The Independent Sentinel #44
Descubra más de The Independent Sentinel
The Independent Sentinel #44
La nueva agricultura, mapas dinámicos y el laberinto del Minotauro
¡Hola! Soy Javier Fuentes, de Akoios, bienvenido a una nueva edición de The Independent Sentinel, la newsletter en la que hablamos sobre todo lo relacionado con la Inteligencia Artificial.
Si quieres recibir cada nueva edición en tu correo electrónico, puedes suscribirte fácilmente aquí:
En esta edición hablamos de la agricultura del futuro, de generación de mapas y de un laberinto mitológico.
¡Empezamos! 🛶
1. Tendencias 📈
🌽 La nueva agricultura
Al comienzo de la película Interstellar, el protagonista (Cooper) aparece trabajando en su granja en algún lugar de EEUU. Lo interesante de esta explotación es que está operada por multitud de máquinas autónomas dirigidas por IA y supervisadas por unos pocos humanos.
Desde el comienzo de la fiebre de la IA generativa y de este célebre tweet (o cómo se llame ahora) de Sam Altman, todos hemos venido pensando en cómo la revolución iba a comenzar -y así ha sido- por tareas intelectuales y no tanto por tareas físicas.
Pese a lo acertado de la predicción de Altman, lo cierto es que según vamos disponiendo de máquinas con capacidades cognitivas, nos empiezan a venir a la mente multitud de potenciales aplicaciones, tanto en el mundo digital como en el físico.
Cierto es que las tareas más físicas y manuales son más difíciles de resolver a priori por razones obvias pero, como ya vimos en TIS#31, las aplicaciones en el mundo real ya están empezando a aparecer.
La empresa israelí Tevel lleva tiempo trabajando en dispositivos robóticos asistidos por IA para automatizar los procesos de recolección. Seguramente el más llamativo sea este sistema operado a través de drones que, tras detectar el nivel de maduración del cultivo, procede a la recolección de manera precisa y delicada.
También tenemos la versión terrestre de estos dispositivos de recolección agrícola:
Otro buen ejemplo de esta tendencia en auge, es esta tecnología de Carbon Robotics orientada a la eliminación de malas hierbas usando láseres guiados por IA.
Obviamente, estamos aún en las fases iniciales de desarrollo de esta vertiente tecnológica que hibrida la robótica y la IA, pero todo hace presagiar que la reducción de costes en la fabricación y la eficiencia de estos dispositivos, harán que sea una solución razonable para cada vez más explotaciones agrícolas. Una nueva revolución agrícola puede estar más cerca de lo que pensábamos.
🗺 Generación de mapas
Por alguna razón, los mapas son algo que siempre me ha apasionado, probablemente por su capacidad de servir de soporte para mostrar todo tipo de datos con sentido geográfico.
El problema de estas representaciones con información geográfica es que no son algo rápido o sencillo que elaborar.
Esto podría estar cambiando. En TIS#42 ya hablamos de la funcionalidad “Code Interpreter” (ahora llamada “Advanced Data Analytics”) de ChatGPT y de todas las posibilidades que abría debido a su capacidad para poder crear en Python programas para encontrar soluciones a las cuestiones que se le plantean.
Déjame mostrarte con un ejemplo de generación de mapas la versatilidad infinita de esta herramienta “Advanced Data Analytics”.
🚨NOTA: Para probar este ejemplo, te hará falta una suscripción premium de ChatGPT y activar la funcionalidad “Advanced Data Analytics”.
Como vamos a ver, generar un representación de datos sobre un mapa puede ser infinitamente más sencillo de lo que nunca ha sido.
En primer lugar, debemos subir los ficheros de datos que vamos a utilizar. En este caso, vamos a trabajar con datos de PIB por país y con la delimitación geográfica de los países en un mapamundi. Por ello, deberemos subir lo siguiente:
El fichero con los datos de PIB (https://drive.google.com/file/d/11xcgphvedpTxH8Va4pACznZfeQW88-8P/view?usp=sharing)
El perfil geográfico (https://drive.google.com/file/d/1FlCP9sUIcX-UJdWVJEvO_mJgUYh9zDSh/view?usp=sharing)
Hacer esto es tan sencillo cómo indicárselo directamente a ChatGPT:
Voy a subir dos ficheros. El primero contiene la evolución del PIB por país desde 1960 hasta 2020 y el segundo contiene la delimitación de los países en un mapamundi. Este es el primero.La respuesta de ChatGPT muestra cómo el modelo ha entendido la petición:
Lo maravilloso de todo esto es que, una vez subidos los datos, podemos empezar a pedir información y representaciones sobre los mismos. Por ejemplo:
¿Puedes crear una visualización dinámica en el mapa con la evolución del PIB en cada país?
