Para los que llevamos mucho tiempo viendo desarrollarse una disciplina determinada, es enormemente interesante contrastar la realidad de sus aplicaciones a todos los niveles, frente a la que surge de los anuncios que algunas compañías hacen de productos que logran impactar sobre la opinión pública. 

En la práctica, ambas facetas son interesantes. En un lado hay compañías desarrollando productos reales que ayudan a otras a ser más eficientes, que les permiten obtener ahorros importantísimos o ventajas palpables en sus procesos productivos. En el otro hay gestión de expectativas, debate público sobre las posibilidades de la tecnología y asimilación social de su nivel de madurez y de sus posibilidades. 

Ambas partes son necesarias y complementarias. Los avances más relevantes del machine learning (sigo prefiriendo con mucho ese término al de 'inteligencia artificial', que hace referencia a una supuesta inteligencia inexistente en máquinas que únicamente llevan a cabo procesos estadísticos más o menos avanzados) tienen lugar a nivel de implementaciones corporativas, de cientos de compañías en todo tipo de industrias invirtiendo en su desarrollo, poniéndolo en producción y extrayéndole un valor tangible. 

En ese sentido, hemos visto ya muchísimos avances, aunque su difusión es relativamente baja: hablamos de compañías que utilizan el machine learning para llevar a cabo sistemas de automatización avanzados, que les permiten traducirlo en importantes ahorros y mejoras. Por lo general, no hacen grandes anuncios, ni se convierten en noticias repetidas y comentadas por todos. 

Hablamos de, por ejemplo, bancos que son capaces de llevar a cabo evaluaciones de riesgo crediticio que exceden con mucho la calidad de los departamentos de riesgo correspondiente (y que hace ya mucho que superaron los problemas de partir de datos sesgados y discriminar injustamente a determinados clientes). Son máquinas que son capaces de detectar patrones de fraude y alertar de manera inmediata.

De empresas de autopistas capaces de garantizar una precisión elevadísima en la lectura de una matrícula incluso en casos excepcionales y que permiten que muchos vehículos dejen de tener que detenerse en el peaje.

De compañías ferroviarias que pueden detectar daños en sus vías en tiempo real. De supermercados que ajustan sus promociones para evitar la canibalización o la gestión de su inventario. De despachos de abogados que automatizan la firma de determinados contratos.

De médicos capaces de detectar mucho más en una radiografía, en un TAC o en una ecografía de corazón. Y de muchas, muchísimas aplicaciones más.

Cuando llevas años viendo aparecer esas aplicaciones y otras, que de repente una compañía lance un chat que contesta a lo que le dices y que parece humano te puede parecer muy divertido, muy interesante, o incluso puedes ver que tiene implicaciones potencialmente trascendentales en cómo educamos a nuestros hijos, cómo accedemos a información, como solucionamos las dudas de un cliente o cómo llevamos a cabo muchas otras tareas.

Sin duda, es interesante, sobre todo si entiendes cómo funciona el machine learning y su capacidad para mejorar los resultados con el tiempo, a medida que recibe más y más datos. 

Pero por muy interesante que te parezca, la trascendencia de un chat, por aparentemente inteligente que sea -que de nuevo, no lo es, sino que se limita a extraer de una base de datos información con unos criterios estadísticos determinados- no es mayor que los cientos o miles de algoritmos que muchas compañías llevan ya años poniendo en producción, por mucho que la sociedad no se revolucione cuando son anunciados.

Si lo pensamos, tiene cierto sentido: entre un algoritmo que permite a una compañía hacer algo interesante y que me cuentan en una nota de prensa, y un chat con el que puedo ponerme a hablar yo mismo y comprobar que, efectivamente, me contesta con un nivel que puede, para algunos, llegar a resultar inquietante, no hay color. 

"s importante mantenernos aferrados a la realidad: lo más importante que ha ocurrido en 'machine learning' no es ChatGPT"

Pero por mucho que no haya color, es importante mantenernos aferrados a la realidad. Lo más importante que ha ocurrido en machine learning no es ChatGPT, ni Stable Diffusion, ni ninguno de esas herramientas. Por muy interesantes o hasta divertidas que nos parezcan. Por mucho que promuevan la discusión sobre una disciplina que está aquí para quedarse y que formará, lo queramos o no, una parte importante de nuestras vidas. 

[¿Cómo usar GPT-3 gratis?]

Lo verdaderamente importante son los cientos o miles de compañías que, gracias al machine learning, son capaces de hacer cada vez más cosas y más sofisticadas, de mejorar sus procesos, de obtener ahorros, de automatizar de forma más sofisticada y potente, o de trabajar mejor.

Cada vez con más facilidad, con menos código y complicaciones, más al alcance de todos. Lo importante es entender que no se trata de buscarle aplicaciones a ChatGPT, de buscar un problema para una solución, sino de diseñar y crear nuestras propias aplicaciones de machine learning, las que realmente responden a las necesidades de nuestras compañías y de nuestro trabajo. 

Lo importante es entender que la función de un ordenador ha cambiado, que lo que podemos hacer ahora con él es infinitamente más potente, y que eso va a convertirse en la clave de la competitividad para la era en la que estamos entrando. Eso, y no otra cosa, va a marcar qué compañías serán capaces de sobrevivir o de triunfar en la próxima década.