ZURICH, Suiza
Los textos predictivos y recomendaciones de palabras cuando escribes en una aplicación de mensajería no ocurren por arte de magia, son producto del aprendizaje computacional del software en el teléfono y de la inteligencia artificial, y más allá de constituir una herramienta, a veces útil o incluso estorbosa para algunos, en el caso de Google representa una forma de mostrar un nuevo modelo de aprendizaje computacional que promete no poner en riesgo la privacidad.
Françoise Beaufays, investigadora líder de Google Research muestra ante la audiencia del evento AI in Action 2019 la ventana de un chat en la pantalla. En este chat está instalado el teclado de Google, Gboard; se muestra cómo cuando la persona escribe abajo aparecen palabras sugeridas y el software es capaz de anticipar incluso qué emojis va a usar.
Estas predicciones son producto de un modelo llamado Federated learning, explica la investigadora.
“El modelo fue probado en Gboard, que ha sido descargado por 1,000 millones de usuarios, porque nos permite predecir el texto pero con la privacidad desde el diseño. Lo que hacemos en federated learning es modelar la inteligencia artificial a partir de datos públicos de la red, después se toman datos de los usuarios pero se quedan en su equipo, no se procesan fuera y se empatan con los datos públicos para crear un modelo promedio. La IA aprende de todos estos datos en un servidor y va haciendo iteraciones constantes”, explica Beaufays a la audiencia en las oficinas de Google.
Beaufays advierte que lo que refleja este modelo es la capacidad de inteligencia artificial se puede lograr en un smartphone; sin embargo, según la investigadora, el modelo demuestra que la máquina puede aprender del usuario de modo privado.
La clave, según Beaufays, es que el procesamiento de los datos se realiza al 100% en el equipo y no es necesario que los sets de datos individuales de un usuario vayan a la nube a un servidor para consultar información.
La manera en la que funciona el modelo es que aprende a través de cosas públicas como libros y otra información pública en la red. Estos paquetes de datos y la información que el usuario accedió explícitamente a darte se procesan en el equipo.
El modelo toma abstracciones de los procesos de navegación de un usuario y los compila con otros al azar para hacer una representación promedio. La investigadora comenta que a los servidores de Google se sube un modelo de datos hecho del promedio de uso que los usuarios le dan a la aplicación, no sus datos en sí, y de ahí se hace el modelo predictivo.
Según datos de Google Research el resultado de este modelo le hizo ver a Google que “se puede mejorar la calidad pero también la privacidad”, dice la investigadora.
Tras probar este modelo en Gboard se probó que se puede elevar la asertividad en la predicción de palabras en 24% y en 11% la predicción de emojis.
Beaufays asegura que aunque se está explorando el uso de este modelo de IA en otras aplicaciones y herramientas de Google, por ahora no se tiene la documentación suficiente de estos avances.
“Sí se está probando pero Gboard es el primero en el que se ha realmente desarrollado y lanzado. Es una tecnología que resuelve ciertas cosas pero no es lo que va a resolver todo, pero sí es más privado, aunque se necesitan ciertas condiciones del equipo para que pueda procesar en el mismo, pero es un modelo que seguimos explorando”, dice Beaufays a Expansión.
Más allá de lo que se puede hacer a nivel predictivo con un modelo como este, la organización Tensorflow, advierte que esto puede modificar cómo las empresas hacen marketing personalizado en línea. Las tecnológicas podrían aplicar este modelo y compartir con las marcas los sets representativos para targetear a la audiencia pero sin rastrear sus hábitos de navegación con cookies.
Este modelo de aprendizaje, federated data, se ha explorado también por otras tecnológicas como Nvidia para aprender cómo aplicar esta predicción computacional para industrias como la salud, esto integrado desde sus procesadores.
