IA@CICESE: iniciativa para ampliar la cooperación en inteligencia artificial en este centro


Coloquio y taller para saber qué se está haciendo y fomentar grupos de trabajo



Ciencias de la información

Con el objetivo de ampliar la cooperación en materia de inteligencia artificial (IA) que varios grupos de investigación desarrollan en el CICESE en diferentes campos del conocimiento, un colectivo liderado por investigadores del Departamento de Ciencias de la Computación lanzó la iniciativa IA@CICESE que consta, en su primera fase, de un coloquio y posteriormente un taller que permitirá conocer qué se está haciendo a nivel institucional en materia de inteligencia artificial, unir los esfuerzos de las diferentes especialidades e integrar grupos de trabajo que fomenten estas investigaciones.

Los doctores Hussein López Nava y César García Jacas, señalaron que esta iniciativa surgió luego del ejercicio de planeación estratégica que desarrolló la División de Física Aplicada, donde se vio la necesidad de ampliar la cooperación en materia de IA no solo hacia el interior de esta división, sino hacia todos los departamentos académicos del CICESE y sus unidades foráneas, donde hay investigadores que ya utilizan estas herramientas de manera individual.

El tema está en unir esfuerzos, señaló César García, porque la ciencia en el mundo es transdisciplinar, interdisciplinar y multidisciplinar. De igual manera la IA necesita de diferentes campos: en bioinformática se necesitan biólogos, farmacéuticos, químicos, físicos, matemáticos, de ciencias de la computación. “Desde hace muchos años, se han realizado tareas de predicción en casi todas las disciplinas científicas; es decir, a partir de datos conocidos, inferir el comportamiento de otros (…) Pero a medida que han pasado los años, los datos y la complejidad han aumentado. Entonces se han desarrollado métodos más complejos que las técnicas estadísticas tradicionales para aprender de tales datos y lograr mejores predicciones. Esos métodos son los conocidos como métodos de aprendizaje de máquina. Donde quiera que exista necesidad de estudiar los datos que se tienen, el área aprendizaje de máquina es aplicable. Por eso es en todos los campos: ciencias de la vida, ciencias del comportamiento, ciencias de la Tierra, en electrónica, igual en el campo de la innovación biomédica. En esto no hay una un área específica, es global”.

Dr. Irvin Hussein López Nava

Respecto a la iniciativa, Hussein López dijo que se han sumado otros investigadores de Ciencias de la Computación como Jesús Favela, Carlos Brizuela y Hugo Hidalgo, con quienes ya se está trabajando en la organización del llamado 1er Coloquio de Aplicaciones de la Inteligencia Artificial en la Ciencia, el cual se llevará a cabo de manera presencial el 29 de junio en la sala de usos múltiples del CICESE, de las 9:00 a las 13:00 horas.

La convocatoria está por publicarse, y está dirigida a estudiantes e investigadores del CICESE y sus unidades foráneas que hayan “realizado esfuerzos en esta área y deseen compartir sus iniciativas, ideas o resultados con presentaciones cortas o en un poster, así como quienes tienen interés inicial en el área y deseen explorar la posibilidad de utilizar estas poderosas herramientas”.

El coloquio también estará abierto al personal del Centro de Nanociencias y Nanotecnología de la UNAM, con quien el CICESE mantiene un posgrado conjunto en Nanociencias, así como del Instituto de Astronomía en Ensenada, también de la UNAM.

Después del coloquio, agregó, se quiere organizar un taller sobre IA como herramienta de investigación científica, “en el siguiente cuatrimestre, el de otoño. La idea es que los interesados puedan inscribirse y resolver los problemas que pudieran tener con sus datos”.

En la convocatoria se reconoce que en los últimos años ha habido un creciente interés por la IA, “particularmente por el área de aprendizaje automático. Esto ha sido motivado principalmente por avances en aprendizaje profundo (deep learning, DL), la disponibilidad de grandes volúmenes de datos para entrenar dichos modelos, unidades de procesamiento gráficos que permiten la realización de los cálculos requeridos en un tiempo práctico y de cómputo en la nube. La disponibilidad de herramientas y modelos pre-entrenados hace muy accesible DL a los interesados en utilizar aplicaciones completas (por ejemplo, de reconocimiento de objetos en imágenes o de traducción de textos), o bien utilizar datos propios para ajustar modelos pre-entrenados o entrenar nuevos”.

