especializando en sistemas de machine learning, una de las áreas más pujantes de la inteligencia artificial. Luego saltó a Facebook, donde contribuyó a cerrar tres patentes sobre ordenación automática de búsquedas rankeadas. Fichó por Amazon hace siete años con el cometido de dirigir la investigación en machine learning de la multinacional, tarea que se realiza en varios centros repartidos por todo el mundo (y que él coordina desde Berlín).

De visita en las oficinas de Amazon de Barcelona, que alberga un equipo de I+D centrado en aprendizaje del lenguaje natural, Herbrich desliza que no le importaría mudarse a la capital catalana. “Barcelona es un lugar fantástico en el que vivir. Hay gente muy abierta, mucho movimiento, excelencia científica, playa…”, comenta tras señalar las montañas de Collserola, donde corrió la mañana en que se realizó la entrevista.

Una de las cosas que más valora Herbrich de Barcelona, ciudad en la que trabaja parte de su equipo, es que tiene unas montañas cerca (Collserola) en las que correr.

Amazon empezó como una tienda de libros. ¿Qué es hoy?

Es una compañía tecnológica que trata de centrarse en una clientela planetaria y que apuesta por acercarse al cliente principalmente a través de la tecnología. El uso masivo de algoritmos y métodos matemáticos para analizar y digitalizar la información es clave para vender de forma más fácil y barata.

¿Cuál es la función de la inteligencia artificial (IA) en la compañía?

Es la tecnología que nos permite escalar los procesos existentes para ofrecer más valor al cliente. Los primeros libros del catálogo de Amazon se anotaron manualmente. Había gente que se los tenía que leer y luego organizar por temática, autor, etcétera. Ahora, más del 90% de ese proceso lo realizan algoritmos. También hay casos en los que la IA literalmente posibilita la existencia de productos. Alexa sería imposible sin un sistema de reconocimiento de voz apoyado en machine learning. Cuando llegué a la empresa, esta tecnología estaba empezando a usarse en algunas divisiones, como por ejemplo el departamento de previsión de compras. Ahora no se me ocurre ninguna que no lo use.

¿En qué proyectos están trabajando?

Trabajamos en cuatro grandes áreas. Una es la automatización del entrenamiento de modelos de machine learning, lo que llamamos el establecimiento de superparámetros; el metaaprendizaje, o aprender a aprender. La segunda área es la traducción de voz y texto a un lenguaje que entienda la máquina. La tercera es la automatización de la evaluación de calidad de los productos frescos: frutas, vegetales, etcétera.

La cantidad de energía dedicada a que AlphaGo realice un movimiento es 1.000 veces mayor a la que necesita un ser humano

¿Cómo funciona esta última?

El 1% de todas las fresas, lechugas y demás que compramos lo analizamos y clasificamos en distintos niveles de frescura. Usamos infrarrojos, que van más allá de lo que puede ver el ojo humano. Esas cámaras pueden detectar líquidos por debajo de la superficie. Debemos aprender a reconocer la apariencia de una pera podrida o que se está estropeando. Nos llevó cuatro años de trabajo y varios fracasos llegar hasta esto [risas]. El 50% de toda la fruta se va a la basura antes de llegar a las neveras. Podemos contribuir a bajar esa proporción. El desafío es desarrollar este sistema a un precio asequible para poder integrarlo masivamente en nuestros procesos.

¿En qué más están trabajando?

El cuarto grupo de investigación tiene que ver con las previsiones. Por ejemplo, en moda: la idea es poder anticipar cuántas unidades de cada prenda se van a vender con unos 12-14 meses de antelación, de manera que se pueda producir a tiempo. Esa previsión se hace a partir de tendencias, modelos, etcétera. Usamos deep autoregressive networks, esto es, deep learning [aprendizaje profundo] combinado con modelos autorregresivos para las series temporales que permiten a nuestros desarrolladores prever su producción. Como ve, nuestra forma de concebir la investigación parte de pensar qué queremos conseguir y luego hacemos el resto, cuando el proceso habitual es avanzar en distintas áreas de conocimiento y luego ver qué sale.

¿Cómo cree que cambiará el machine learning la sociedad en los próximos años?

El machine learning nos ayuda a automatizar tareas repetitivas. Creo que cambiará la naturaleza de muchos empleos, restando tareas rutinarias para que nos centremos en las más creativas, igual que pasó con el trabajo físico en el pasado. ¿Qué sucede con la toma de decisiones y los posibles sesgos que incorporen los algoritmos? Lo que hacen estos es comprimir datos y repetir patrones, de manera que si hay sesgos los reproducirán. Definitivamente, en las bases de datos hay infrarrepresentación por género, etnia, religión... Lo bueno es que con las matemáticas podemos compensar esos sesgos, mientras que para un individuo es más difícil deshacerse de sus prejuicios.

¿Se exagera el potencial del machine learning?

Es cierto que hay unas expectativas que no siempre son realistas. Todas las decisiones que toman los algoritmos se basan en la recogida de datos durante años. Uno de los cuatro que tardamos en desarrollar el sistema capaz de detectar fruta fresca del que le he hablado lo dedicamos a recoger datos. Luego está la reflexión de la eficiencia. AlphaGo [el programa desarrollado por Deep Mind para jugar a Go] es un logro increíble, pero no podemos olvidar que la cantidad de energía dedicada a que el sistema realice un movimiento es al menos 1.000 veces superior a la que necesitan los humanos. Sin una mayor eficiencia energética no se podrá avanzar mucho más. La inteligencia artificial general es una construcción teórica bonita, pero poco más.

¿Llegaremos a ver paquetes de Amazon entregados por drones?

Estamos cerca de ello, sí. Estos aparatos son cada vez más autónomos, gracias también a la IA. Lo que queda por pulir son cuestiones de seguridad: estamos tomándonos nuestro tiempo para garantizar que sea totalmente seguro. Pero estamos en ello, no lo dude.

Retina

20/09/2019
Veinticuatro horas en un pequeño hogar solar
05

Veinticuatro horas en un pequeño hogar solar

Probamos una instalación solar en una casa sobre ruedas. La autarquía energética gracias al sol puede estar al alcance de cualquiera. Basta una pequeña inversión para librarse de facturas

06

Ni con Google ni sin él: así es la metamorfosis forzada de Huawei

La presentación del Huawei Mate 30, clave para saber hacia dónde se encamina la compañía tras varios meses de veto por parte de Estados Unidos, ha mostrado un terminal con sistema Android, sin la Play Store ni las apps de Google, pero con un plan para que se puedan instalar fácilmente

Ni con Google ni sin él: así es la metamorfosis forzada de Huawei
Normas