2010 – Kinect de Microsoft
Un año notable para la historia del aprendizaje automático es el lanzamiento de Kinect, un dispositivo de entrada con sensor de movimiento para la consola de juegos Xbox 360. Puede rastrear 20 rasgos humanos diferentes a un ritmo de 30 veces por segundo.
2011 – Watson de IBM y Google Brain
Watson es un sistema cognitivo basado en la inteligencia artificial y el procesamiento del lenguaje natural desarrollado por IBM. En 2011, Watson compitió en el programa de juegos Jeopardy! contra dos competidores humanos y ganó. Esto lo convirtió en el primer sistema informático que ganó un concurso contra humanos.Ese mismo año, el equipo del X Lab de Google desarrolló un algoritmo de aprendizaje automático llamado Google Brain. El objetivo era crear una red neuronal profunda que pudiera aprender a navegar de forma autónoma por los vídeos de youtube y a reconocer gatos en imágenes digitales, al igual que el cerebro humano.
El equipo presentó su papel El artículo «Building high-level features using large scale unsupervised learning» (Construyendo características de alto nivel mediante el aprendizaje no supervisado a gran escala) destacaba el descubrimiento de la posibilidad de entrenar un detector de rostros sin tener que etiquetar las imágenes como si contuvieran un rostro o no. Fue un avance significativo en la historia del aprendizaje automático, especialmente en el procesamiento de imágenes.
2012 – Clasificación de ImageNet
En 2012, Alex Krizhevsky, Geoffrey Hinton e Ilya Sutskever publicaron un artículo de investigación en el que detallaban un modelo que puede reducir a pasos agigantados la tasa de error en los sistemas de reconocimiento de imágenes.
AlexNet, un modelo de CNN basado en la GPU y creado por Alex Krizhevsky, ganó el concurso de clasificación de imágenes de Imagenet con una precisión de 84%. Mejoró significativamente la tasa de éxito del 75 por ciento de los modelos anteriores. Esta victoria inicia una revolución del aprendizaje profundo que se extenderá por todo el mundo.
2014 – DeepFace de Facebook y Sibyl de Google
Facebook desarrolló DeepFace, un algoritmo de software facial de aprendizaje profundo que puede reconocer y verificar individuos en fotos con una precisión de un humano. Es uno de los algoritmos informáticos avanzados que puede identificar rostros humanos con una precisión de 97,35%. Este logro histórico en los algoritmos dereconocimiento facial tendrá un profundo impacto en la capacidad de Facebook para mantener los datos de los usuarios seguros y luchar contra la delincuencia.
Otro hito en la historia del aprendizaje automático es la puesta a disposición del público de Sibyl de Google, un sistema de aprendizaje automático a gran escala. El sistema también incluye numerosos y sofisticados algoritmos para predecir el comportamiento de los usuarios.
2015 – Plataforma de algoritmos y herramientas de aprendizaje automático
Amazon lanza su propia plataforma de aprendizaje automático. El gigante del comercio electrónico pone el aprendizaje automático al alcance de cualquiera que tenga una cuenta de Amazon Web Services (AWS). La plataforma ofrece un conjunto de herramientas y algoritmos para que los científicos de datos construyan y entrenen modelos.
Microsoft también había desarrollado el kit de herramientas de aprendizaje automático distribuido, que permitía compartir eficazmente los problemas de aprendizaje automático entre varios ordenadores.
2016 – Algoritmo AlphaGo y Face2Face
El Go es un antiguo juego de mesa chino con tantos movimientos posibles en cada paso que las posiciones futuras son difíciles de predecir. Cuando el algoritmo AlphaGo se desarrolló en marzo de 2016, sorprendió al mundo al derrotar a uno de los mejores jugadores de Go, Lee Sedol.
También en 2016, un equipo de científicos dio a conocer Face2Face en la Conferencia de Visión por Computador y Reconocimiento de Patrones. La mayor parte del software «DeepFake» actual se basa en su marco y algoritmos.
2017 – Waymo
Waymo se convirtió en la primera empresa de coches autoconducidos que opera sin intervención humana. Los vehículos de la empresa han recorrido ya más de 8 millones de kilómetros en carreteras públicas, con conductores humanos que solo intervienen cuando es necesario. El lanzamiento del servicio de taxi autodirigido de Waymo marcó un hito importante para la empresa, y ahora está trabajando para ampliar su flota de vehículos y servicios. Más adelante, ese mismo año, introducen taxis completamente autónomos en la ciudad de Phoenix.
2018 – AlphaFold de DeepMind
Tras crear AlphaGo, el equipo dio el primer paso en el desarrollo de algoritmos para problemas exactamente iguales al plegado de proteínas. AlphaFold se construyó para predecir las formas 3D de las proteínas, las moléculas fundamentales de la vida.Entrenaron una red neuronal con miles de proteínas conocidas hasta que pudo predecir de forma independiente estructuras 3D a partir de aminoácidos. Finalmente, la utiliza para predecir las distancias entre pares de aminoácidos y los ángulos entre los enlaces químicos que los conectan.
2020 – GPT-3 y el auge de la IA sin código
Cuando el mundo se enfrentaba a la pandemia de 2020, OpenAI creó un algoritmo de inteligencia artificial, el GPT-3, capaz de generar textos similares a los humanos. En su momento, es el modelo lingüístico más avanzado del mundo, que utiliza 175.000 millones de parámetros y el superordenador de IA de Microsoft Azure para el entrenamiento.
Aparte de eso, Zapier descubre un enorme aumento en el uso de herramientas de IA sin código o de bajo código desde principios de 2020. Algunas plataformas populares de IA sin código incluyen AutoML de Google, SageMaker de Amazon y Azure ML de Microsoft. Permiten a los usuarios sin experiencia en codificación entrenar y desplegar algoritmos de aprendizaje automático. Este movimiento está fomentado por la demanda de las empresas de producir aplicaciones de IA rápidamente sin coste adicional.
2021 – AI4LIFE y TrustML
La informática estadounidense de origen indio Himabindu «Hima» Lakkaraju no sólo es cofundadora de la Trustworthy ML Initiative (TrustML), sino que también dirige el grupo de investigación AI4LIFE en Harvard. Su objetivo es hacer que el aprendizaje automático sea más asequible para los profanos, al tiempo que continúa estudiando cómo hacer que estos modelos sean interpretables, justos, privados y seguros.