La tríada de la IA y lo que significa para la estrategia de seguridad nacional
Resumen ejecutivo
Una sola frase puede resumir las complejidades de la inteligencia artificial moderna: «Los sistemas de aprendizaje automático utilizan el poder de cómputo para ejecutar algoritmos que aprenden a partir de los datos». Todo lo que los responsables de formular las políticas de seguridad nacional realmente necesitan saber sobre una tecnología que parece estar en auge y ser poderosa y misteriosa a la vez queda plasmado en esas palabras. Estas definen un paradigma de la IA moderna —el aprendizaje automático— en el que las máquinas extraen sus propias conclusiones a partir de los datos, a diferencia de los sistemas expertos del pasado, dirigidos por humanos.
La misma frase también presenta la tríada de la IA: algoritmos, datos y poder de cómputo. Cada elemento es vital para la eficacia de los sistemas de aprendizaje automático, aunque su prioridad relativa cambia en función de los avances tecnológicos. Los algoritmos rigen la forma en que los sistemas de aprendizaje automático procesan la información y toman decisiones. Hoy en día son habituales tres clases principales de algoritmos: el aprendizaje supervisado, que extrae conclusiones de conjuntos de datos estructurados; el aprendizaje no supervisado, que destaca por encontrar estructuras o clústeres en conjuntos de datos desorganizados; y el aprendizaje por refuerzo, que desarrolla la capacidad de un sistema de aprendizaje automático mediante ensayo y error. Por lo general, estos algoritmos se ejecutan en redes neuronales, un tipo de arquitectura de programas de computadora. Las redes neuronales ofrecen una enorme flexibilidad y potencia, pero conllevan sus propias contrapartidas: principalmente, la falta de transparencia detrás de su razonamiento.
A menudo, aunque no siempre, los datos son la forma en que los sistemas de aprendizaje automático aprenden sobre el mundo. Si un hecho no figura en los datos proporcionados a la máquina, el sistema nunca lo aprenderá, especialmente en el caso del aprendizaje supervisado. La adquisición de conjuntos de datos más grandes y representativos puede potenciar aún más los sistemas de aprendizaje automático. Sin dichos conjuntos de datos, pueden introducirse sesgos en los sistemas, lo que provoca que su rendimiento sea deficiente en formas difíciles de detectar.
Aunque suele pasarse por alto, el poder de cómputo es cada vez más importante a medida que los algoritmos se vuelven más complejos y los conjuntos de datos, más grandes. En los últimos ocho años se ha producido una revolución en la cantidad de poder de cómputo aplicada al aprendizaje automático de vanguardia, multiplicándose por varios cientos de miles. El poder de cómputo influye cada vez más en el rendimiento de los sistemas de aprendizaje automático y representa un costo significativo durante el desarrollo de los sistemas.
Cada uno de los componentes de la tríada constituye una palanca en relación con las políticas públicas. El progreso algorítmico depende de que una nación atraiga y desarrolle a investigadores talentosos en aprendizaje automático. Contar con conjuntos de datos más grandes y mejores requiere que se tomen decisiones complejas en materia de políticas públicas relativas a sesgos, privacidad y ciberseguridad. El poder de cómputo puede constituir una palanca para los controles a la exportación en la política exterior, así como un cuello de botella para la investigación en IA a nivel nacional. Para accionar con sensatez las palancas disponibles para las políticas públicas de la IA, los responsables de formularlas deben comprender primero la propia tecnología y la forma en que reconfigurará la seguridad nacional. El concepto de la tríada de la IA es un marco para lograrlo.