¿Qué es la paradoja de Polanyi?

 

La paradoja de Polanyi es de 1966, y no es verdaderamente una paradoja, ya que lo que refleja, más que una contradicción, es una dificultad, una barrera a superar en el desarrollo de la inteligencia artificial y la automatización. Y desde 1966 ha llovido mucho. Han tenido lugar importantes avances tecnológicos y se han probado distintas estrategias para intentar superar esta dificultad. 

 

¿Cómo "Esquivar" la paradoja de Polanyi?

Ya hemos visto que la paradoja de Polanyi muestra la dificultad de automatizar una tarea que a nosotros nos resulta sencillo realizar, pero difícil de explicar. Ha habido dos estrategias principales de superar esta dificultad. 

 

  • Controlar el entorno, de forma que a una máquina le resulte más fácil realizar una tarea. Las máquinas funcionan con rutinas relativamente simples, pero les cuesta adaptarse a los cambios de entorno. Si simplifico el entorno, facilito la automatización. Un ejemplo sencillo de "simplificación del entorno" pueden ser las vías del tren. El tren no tiene que superar obstáculos del terreno, tan sólo circular sobre las vías. Otro ejemplo interesante son los robots Kiva que emplea Amazon para sus almacenes. En el vídeo vemos cómo se ha simplificado el entorno del almacén para que los robots puedan transportar las estanterías que contienen los productos. Sin embargo, son trabajadores humanos los que cargan los productos en estas estanterías, o bien eligen de cada una de ellas el producto que hay que añadir a un determinado pedido. 
  • La segunda estrategia, consiste en intentar "enseñar" a la  máquina a tomar decisiones como lo haría un experto humano. ¿Cómo?. Frente a las estrategias de programación "top-down" (de las reglas a los resultados), pasamos a las estrategias "bottom-up" propias del Machine Learning (a partir de los datos de ejemplo, entrenamos a las máquinas para inferir las reglas). En la nueva economía basada en los datos, podemos encontrar ejemplos de aplicación del ML prácticamente por todas partes. Sistemas de recomendación, reconocimiento de imágenes, texto o sonidos etc. Mientras la primera estrategia trataba de adaptar el entorno a las limitaciones de la máquina, en esta segunda, es la máquina la que se adapta a las dificultades del entorno, "aprende" de él, entrenándose por medio de los datos. Este desarrollo ha sido posible por la mayor disponibilidad de datos de entrenamiento y capacidad de procesamiento de los sistemas.


Sin embargo, aunque las máquinas puedan realizar tareas que son imposibles para los humanos, como procesar ingentes cantidades de datos para, por ejemplo, correlacionar nuestro genoma con el de otras especies, o determinadas variables biológicas con fármacos que puedan curar determinada enfermedad, todo esto no es más que una pequeña parte de lo que puede llamarse inteligencia humana real.

Nuestro sitio utiliza cookies: algunas son esenciales para hacer que el sitio funcione, otros nos ayudan a mejorar la experiencia de usuario. Al utilizar el sitio, usted acepta el uso de estas cookies. Para obtener más información sobre las cookies y cómo puede deshabilitarlas, lea nuestra política de cookies