Y llegó el mes de septiembre. Hay que preparar los aperos, que toca ir a vendimiar: sombrero, guantes, tijeras y capacho. Este año me toca espuerta con el Dioni, con el que he pasado tantas risas durante esas interminables horas bajo el sol agachando el lomo. Al fin y al cabo, es necesario. Gracias a Dios, la cosecha de este año se prevé bastante mayor que la del año pasado. Por lo menos 5000 kg más. Y es que en 1950 las tormentas de verano trajeron mucho granizo…
Mucho ha cambiado la forma de vendimiar (y otras tareas agrícolas) durante las últimas décadas, debido principalmente a nuevas técnicas de sembrado como la espaldera de vid (comúnmente llamado viña emparrada) la cual permite, entre otras cosas, la mecanización del cultivo. Con esta técnica se acabó el agacharse a cortar cada racimo de nuestras vides, que en ocasiones estaban tan escondidos que salía más rentable dejarlos ahí a arriesgarse a una lesión en medio de la campaña, con el consecuente ahorro de tiempo. En lugar de ello, una máquina vendimiadora es suficiente para recoger la uva de una viña de 2 hectáreas en 2 horas, lo que hace unos años podían suponer 4 días de labor. Y para ello sólo se necesita a un conductor… ¿o no?
Para responder a esta pregunta, tenemos que comenzar hablando de la que se denomina la Cuarta revolución industrial o Industria 4.0, cuyo pilar fundamental es el Machine Learning o Inteligencia Artificial (IA). El concepto de IA, que fue acuñado en 1956 por John McCarthy, hace referencia al conjunto de técnicas algorítmicas que permiten a las computadoras realizar tareas de forma inteligente, es decir, de forma análoga a como lo haría un ser humano. En otras palabras: percibir el entorno, realizar acciones razonadas, evaluar el resultado de las mismas y aprender en base a ello.
¿Y esto cómo se hace? Imagina que tenemos una base de datos que relaciona el peso de muchos coches con la gasolina que consume cada uno de ellos a los 100 km. Si representásemos esta base de datos, nos podríamos encontrar con algo parecido a lo que se muestra en la figura 1. Aunque hay varios puntos que no siguen un patrón definido, en general la relación que se ve es claramente una recta. Por tanto, se podría usar la recta resultante para, conocido el peso de un nuevo coche, estimar su consumo. A esto se le conoce como Regresión Lineal.
Pero… de tener una recta que prediga el consumo de coches (lo cual no depende únicamente del peso) a realizar tareas de forma inteligente hay un gran trecho. Este es un ejemplo básico que ilustra cómo funciona la IA, ya que los algoritmos utilizados actualmente son bastante más complejos que una Regresión Lineal Simple. Aunque nunca hay que subestimar el poder de una recta…
Al igual que un avión imita a las aves para volar, los informáticos nos inspiramos en otros ejemplos de la naturaleza para desarrollar algoritmos. Por ejemplo, existen algoritmos que emulan el proceso evolutivo de las especies: los Algoritmos Genéticos. Estos algoritmos representan soluciones a un problema, las cuales evolucionan como si de una camada de Homo Sapiens se tratase, es decir, mutan (en su caso), nacen, se reproducen y mueren. También existen algoritmos de Colonias de Hormigas, los cuales son útiles para encontrar rutas óptimas en entornos desconocidos, tal y como lo hacen las hormigas en la vida real. O Reglas de Asociación, es decir, reglas del estilo IF-ELSE (si ocurre esto, entonces pasa lo siguiente) al estilo del razonamiento humano, que pueden servir para conocer cuál es el comportamiento de los compradores de un supermercado.
Sin embargo, todos estos algoritmos, por lo general, son válidos únicamente para resolver un problema específico. No existe (aún) un algoritmo mágico que resuelva cualquier problema de IA, al contrario de lo que a John McCarthy o Alan Turing les hubiese gustado. Por el contrario, los sistemas inteligentes como robots autónomos se nutren de muchos tipos de algoritmos, que, en ocasiones, trabajan en conjunto para resolver un problema.
