Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Serie de entrevistas

Dr. Patrick M. Pilarski es un presidente de Inteligencia Artificial de CIFAR de Canadá, ex presidente de Investigación de Canadá en Inteligencia de Máquina para la Rehabilitación, y profesor asociado en la División de Medicina Física y Rehabilitación, Departamento de Medicina, Universidad de Alberta.

En 2017, el Dr. Pilarski cofundó la primera oficina de investigación internacional de DeepMind, ubicada en Edmonton, Alberta, donde se desempeñó como codirector de la oficina y científico de investigación senior hasta 2023. Es miembro y miembro de la junta directiva del Instituto de Inteligencia de Máquina de Alberta (Amii), codirige el laboratorio BLINC y es investigador principal en el Laboratorio de Aprendizaje de Refuerzo y Inteligencia Artificial (RLAI) y la Red de Tecnología de Rehabilitación Adaptativa Sensorial y Motora (SMART) en la Universidad de Alberta.

El Dr. Pilarski es autor o coautor galardonado de más de 120 artículos revisados por pares, miembro senior de la IEEE y ha sido apoyado por subvenciones de investigación provinciales, nacionales e internacionales.

Nos sentamos para una entrevista en la conferencia anual de 2023 Upper Bound sobre inteligencia artificial que se lleva a cabo en Edmonton, AB y organizada por Amii (Instituto de Inteligencia de Máquina de Alberta).

¿Cómo llegaste a la inteligencia artificial? ¿Qué te atrajo a la industria?

Essas son dos preguntas separadas. En cuanto a lo que me atrae a la inteligencia artificial, hay algo hermoso en cómo la complejidad puede emerger y cómo la estructura puede emerger de la complejidad. La inteligencia es solo uno de estos ejemplos asombrosos, así que ya sea que provenga de la biología o de cómo vemos comportamientos elaborados emerger en máquinas, creo que hay algo hermoso en eso. Eso siempre me ha fascinado durante mucho tiempo, y mi largo y sinuoso camino hacia trabajar en el área de la inteligencia artificial en la que trabajo ahora, que es máquinas que aprenden a través de prueba y error, sistemas de refuerzo que interactúan con humanos mientras ambos están inmersos en él, el flujo de experiencia, el flujo de tiempo, pasó por todos los tipos de mesetas. Estudié cómo las máquinas y los humanos podrían interactuar en términos de dispositivos biomecatrónicos y biotecnología, cosas como prótesis y extremidades artificiales.

Examiné cómo la inteligencia artificial puede ser utilizada para apoyar los diagnósticos médicos, cómo podemos utilizar la inteligencia de la máquina para comenzar a comprender patrones que conducen a enfermedades o cómo diferentes enfermedades podrían presentarse en términos de grabaciones en una máquina. Pero eso es todo parte de este largo y sinuoso camino para realmente comenzar a apreciar cómo podríamos obtener comportamientos muy complejos a partir de fundamentos muy simples. Y eso es lo que realmente me encanta, especialmente sobre el aprendizaje de refuerzo, es la idea de que la máquina puede incorporarse dentro del flujo de tiempo y aprender de su propia experiencia para exhibir comportamientos muy complejos y capturar tanto los fenómenos complejos, realmente, en el mundo que nos rodea. Eso ha sido una fuerza impulsora.

La mecánica de ello, en realidad hice mucho entrenamiento en medicina deportiva y cosas como eso en la escuela secundaria. Estudié medicina deportiva y ahora aquí estoy trabajando en un entorno donde examino cómo la inteligencia de la máquina y las tecnologías de rehabilitación se unen para apoyar a las personas en su vida diaria. Es un viaje muy interesante, como la fascinación lateral con sistemas complejos y complejidad, y luego la pragmática muy práctica de cómo podemos empezar a pensar en cómo los humanos pueden ser mejor apoyados, vivir las vidas que quieren vivir.

