Sin miedo a ChatGPT: los nuevos empleos que está creando la inteligencia artificial

A menudo habrás oído hablar de los especialistas en machine learning y en deep learning, pero, aunque ambos partan de la inteligencia artificial, conviene conocer las diferencias. El especialista en machine learning diseña algoritmos a los que les ha enseñado a sacar determinadas conclusiones a partir de los datos, mientras que el segundo consigue que dicha tecnología imite el comportamiento cerebral humano y trabaje de manera autónoma para sacar sus propias conclusiones e incluso aprender de sus errores.

Imaginemos un ejemplo, el de una empresa de investigación médica que quiere detectar cánceres de manera prematura. El ingeniero de machine learning recurrirá a un software en el que habrá marcado una serie de indicios que pueden desembocar en esta enfermedad: paciente fumador, con determinada edad y peso, con ciertos parámetros sanguíneos… Con ello, su algoritmo rastreará entre las bases de datos de pacientes y alertará de quiénes tienen más probabilidades de padecer un cáncer. El especialista deep learning, por su parte, irá más allá: además de todo lo anterior, desarrollará un algoritmo que, por ejemplo, sea capaz de encontrar manchas sospechosas en las radiografías de pulmones para detectar posibles tumores, un dato que no habría introducido previamente un humano por no ser una información medible en cifras. En caso de falsa alarma, además, este algoritmo clasificará todas las manchas sospechosas que encuentre a lo largo del tiempo para aprender, por sí mismo, a diferenciar cuáles son falsas alarmas y cuáles, en efecto, se corresponden con un tumor

A menudo se habla de si un robot va a hacer nuestro trabajo, pero no de que precisamente esos robots no ‘nacen’ aprendidos, sino que deben tomar decisiones gracias al aprendizaje que obtuvieron inicialmente de su propio entrenador y que, con el tiempo, van mejorando de manera autónoma. Imaginemos la cadena de montaje de un automóvil. Un entrenador de robots puede trabajar en dos tipos de entornos: estructurado y desestructurado. En el primero, todo en el espacio de trabajo (el sitio concreto del robot, las piezas del coche, la cadena de montaje…) estará ordenado y en su sitio, así que el entrenador programará el robot para que detecte en dicha cadena –por ejemplo– la presencia de un retrovisor, lo coja, lo sitúe en un soporte en el que recibirá una capa rápida de pintura, detecte que ya ha sido pintado, lo coja de nuevo y lo coloque en otro punto de la cadena.

Pero, como decimos, el entorno de trabajo también puede estar desestructurado. Seguro que alguna vez has visto vídeos de robots que tienen que enfrentarse a ciertas complicaciones: un obstáculo en mitad del camino, un objeto que aparenta ser lo que en realidad no es, una caja que mueven cuando el robot está a punto de cogerla… Más allá de lo humorístico de muchos de estos vídeos, lo que en realidad están haciendo esos ingenieros es entrenar a sus robots para que sean capaces de detectar cualquier percance, evitarlo y seguir trabajando. Son los encargados, en definitiva, de darle al robot el conocimiento suficiente para que pueda realizar adecuadamente aquellas tareas repetitivas, mecánicas o tediosas. El trabajo de entrenador de robots, de hecho, ya existe en España. Un ejemplo lo encontramos en las instalaciones de Repsol Technology Lab, donde sus investigadores ya trabajan codo con codo junto a robots colaborativos en sus procesos de laboratorio.

El trabajo de quienes se dedican a la ciberseguridad suele empezar de dos posibles maneras: reactiva (ha habido un ataque y hay que solucionarlo) o proactiva (estableciendo controles rutinarios para evitar accesos no autorizados). En el segundo caso, el más frecuente a día de hoy, los técnicos se encargan de vigilar el perímetro de su sistema de manera manual o automática, pero siempre con unos patrones previamente establecidos. Sin embargo, cuando emplean inteligencia artificial, su labor va un paso por delante, ya que analiza patrones de manera autónoma.

Pongamos un ejemplo. La IA puede, por ejemplo, aprender los comportamientos normales en el sistema de la empresa: la mayoría de la gente se conecta de día, lo hace un número determinado de veces, las contraseñas se cambian periódicamente, los empleados tienen acceso a una serie de archivos, los jefes intermedios a otros y los directivos a otros… Con esta información, dicha IA se encargará de trabajar de manera autónoma y, si detecta algún comportamiento no habitual (por la noche hay demasiadas conexiones al sistema, un supuesto empleado ha accedido a la carpeta de un directivo, las contraseñas se han cambiado antes de tiempo…), lanzará una alarma y adoptará las medidas convenientes. De este modo, la empresa logrará adelantarse al ciberataque y detenerlo antes incluso de que se produzca.