A lo que ChatGPT responde:
Y acaba generando el siguiente GIF:
Obviamente, el GIF no es perfecto (faltan datos de países, la escala de colores no es perfecta, etc.) pero, independientemente de esto, lo importante es ver qué es lo que es posible hacer sin escribir una sola línea de código.
Te invito a que pruebes a generar directamente representaciones visuales como estas, ya sea en el propio ChatGPT o en tu máquina local ejecutando el código que ChatGPT proporciona en un Jupyter Notebook o directamente en Google Colab.
Si lo haces, verás que el modelo es capaz de:
Entender de manera casi perfecta las peticiones (siempre que tengan sentido)
Ser consciente de errores y corregirlos automáticamente explicando el porqué
Ser capaz de recibir feedback para adaptar los resultados que está facilitando
¿Cómo de relevante es esto? ¿En qué medida esto puede ser un game-changer en términos de productividad?
Sin intentar ser riguroso, una labor así podría llevar media jornada a un especialista y varias jornadas a un perfil más junior. Sin embargo, ahora podemos tener un asistente capaz de seguir instrucciones y programar de manera generalista en cuestión de segundos.
Si esto no es AGI, sin duda que al menos se le empieza a parecer bastante 🤯.
2. Historias 📔
🎼 ¿Quieres banda sonora? ¡Dale al Play!
👨🏻💻 El padre del Bit
Uno de los principales responsables del mundo digital en el que vivimos es el ingeniero y matemático Claude Shannon. Nacido y criado en un pequeño pueblo de Michigan en 1916, curso sus estudios de matemáticas e ingeniería eléctrica en su estado natal para, al finalizar, acabar recalando en el celebérrimo MIT.
Al legar al MIT, y bajo la supervisión de Vannevar Bush, Shannon empezó a trabajar en máquinas analíticas de calculo para resolver, por ejemplo, ecuaciones diferenciales. La dificultad principal era que, por aquel entonces, la computación se realizaba usando máquinas mecánicas con engranajes, ejes y ruedas siguiendo la tradición de computación mecánica iniciada por Charles Babbage y Ada Lovelace.
Pese a que su formación principal era la de matemático, Shannon contribuyó de manera sustancial tanto a la teoría como a la práctica de la computación. Para entender un poco mejor su aportación, volvamos por un momento al analizador diferencial que acabamos de ver.
El ingenio mecánico diseñado por Bush tenía la siguiente configuración eléctrica basada en circuitería con relés:
A petición de Bush, Shannon -como buen matemático- empezó a analizar los principios de funcionamiento de este diseño y trazó un paralelismo que lo cambiaría todo:
La relación entre los estados “abierto” y “cerrado” de los relés con los estados “verdadero” y “falso” de la lógica booleana.
Desde esta analogía, Shannon pudo demostrar cómo construir circuitos para sumar, multiplicar o hacer cualquier operación matemática simplemente con ceros y unos. Esto marcó el comienzo del mundo digital, tan es así que a Shannon se le conoce desde entonces como el padre del Bit.
💭 El sueño de una máquina pensante
Tras su fructífera estancia con Bush en el MIT, Shannon se traslado a los míticos Laboratorios Bell (de los que ya hablamos en TIS#34) en 1941. El movimiento era natural, las compañías telefónicas eran, de lejos, las organizaciones que hacían un uso más intensivo de los relés por aquel entonces.
El interés de Shannon iba obviamente mucho más allá de las aplicaciones para la telefonía, su interés era ahondar en la disciplina que, aún sin saberlo, llevaba tiempo ayudando a crear: la computación.
No obstante, y con motivo de la Segunda Guerra Mundial, Shannon llegó a participar en proyectos secretos relacionados con la criptografía, los sistemas de control o los sistemas de misiles antiaéreos.
En el año 50, Shannon empezó a vislumbrar las posibilidades que la computación podría abrir en un ámbito que ya había mencionado Alan Turing: la Inteligencia Artificial. Sus primeras aproximaciones a la IA fueron estas dos publicaciones (ambas de 1950) en las que disertaba sobre cómo crear una máquina capaz de jugar al ajedrez: “Programming a digital computer for playing chess" y "Automatic Chess Player”.
Dejando momentáneamente de lado la IA, seguramente la contribución más relevante de Shannon fue la publicación (también durante su estancia en Bell Labs) de “A mathematical theory of communication”, escrito en el que sentaba las bases de la Teoría de la Información y cuyas conclusiones, obvias a día de hoy, eran revolucionarias por aquel entonces:
“Cualquier tipo de comunicación puede ser codificada y transmitida por cualquier medio digital usando únicamente ceros y unos”
- Claude Shannon
🧩 El Minotauro del laberinto
Demos un salto atrás en el tiempo. En la mitología griega, Teseo era el hijo de Egeo (rey de Atenas) y de Etra. Tras su nacimiento, y con el fin de protegerle de sus enemigos, Egeo alejó a su hijo de Atenas durante toda su infancia.
