Historia de la IA, parte 3: recomendaciones, visión y revolución silenciosa

La década en que la IA se metió en tu bolsillo

Si en 2010 te hubieran preguntado "¿usas IA?", probablemente habrías dicho que no. En realidad, ese año ya:

• recibías recomendaciones de películas de Netflix (filtrado colaborativo),
• veías cuadraditos de autoenfoque alrededor de las caras en tu cámara (Viola-Jones),
• dejabas que Gmail filtrara miles de millones de mensajes de spam (Naive Bayes),
• armabas rutas en Google Maps (algoritmos de grafos sobre datos de tráfico recopilados),
• veías anuncios ajustados a tu búsqueda (regresión logística sobre enormes conjuntos dispersos de atributos),
• escuchabas listas de Last.fm "Recomendado para ti" (filtrado colaborativo ítem-ítem),
• escribías en el iPhone con autocorrección (modelo de lenguaje estadístico).

Esta es la tercera parte de la historia de la IA - la revolución silenciosa de 2000-2012, cuando la tecnología se volvió ubicua y casi invisible. Y es en este periodo donde maduraron los ingredientes con los que, diez años después, despegaría ChatGPT.

2001: Viola-Jones y un rostro en cada cámara

En 2001 Paul Viola, de Mitsubishi Electric Research Labs, y Michael Jones, de Compaq CRL, publicaron el algoritmo de detección rápida de rostros Viola-Jones. Por dentro, un clasificador en cascada sobre características de Haar, entrenado con AdaBoost. El gran avance era la velocidad, no la precisión: el algoritmo procesaba imágenes de 384x288 a 15 fotogramas por segundo en un Pentium III de 700 MHz (Viola & Jones, 2001).

En febrero de 2005 Nikon anunció el autoenfoque con prioridad de rostro en tres compactas Coolpix y lo llamó una primicia del sector; se basaba en la tecnología FaceIt de Identix, no en Viola-Jones (Photography Blog, 2005). Los cuadraditos de autoenfoque que se prendían en los rostros pronto llegaron a otras cámaras. Uno de los primeros casos de visión por computadora corriendo en el dispositivo final, sin viaje a la nube.

Nadie llamaba a esas cámaras "AI camera". Eran simplemente "smart camera". La palabra "IA" volvería al marketing de cámaras mucho después, cuando los smartphones empezaron a clasificar escenas con redes neuronales convolucionales.

2006: Netflix Prize - 1 millón de dólares por el 10%

En octubre de 2006 Netflix anunció un concurso con un millón de dólares para el equipo que mejorara su recomendador Cinematch en un 10%. Dataset abierto: 100 millones de calificaciones de 480.000 usuarios sobre 17.770 películas. Hasta entonces los sistemas de recomendación eran tema cerrado dentro de cada empresa. El Netflix Prize abrió la puerta de par en par.

El concurso duró casi tres años. Enviaron soluciones más de 40.000 equipos de 186 países (Netflix, 2009). En 2009 ganó BellKor's Pragmatic Chaos, una alianza de tres equipos que sumaron sus soluciones en un gran ensamblado de modelos que superó la barrera del 10%.

Netflix nunca implementó la solución ganadora: su blog técnico escribió después que la precisión extra no justificaba el esfuerzo de ingeniería de llevarla a producción (Netflix Tech Blog, 2012). Pero el concurso hizo dos cosas que cambiaron la industria:

1. Popularizó la factorización matricial (SVD, ALS) como herramienta estándar de recomendación.
2. Entrenó a una generación de ingenieros para trabajar con matrices grandes y dispersas en hardware estándar.

Tras el Netflix Prize, el filtrado colaborativo entró en cada servicio que conocía algo de tus preferencias. YouTube, Amazon, Spotify, Last.fm, eBay - todos corrían sobre descendientes de las técnicas afinadas en el dataset de Netflix.

Anécdota personal: Last.fm y la magia de "Recommended for you"

Por 2007 instalé Last.fm - un servicio que "scrobbleaba" cada track que reproducía en mi computadora y reproductor. En dos o tres semanas tenía un historial de varios miles de canciones, y apareció una pestaña "Recommended for you".

La abrí - y sentí esa misma sensación inquietante que diez años después descubrirían los usuarios de TikTok. El servicio me recomendaba artistas de los que no había oído pero que eran exactamente mi gusto. No el obvio "si te gusta Radiohead, prueba Coldplay", sino combinaciones extrañas que yo no habría encontrado solo - alguna banda de post-punk letón que resultaba realmente buena.

¿Qué había dentro? Filtrado colaborativo ítem-ítem. Last.fm calculaba para cada artista el conjunto de usuarios que lo escuchaban y comparaba esos conjuntos entre artistas. Si los oyentes de A y los de B se cruzaban mucho, A y B eran "similares", y a quien le encantara A se le recomendaba B. Sin redes neuronales, sin "comprensión" de música. Estadística pura sobre una matriz "usuario × artista".

En 2007 esto ya corría en un producto de consumo. En 2024 el motor de recomendación de TikTok produce exactamente el mismo efecto en los usuarios - pero entre ambos hay diecisiete años de la misma idea base, solo a escala cada vez mayor.

