El aprendizaje profundo, también conocido como deep learning, aprovecha la enorme cantidad de datos disponibles para capacitar a las computadoras para que funcionen de manera similar a nuestro cerebro. Al lograrlo, las máquinas pueden abordar problemas y alcanzar resultados deseados sin instrucciones explícitas de cómo hacerlo. Por ejemplo, si quisiéramos enseñarle qué es un tenedor, en lugar de describírselo detalladamente, tan solo deberíamos proporcionarle un conjunto extenso de imágenes para que aprenda a identificarlo por sí misma. Este modelo de aprendizaje se considera supervisado debido a que las imágenes que le enseñamos a nuestro programa ya fueron filtradas y etiquetadas anteriormente como “tenedores”, por ende nuestro modelo lo que hace es analizar cuál es el común denominador de estas imágenes para aprender qué es un tenedor
Por otro lado podemos encontramos modelos de aprendizaje no supervisados, en los que los datos no han sido etiquetados previamente. Un ejemplo de esto sería si tenemos muchas imágenes de utensilios de cocina sin la etiqueta correspondiente de cada uno. En ese caso, nuestro algoritmo de aprendizaje automático no supervisado analizará las características de los artículos de las imágenes, como sus formas, colores, tamaños y texturas, y agrupará los que encuentre similares según estos y otros patrones, pero no les habrás asignado etiquetas tales como “tenedores” o “cucharas” a estos ya que no es la finalidad de estos modelos.
Por último, encontramos modelos de aprendizaje automático por refuerzo, en donde nuestro agente inteligente procede a aprender a tomar decisiones según un sistema de premios y castigos, apuntando a obtener la mayor cantidad de premios de forma acumulativa. Un ejemplo del aprendizaje automático por refuerzo podría darse con un modelo dedicado a aprender a jugar al ajedrez. Nuestra AI puede no saber que está jugando al ajedrez, qué es el ajedrez en sí o cuáles son sus reglas, sin embargo la misma interactuará con su entorno al mover sus piezas, y así, a lo largo de varias partidas irá siendo recompensada o penalizada a medida que vaya ganando o perdiendo cada una de ellas. Así, poco a poco empezará a perfeccionar las acciones que la llevan a recibir más recompensas de forma sistemática.
Esta combinación del aprendizaje profundo y la gran cantidad de datos hoy disponibles, han resultado en logros asombrosos en el último tiempo. Después de todo, no nos podemos olvidar que cuando caminamos o nos desplazamos utilizando o no algún tipo de vehículo, siempre llevamos en nuestros bolsillos un teléfono celular con GPS, que recopila información y la envía a las empresas que se encuentran detrás del desarrollo de cada aplicación que tenemos instalada. Lo mismo sucede cuando utilizamos nuestros navegadores web y hacemos click en distintos botones de una página web. Si pasamos más tiempo concentrados en un área particular de un sitio web o si nos desplazamos rápidamente fuera de él. Todo ello ayuda a conformar esas enormes bases de datos que alimentan los algoritmos que nos facilitan la vida y que en ocasiones nos sugieren productos que quizás ni sabíamos que queríamos o que existían.
Necesitamos ahora comprender qué significa realmente la Inteligencia Artificial junto al incremento exponencial del poder tecnológico para el mercado laboral. Con esta nueva capacidad de aprender de las máquinas, puede que no muchos de los trabajos que hoy conocemos se encuentren protegidos, incluso puede que aún estemos creando trabajos que ya puedan ser automatizados.