A los 16 años, después de haberse criado con su madre y su abuelo, Teseo decidió que era el momento de ir a Atenas para, por fin, conocer a su padre el rey.
Al llegar a Atenas y encontrarse finalmente -y no sin dificultades- con su padre, Teseo descubrió una terrible realidad de la ciudad. Después del enfrentamiento con Creta, Atenas se estaba viendo obligada a enviar anualmente en forma de tributo a siete doncellas y siete jóvenes para ser devorados por el monstruo Minotauro, una bestia con cuerpo humano y cabeza de toro popular en la mitología griega.
El minotauro solo consumía carne humana y su voracidad era insaciable, por lo que se construyó un laberinto en Creta para encerrarle en el más recóndito de sus rincones y en el que los jóvenes capturados para la ofrenda eran abandonados a su suerte.
Teseo, irritado por este hecho, insistió a su padre para ser enviado en uno de los tributos como uno de los siete jóvenes; no para ser devorado, sino para derrotar al terrible minotauro. Egeo finalmente acepto y Teseo partió rumbo a Creta.
Una vez allí, Ariadna, hija de Minos y Pasifae se enamoró perdidamente de Teseo y traicionó a su propia familia. Para ayudar a Teseo a escapar de una muerte segura frente al Minotauro, Ariadna le dio un puñal y un ovillo de hilo que le permitiese volver al punto de partida una vez hubiese derrotado al Minotauro.
Después de una cruenta batalla en la oscuridad del laberinto, Teseo logró vencer al minotauro. Hay diversas versiones de sobre cómo Teseo logró acabar con la bestia mitológica. Hay versiones que cuentan que le mató a puñetazos, otras que clavándole uno sus propios cuernos o, la más plausible, que fue usando la daga que había dado Ariadna.
Una vez derrotado la criatura, Teseo huyó del laberinto siguiendo los consejos de Ariadna y usando el ovillo que ella le había dado.
⚙️ Una máquina llamada Teseo
Volvamos de nuevo a Shannon en la mitad del siglo XX. Aparte de los diversos ingenios en los que trabajó como puro hobby (máquinas para resolver el cubo de Rubik, máquinas para hacer malabares, frisbees propulsados o la máquina más inútil del mundo), una parte significativa de la carrera profesional de Shannon estuvo dedicada a la Inteligencia Artificial.
Uno de sus primeros trabajos en este ámbito lo realizo en 1950 -prolífico año para Shannon- en el que construyó un autómata capaz de resolver laberintos.
El nombre de la máquina era obviamente Teseo y la tecnología para construirlo no podía ser otra que los relés con los que tanto había trabajado.
Shannon construyó la primera versión de Teseo en su propia casa con ayuda de su mujer, Betty, también matemática y empleada igualmente en los laboratorios Bell.
El diseño de Shannon de esta maquina capaz de autoaprender y moverse de forma autónoma fue usada posteriomente en Bell para comprender las laberínticas redes de comunicaciones del sistema de conmutación de AT&T.
Lo que Shannon construyó hace mas de 70 años dista de ser algo baladí. Logró con medios muy básicos construir un dispositivo capaz de:
Resolver el laberinto por prueba y error
Recordad la solución
Olvidar soluciones ya no válidas en caso de que cambie algo en el laberinto
En este ingenio mecánico, Teseo era un ratoncito mecánico que no usaba un ovillo de hilo para resolver el laberinto, sino un circuito eléctrico y un electroimán para realizar los movimientos. Moviéndose de forma sistemática y usando los relés a modo de memoria, Teseo iba mapeando y “entendiendo” el laberinto para encontrar la salida. Una vez encontrada, si el ratón era puesto en cualquier punto del laberinto, éste era capaz de dirigirse directamente a la salida.
Pero bueno, para que explicarlo yo, si os lo puede explicar el mismísimo Claude Shannon en este increíble vídeo:
Para muchos, la presentación en público de Teseo inspiró la incipiente disciplina de la Inteligencia Artificial ya que mostró que era posible crear máquinas capaces de aprender de su experiencia, aunque fuese a través de la fuerza bruta (ensayo y error).
Sirva esta edición como homenaje al gran Claude Shannon, un desconocido para muchos al que debemos una parte importante del mundo en el que vivimos.
¡Muchas gracias como siempre por leer hasta aquí!
¿Disfrutas The Independent Sentinel? ¡Difunde esta publicación para que la conozcan muchos más entusiastas de la ciencia y la tecnología!
Si tienes comentarios o quieres iniciar una conversación, recuerda que puedes hacerlo aquí.
Si te has perdido alguna edición de la newsletter o quieres volver a leerlas, puedes acceder a todas aquí.
Si quieres escuchar todas las canciones de The Independent Sentinel, echa un vistazo a esta lista de Spotify.