2007: el iPhone y el ML estadístico en el dispositivo

En enero de 2007 Steve Jobs presentó el iPhone. Su autocorrección, el reconocimiento de gestos multitáctiles y el ajuste de brillo a la luz ambiente corrían sobre modelos estadísticos entrenados con datos agregados de usuarios.

La autocorrección del iPhone era un caso particularmente interesante. Dentro había una combinación de:

• Un modelo de lenguaje de n-gramas (qué pares y tríos de palabras aparecen juntos con más frecuencia),
• Un modelo de errores (qué teclas suelen golpear los usuarios alrededor de la objetivo),
• Adaptación personal (si insistes en escribir "thx" - dejar de "corregirlo").

Ninguno de los millones de usuarios de iPhone en 2007 pensaba "tengo IA en el bolsillo". Pero era ML en producción con una audiencia diaria de millones de personas.

2009: ImageNet - el dataset que cambió todo

En 2009 el equipo de Fei-Fei Li en Princeton presentó ImageNet en CVPR: 3,2 millones de imágenes etiquetadas en 5.247 categorías, con el objetivo declarado de cubrir la mayoría de los 80.000 sustantivos de WordNet (Deng et al., 2009). Después creció a 14 millones de imágenes en unas 22.000 categorías (Russakovsky et al., 2015). El etiquetado se hizo vía Amazon Mechanical Turk.

La tesis de ImageNet era simple y revolucionaria: a la visión por computadora no le faltaban algoritmos, le faltaban datos. La mayoría de los modelos pre-2009 se entrenaban con unos pocos miles de imágenes. ImageNet ofrecía tres órdenes de magnitud más.

Desde 2010 corrió anualmente el ImageNet Large Scale Visual Recognition Challenge (ILSVRC) sobre un subconjunto (1.000 categorías, 1,2 millones de imágenes). En 2010-2011 los ganadores usaban SVM con características diseñadas a mano (SIFT, HOG, Fisher Vectors). El error top-5 se estancó alrededor del 26%: 28,2% para el ganador de 2010 y 25,8% para el de 2011 (Russakovsky et al., 2015).

Conviene tener este telón de fondo, porque en 2012 ocurrirá un evento que partirá la historia de la visión por computadora en dos. De eso va la parte 4.

2011: IBM Watson y Jeopardy!

En febrero de 2011 la supercomputadora IBM Watson venció en Jeopardy! a dos campeones - Brad Rutter (mayor ganador histórico del torneo) y Ken Jennings (74 victorias seguidas). Primera demostración masiva de IA respondiendo preguntas en lenguaje natural - once años antes de ChatGPT.

Por dentro, Watson era un cóctel de:

• Un parser de preguntas en lenguaje natural (NLP).
• Búsqueda sobre 200 millones de páginas de contenido estructurado y no estructurado, incluida toda Wikipedia (PCWorld, 2011).
• Cientos de hipótesis paralelas rankeadas con ML.
• Bases de conocimiento DBpedia y otras estructuradas.

Watson no era una red neuronal. Por dentro corría un ensamble de NLP clásico, recuperación de información y aprendizaje automático. Pero el efecto sobre la audiencia masiva fue arrollador: una máquina entendía la pregunta, buscaba la respuesta, elegía un candidato seguro y pulsaba el botón. Para los espectadores de 2011 se veía exactamente como ChatGPT se veía para los de 2022.

Después IBM intentó monetizar Watson en salud - y fracasó. En enero de 2022 IBM acordó vender los activos de datos y analítica de Watson Health a Francisco Partners (IBM, 2022). La misma lección que en el primer invierno: una demo brillante ≠ un producto médico que funcione.

Qué llevarse de esta época

Los puntos centrales de la parte 3:

1. Para 2010, la IA ya alimentaba todos los servicios cotidianos que usabas. Búsqueda, recomendaciones, spam, cámara, navegación, anuncios - todo ML. Solo que se le llamaba "personalización" y "big data".
2. El Netflix Prize fue el parteaguas para los sistemas de recomendación. Antes: algoritmos corporativos cerrados. Después: una disciplina industrial abierta con técnicas conocidas. Las recomendaciones de YouTube y Spotify de hoy son herederas directas de ese concurso.
3. ImageNet llegó justo cuando las GPU se volvieron viables. Si el dataset hubiera salido en 2005, habrían entrenado SVM. Si hubiera salido en 2015, habríamos perdido tres años de progreso. La coincidencia de big data, GPU y algoritmos fue lo que detonó la explosión de 2012.
4. La revolución silenciosa enseña una lección. Las tecnologías más exitosas rara vez llegan etiquetadas como "IA". Cuando un producto funciona bien, se llama simplemente "el producto". Cuando un producto necesita marketing, se le llama "IA". En 2010 Netflix no llamaba IA a sus recomendaciones. En 2024 cada modal con tres botones es "AI-powered".

Si llegaste hasta acá, conviene revisar la parte 1 y la parte 2 para ver cómo se preparó el terreno. En la parte 4: 2012 y el big bang del aprendizaje profundo - AlexNet gana ImageNet, word2vec da significado a las palabras, aparecen las GAN, AlphaGo derrota al campeón mundial de go y, a fines de 2017, sale un solo paper que cinco años después será la base técnica de ChatGPT (parte 5).