A modo de resumen, el trabajo para desarrollar una IA consiste en: 1) conseguir una base de datos (como la que comentábamos antes de los coches), 2) analizarla (ya sea visualizándola y/o estudiando el problema a resolver), 3) seleccionar un algoritmo que se adecúe a los datos, 4) entrenar el algoritmo a partir de los datos y 5) validarlo. Se trata de un proceso iterativo que, a veces, también incluye un preprocesamiento de los datos y cuyo resultado puede ser satisfactorio, o no. Es posible que, simplemente, el problema que se quiere resolver no pueda ser resuelto (por ahora) por la IA, no se haya seleccionado el algoritmo óptimo para el problema o no se tenga el número de datos necesario.
Por lo general, se suele decir que, a mayor cantidad de datos, mayor probabilidad de tener un resultado satisfactorio. Aunque esto no es así al 100%, es ahí cuando surge el término Big Data, expresión que tanto se escucha últimamente y que es meramente una herramienta de marketing. El Big Data es lo mismo que la IA, lo único que los diferencia es el tamaño de las bases de datos que se utilizan. Mientras que la IA convencional utiliza bases de datos de Megabytes (MB) o Gigabytes (GB), se considera Big Data cuando la base de datos a utilizar excede el Terabyte (TB) de tamaño. Esto tiene una gran implicación a la hora de procesar esos datos, ya que estos tienen que ser cargados en memorias RAM, que, actualmente, no llegan al TB. Por ello, la única diferencia entre la IA y el Big Data es que la forma de programar los algoritmos de la segunda tiene que tener en cuenta esto último, mientras que la IA, por lo general, no necesita este tipo “especial” de procesamiento.
Sin embargo, siempre hay una excepción que incumple la regla, y en nuestro caso son las redes neuronales. Este tipo de algoritmos, también conocidos como Deep Learning o Aprendizaje Profundo, imitan el proceso que lleva a cabo el cerebro de un ser humano. De forma simple, un cerebro es un conjunto de neuronas interconectadas que emiten señales químicas y eléctricas que activan o no una neurona. Una red neuronal, por su parte, es un conjunto de neuronas artificiales que se componen de unas entradas, unas salidas, una función que transforma las entradas en las salidas y una función de activación. Es decir, una neurona artificial es una función matemática. Estas neuronas se organizan en capas que interconectan las salidas de unas con las entradas de otras, tal y como puede observarse en la figura 2.
Aunque la mayor parte del desarrollo y la investigación de las redes neuronales ha tenido lugar en la última década, lo cierto es que fueron ideadas por Frank Rosenblatt en 1958. Esto se debe a que las redes neuronales necesitan una gran cantidad de datos para ser entrenadas y, como consecuencia, una capacidad computacional de la que no se disponía el siglo pasado y que se ha conseguido en las últimas décadas. Además, este tipo de algoritmos se usan actualmente para solucionar un gran número de problemas, desde reconocimiento facial, traducción de idiomas o jugar y ganar al campeón mundial de Go, un juego que hasta ese momento se pensaba que solo podía ser jugado por humanos.
¿Y todo esto qué tiene que ver con las viñas? Pues mucho.
En primer lugar, hace unos años se creó en Australia el concepto de viticultura de precisión. Básicamente, esta técnica consiste en desplegar un conjunto de sensores en los viñedos con el objetivo de mejorar la cantidad y la calidad de la uva y, por consiguiente, del vino. Para ello, se miden factores como la temperatura, la humedad, la radiación UV, entre otros, las cuales son analizadas por algoritmos de IA con el objetivo de conocer en todo momento el estado de la uva y actuar en caso de que algo no esté como debiera.
Además, si antes decíamos que actualmente solo se necesita un conductor y una vendimiadora para vendimiar una viña, es posible que con la IA en un tiempo no se necesite ni el conductor. De hecho, la compañía japonesa Kubota ya ha desarrollado el X-tractor, un tractor que incorpora IA para realizar por sí solo las labores agrícolas, prescindiendo de este modo del conductor.
Ni Elon Musk sabe qué nos deparará el futuro con la IA. Mientras tanto, toca pensar en las más que posibles consecuencias que la Industria 4.0 nos pueda traer.
