Ha estado en boca de todos desde hace un par de años. La prensa alrededor de todo el planeta gasta ríos de tinta escribiendo acerca de las maravillas que ha alcanzado la Inteligencia Artificial contemporánea; desde el espectacular avance de las traducciones de Google Translate, que fue cubierto latamente por The New York Times en un long read que no tiene desperdicio (The Great A.I. Awakening), hasta el desarrollo sobresaliente de programas de IA que juegan Ajedrez y Go -al mismo tiempo- y que vencen a todos los programas campeones previos en ambos juegos, como ha cubierto Science (A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play, Silver et al, 2018), pasando por la celebración de este cambio de época en que se detiene con detalle Yuval Noah Harari en “21 lecciones para el siglo XXI”.
Pareciera ser que ese Gran Despertar de la Inteligencia Artificial va a arrasar con todo, siendo capaz de predecir desde los más mínimos fenómenos climáticos locales, hasta el comportamiento de las masas de electores que dan un sonido de alerta tras el escándalo de Cambridge Analytica.
En ese contexto de “arribo de la singularidad tecnológica”, una de las herramientas que las y los especialistas han tenido más a la mano como base técnica de todos estos hitos nombrados es una serie de procedimientos de cálculo conocidos bajo el nombre paraguas de “Machine Learning”. En sencillo, el Machine Learning es una subárea de las ciencias de la computación, a la vez que una rama de la IA, que tiene por meta establecer rutinas que permitan que los computadores aprendan, creando programas que resulten aptos para generalizar conductas partiendo de ejemplos.
Algunos de los mayores logros de estos procedimientos es lo que se denomina “problemas de clasificación” que consiste en que, suministrados una serie de datos al sistema de Machine Learning, este pueda “decidir” en qué categoría cabe un determinado fenómeno. ¿Esta foto es de un gato o de un perro? ¿Mañana va a hacer calor o frío? ¿Me como una empanada de pino o de queso? ¿Quién ganará la Copa América?
Y, por supuesto que, entonces, estas aplicaciones obviamente se iban a probar con las apuestas de los ganadores del Oscar.
En ese entendido, desde el 2005 los investigadores en IA Iain Pardoe (University of Oregon) y Dean K. Simonton (University of California at Davis) vienen prediciendo quiénes se llevarán las estatuillas a Mejor Película, Mejor Director, Mejor Actriz y Mejor Actor. En las primeras siete ocasiones en que corrieron su rutina de Machine Learning acertaron 24 de 28 estatuillas: un no despreciable 85,7% de éxito.
Pardoe & Simonton (2008, “Applying discrete choice models to predict AcademyAward winners”) desarrollaron un modelo estadístico matemático de predicción que considera que:
“Cada año, desde 1928, la Academia de Artes y Ciencias Cinematográficas ha reconocido el logro excepcional en el cine con su premio de prestigio, el Oscar. Antes de que los ganadores en diversas categorías se anuncien, de manera intensa, los medios y el público pretender predecir los resultados de la ceremonia. Hay un sinfín de teorías acerca de qué candidatos tienen más probabilidades de ganar, sin embargo, a pesar de ello, sigue habiendo grandes sorpresas cuando los ganadores son anunciados. En este artículo se enmarca la cuestión de la predicción de los cuatro premios principales: película, director, actor, actriz -como un problema de elección discreta [una subárea de los “problemas de clasificación”]. Es posible predecir los ganadores de estas cuatro categorías, con un grado razonable de éxito. El análisis también revela cuáles de los resultados anteriores podrían considerarse verdaderamente sorprendentes -candidatos con baja probabilidad estimada de ganar que han superado a candidatos que parecían más favorecidos para ganar” (Pardoe & Simonton, 2008:375).
Las variables que los investigadores incorporaron al modelo son: T, total nominations; P, director or picture; N, previous nominations; W, previous wins; D, Globe drama (Ganador); M, Globe musical or comedy (Ganador); G, Guild award (Ganador).
Así es que, para este año 2019 -en que se premia al cine de 2018- ya lanzaron sus apuestas. Y estas son (extraídas del sitio web de Pardoe) las probabilidades de ganar de las y los candidatos en cada una de las cuatro categorías que analiza su rutina de Machine Learning.
Mejor Película: The Favourite 22%, Green Book 20%, Vice 18%, Roma 16%, BlacKkKlansman 15%
Iain Pardoe anota lo siguiente en esta categoría: “Nunca ha habido una carrera tan apretada para el Oscar a la Mejor Película. Cuatro de los ocho nominados tienen importantes nominaciones a Mejor Director: The Favorite, Vice, Roma y BlacKkKlansman, con 10, 8, 10 y 6 nominaciones generales, respectivamente. El Producer's Guild y el Golden Globe (Musical o Comedia) ganados para Green Book también ponen esta película en la carrera. Cualquiera de estos cinco tiene una posibilidad razonable de ganar, con el modelo estadístico colocando a The Favorite en la parte superior, por un escaso margen. Sin embargo, no se puede tampoco descartar a la ganadora del Globo de Oro (Drama), Bohemian Rhapsody o incluso a A Star Is Born o Black Panther con 8 y 7 nominaciones generales, respectivamente”.
Mejor Director: Alfonso Cuarón por Roma 95%
Mejor Actor: Rami Malek en Bohemian Rhapsody 92%
Mejor Actriz: Glenn Close en The Wife 75%.
Hoy domingo sabremos definitivamente si Pardoe & Simonton le apuntaron, y el Oscar del Machine Learning fue –nuevamente– para ellos.
Comentarios
Añadir nuevo comentario