¿Recuerdas la escena en «The Matrix» cuando Neo aprende a pelear Kung Fu en minutos?
Hoy, los seres humanos depositan un sin fin de datos (big data para algunos) en el mundo online que sirven para alimentar algoritmos que entre otras cosas, aprenden cuál es el comportamiento online de cada uno de los usuarios, es así como la enorme cantidad de fotos de gatos permite que una serie de códigos aprendan a diferenciar especies y colores de gatos. Pero acumular esa cantidad de datos desde el mundo real toma tiempo y es costoso a pesar de que los usuarios no se detienen en el proceso indetenible de divulgación de información en la burbuja de las redes sociales.
Los fabricantes de vehículos autónomos tratan de estructurar todas las posibilidades para que el carro pueda enfrentarse a diferentes situaciones: peatones que pasean, que corren, que están parados en los semáforos o cruzando imprudentemente la carretera.
Recopilar y etiquetar toda esa información a mano es un tarea ardua. ¿Imaginas al vehículo tratando de reconocer como persona al malabarista disfrazado en el semáforo? Cuando el algoritmo se enfrenta a situaciones inéditas o de las que no se tiene mucha información, las empresas de inteligencia artificial lo engañan agregando situaciones generadas con datos que no provienen del mundo real
Son datos falsos-reales generados en Redes Generativas Antagónicas (Deep Fakes).
Es así como muchas IA ya vienen con datos precargados de una “realidad sintética” en la que supuestamente aprenden todo lo necesario para enfrentar situaciones en un entorno real Startups como Landing.ai , AI.Reverie o ANYVERSE, que ya generan millones de escenas que un vehículo real podría no experimentar, ni siquiera tras un millón de horas recorriendo calles y carreteras.
El otro objetivo, en el proceso de generación de datos en un entorno artificial, es anonimizar el origen de los datos, como es el caso de las historias médicas. Las IA que funcionan en sistemas de salud las necesitan para afinar detalles en la evolución de los diagnósticos.