¿Llegará el momento en que las máquinas reconozcan sus errores?, porque también son susceptibles de equivocarse. Según los expertos se está trabajando en ello. Es lo que llaman Inteligencia Artificial, en el fondo, es crear algoritmos que sean capaces de lidiar con la incertidumbre. Bastante trabajo tienen los expertos con respecto a este tema, es un desafío interesante para la Ciberseguridad.
Machine Learning: La próxima frontera de la Inteligencia Artificial
Se habla de algoritmo, ¿Qué es? Es la palabra tecnológica de moda, se usa mucho, pero desconocemos mucho también de su significado.
Un algoritmo es una serie de instrucciones sencillas que se llevan a cabo para resolver un problema, es un mecanismo ciego y sin voluntad, que está cambiando el mundo.
Según el profesor de la Facultad de Informática de la Universidad Complutense, Ricardo Peña Mari, un algoritmo es un “Conjunto de reglas que, aplicada sistemáticamente a unos datos de entrada apropiados, resuelven un problema en un número finito de pasos elementales”.
Además agrega, “Es importante notar que el algoritmo tiene que ser finito y que ejecuta las instrucciones de manera sistemática, es decir, que es ciego ante lo que está haciendo, y que los pasos con los que opera son elementales”, comenta el profesor.
Según los expertos, el potencial de los algoritmos para sustituir el control humano es tan enorme que asusta, sin contar con los miedos que despierta la posibilidad de que sistemas de inteligencia artificial nos quiten el trabajo.
Como las máquinas son construidas y programadas por el hombre son susceptibles de cometer errores, se cree que en un futuro no muy lejano esos errores se podrán corregir.
Inteligencia Artificial y sus próximas metas
La pregunta que cabe hacernos es ¿qué pasaría si estos sistemas fueran conscientes de sus errores? y más aún ¿si supieran que cometieron un error y fueran capaces de corregirlo?.
Se está trabajando en ello, una rama del aprendizaje automático está destinada a este propósito: que las máquinas puedan lidiar con la incertidumbre. Un ejemplo de esto es Uber o Google, que ya están trabajando en modificar los marcos tradicionales de aprendizaje profundo, más conocido como “Deep Learning“, para construir programas de inteligencia artificial que midan su confianza en una decisión, para saber cuándo deberían dudar de sí mismos y sean menos propensos a fallar.
Un ejemplo de esto es, “si un automóvil que se conduce solo no sabe que es capaz de equivocarse, puede cometer un error fatal y las consecuencias serían catastróficas”, esto lo dijo Dustin Tran, que trabaja en este tipo de sistemas en Google.
Con las nuevas aproximaciones, el auto calcularía la probabilidad de que sus estimaciones fueran correctas y la de cada una de las posibles consecuencias de sus decisiones y lo tendría en cuenta antes de actuar.
La aplicación de dichas mecánicas también es relevante en ámbitos como el de la salud. Se podría hacer un diagnóstico más certero de las enfermedades y sus potenciales respuestas al aplicar un determinado tratamiento.
Este ideal se enmarca en la próxima frontera de la inteligencia artificial, máquinas capaces de realizar labores complejas, teniendo en cuenta parámetros de incertidumbre a la hora de establecer sus predicciones. Para que esto se de es necesaria la combinación de modelos de aprendizaje profundo con sistemas probabilísticos.
Aprendizaje profundo unido a sistemas probabilísticos
Como se dice que la unión hace la fuerza, estos dos sistemas juntos podrían funcionar, pero no encajan tan fácilmente y su combinación presenta varios retos técnicos en el medio plazo.
El aprendizaje profundo es un tipo de machine learning, que utiliza redes neuronales. Se aplica en el campo de la investigación y además lo utilizan ciertas aplicaciones como, Google, Facebook, Amazon, Microsoft, Netflix, Spotify y Uber. Lo utilizan para describir con lenguaje natural el contenido de una imagen o para el reconocimiento de voz. Su ventaja principal es que permite modelar relaciones complejas entre entradas y salidas (inputs y outputs).
Por otro lado, los sistemas probabilísticos son modelos estadísticos que introducen una serie de parámetros para estimar la incertidumbre. Esto es útil a la hora de entender lo que puede pasar. Si el modelo duda de sí mismo, este hecho se reflejará en sus predicciones y así podrán tenerlo en cuanta.
La complejidad que añade el aprendizaje automático cuando se aplica a modelos probabilísticos, dificulta que el cálculo sobre la incertidumbre de los parámetros fijados sea preciso. Esto representa un problema cuando es necesario una respuesta en un periodo limitado de tiempo. Un ejemplo es el del auto autónomo, necesitaría responder a determinados estímulos en cuestión de fracción de segundos.
Sólo el tiempo dirá si esto es posible o no.
En INISEG te ofrecemos cursos relacionados con la Ciberseguridad, pensando en tus necesidades.
Uno de ellos es Tendencias Tecnológicas y Corporativas en materia de Ciberseguridad
Este Curso de Ciberseguridad Online, ayudará a los alumnos a renovarse y estudiar a fondo las nuevas tendencias del sector tecnológico en materia de Ciberseguridad Corporativa, como también aplicar nuevas estrategias para prevenir ciberataques o detectarlos de manera más eficiente.
Con este conocimiento, los profesionales podrán mejorar y adaptar cualquier infraestructura de seguridad digital para mantener el capital electrónico muy seguro.
Este Curso de Tendencias en Ciberseguridad pertenece al Máster en Dirección y Gestión en Ciberseguridad, donde se puede estudiar de manera independiente pero, se sugiere que se complemente la formación con el máster posteriormente.
Principales objetivos del curso de ciberseguridad corporativa
– El alumno será capaz de analizar e identificar las nuevas tendencias tecnológicas y corporativas que serán adoptadas y necesariamente ajustadas por las organizaciones.
– Realizar una Integración y actualización de las causas de la aparición de nuevas vulnerabilidades y amenazas, constituyendo junto con los impactos de estas amenazas, los factores principales del ciberriesgo. Por lo mismo, será necesario conocerlas, analizarlas y gestionarlas para su tratamiento en el marco de las estrategias, políticas y procedimientos de la ciberseguridad corporativa.
– Generar una Actualización del conocimiento de los medios, al igual que las técnicas que están a disposición de los ciberdelincuentes, para poder elaborar y renovar las estrategias de prevención de ciberseguridad, protección y reacción frente a sus ataques. Se llevará a cabo un análisis en materia de amenazas tomando en consideración los elementos más característicos de las modalidades de ataque de los ciberdelincuentes.
– Exponer los diferentes elementos que caracterizan el cibercrimen.
– Hacer una breve relación de las predicciones más previsibles a corto plazo.
Fuentes utilizadas:
https://retina.elpais.com/retina/2018/03/19/innovacion/1521472278_250632.html
https://en.wikipedia.org/wiki/Machine_learning
https://blog.adext.com/es/machine-learning-guia-completa