Dr. César Raúl García Jacas

El doctor César García lo ve así: “El tema principal es el aprendizaje automático, que es lo que está abarcando esta iniciativa. Se le pone IA porque desde un punto de vista metodológico, el machine learning, el aprendizaje, entra dentro del campo de la IA. Pero la IA, en general, es la capacidad de un sistema para imitar las funciones cognitivas humanas, mientras que el machine learning se basa en la idea de detectar patrones en conjuntos de datos específicos para apoyar a la toma de decisiones, incluyendo el imitar las funciones cognitivas.

“A nivel macro, no solamente en el CICESE, en machine learning están los practicantes, que lo utilizan para resolver un problema, y están aquellos que aportan a la teoría del machine learning”.

Así, los practicantes del machine learning generalmente tienen acceso a grandes volúmenes de datos y requieren resolver un problema; su aporte, entonces, va a estar en campos más específicos como la biología, química, farmacéutica, electrónica, por ejemplo.

Entonces un computólogo como César García puede usar las herramientas de IA, “pero si no soy especialista en el área de biología, farmacéutica, química, o ciencias del comportamiento, yo no puedo saber si los resultados (que estoy obteniendo) son lógicos; puede ser que sean buenos desde el punto de vista estadístico, pero no desde el punto de vista práctico; es decir, que les estén diciendo algo a ellos que de verdad les contribuya a tomar decisiones en su campo de estudio. Por eso se trata de aunar estos esfuerzos: ciencias de la computación como aquellos que estudian el machine learning desde el punto de vista teórico (y también lo ponemos en práctica, por supuesto), y aquellos que tienen los grandes volúmenes de datos que muchos de ellos si trabajan desde un punto de visto teórico, pero que mayormente son practicantes. Aunar esos esfuerzos para resolver muchos de los problemas que existen actualmente en todas las áreas del CICESE”, es al objetivo de esta iniciativa.

- Considerando que el CICESE está integrado por cuatro divisiones académicas un tanto disímiles, ¿cómo es el desarrollo que tiene la IA y sus diferentes disciplinas aquí, comparado con otras instituciones nacionales?

Hussein López señala: “Estamos bien, y creemos que hay un área de oportunidad que se debe aprovechar. En los últimos años se han desarrollado algunas técnicas o han vuelto otras que ya se aplicaban años atrás y que, por cuestiones tal vez técnicas, no se habían podido explotar al máximo. Es el caso de aprendizaje profundo y redes neuronales, que era muy costoso aplicarlas hace 10 años, pero hoy ya hay tarjetas gráficas que te permiten correr grandes volúmenes de datos en modelos muy complejos. Lo que hemos observado es que, en algunos campos, ya se están aplicando estas técnicas y, si no lo hacemos justo ahora, esta brecha no se va a poder acortar porque hay quienes ya lo están haciendo en otras universidades. La idea es que aquí también se pueda hacer”.

- Tengo la idea de que mucho del desarrollo que se puede hacer en estas áreas tiene que ver con la infraestructura de cómputo que se tenga. ¿Cómo está la capacidad de cómputo del CICESE como para desarrollar todo el potencial que hay?

Ahora es César García quien responde: “No todo el que se quisiera. Hace falta. En mis actuales investigaciones necesito mejores capacidades de cómputo. Hay un clúster, pero ya tiene muchos años; el hardware evoluciona muy rápido por lo que el clúster necesita mejorarse. Sirve, pero para estar a un mayor nivel o realizar investigaciones más profundas se necesita un mejor hardware a nivel institucional. No quiero decir que no existan grupos que no lo tengan; tal vez lo obtuvieron a través de algún financiamiento o algún proyecto específico, pero digamos que a nivel de institución es bastante limitado, aunque también se puede tener acceso a ese hardware a través de vínculos de trabajo con otras instituciones. La ciencia también se trata de unirse”.

 

Palabras clave: Inteligencia artificial, machine learning, deep learning, Hussein López, César García

anterior