¿Cómo te llevó inicialmente el deporte a las prótesis?

Lo que es realmente interesante sobre campos como la medicina deportiva es mirar el cuerpo humano y cómo las necesidades únicas de alguien, ya sea deportivas o de otro tipo, pueden en realidad ser apoyadas por otras personas, por procedimientos y procesos. Las prótesis y tecnologías de extremidades artificiales son sobre construir dispositivos, sistemas, tecnología que ayuda a las personas a vivir las vidas que quieren vivir. Estas dos cosas están realmente conectadas. Es realmente emocionante poder venir a circular y tener algunos de esos intereses anteriores que se hacen realidad en, de nuevo, codirigir un laboratorio donde examinamos… Y especialmente sistemas de aprendizaje automático que trabajan con una forma estrechamente acoplada, la persona que están diseñados para apoyar.

Has hablado anteriormente sobre cómo una prótesis se adapta a la persona en lugar de la persona adaptarse a la prótesis. ¿Podrías hablar sobre el aprendizaje automático detrás de esto?

Absolutamente. Como fundamento en la historia del uso de herramientas, los humanos se han adaptado a sí mismos a nuestras herramientas y luego hemos adaptado nuestras herramientas a las necesidades que tenemos. Y así hay un proceso iterativo de nosotros adaptándonos a nuestras herramientas. Estamos, en este momento, en un punto de inflexión donde por primera vez, quizás hayas escuchado que digo esto antes en charlas si has mirado algunas de las charlas que he dado. Pero realmente, estamos en este punto importante de la historia donde podemos ahora imaginar construir herramientas que traen algunos de esos rasgos de la inteligencia humana. Herramientas que en realidad se adaptarán y mejorarán mientras están siendo utilizadas por una persona. Las tecnologías subyacentes apoyan el aprendizaje continuo. Sistemas que pueden aprender continuamente de una corriente de experiencia en curso. En este caso, el aprendizaje de refuerzo y los mecanismos que subyacen a él, cosas como el aprendizaje de diferencia temporal, son realmente críticos para construir sistemas que puedan adaptarse continuamente mientras interactúan con una persona y mientras están en uso por una persona que los apoya en su vida diaria.

¿Podrías definir el aprendizaje de diferencia temporal?

Absolutamente, lo que realmente me gusta de esto es que podemos pensar en las tecnologías básicas, el aprendizaje de diferencia temporal y los algoritmos de aprendizaje de predicción fundamentales que subyacen a mucho de lo que trabajamos en el laboratorio. Tienes un sistema que, al igual que nosotros, está haciendo una predicción sobre cómo será el futuro con respecto a alguna señal, con respecto a algo como la recompensa futura es lo que normalmente vemos. Pero cualquier otra señal que puedas imaginar, como cuánta fuerza estoy ejerciendo en este momento o cuánto calor habrá mañana o cuántos donuts tendré mañana. Estas son las cosas posibles que podrías imaginar predecir. Y así, el algoritmo básico está realmente mirando la diferencia entre mi suposición sobre lo que va a suceder ahora y mi suposición sobre lo que va a suceder en el futuro junto con cualquier señal que esté recibiendo actualmente.

Cuánta fuerza estoy ejerciendo como un brazo robótico que levanta una taza de café o una taza de agua. Esto podría estar mirando la diferencia entre la predicción sobre la cantidad de fuerza que ejerceré ahora o la cantidad que ejerceré durante algún período en el futuro. Y luego comparar eso con mis expectativas sobre el futuro y la fuerza que estoy ejerciendo actualmente. Poner todo eso junto, y obtienes este error, el error de diferencia temporal. Es esta acumulación agradable de la predicción extendida en el tiempo y las diferencias entre ellas, que puedes utilizar para actualizar la estructura de la máquina de aprendizaje en sí.

Y así, de nuevo, para el aprendizaje de refuerzo convencional basado en recompensa, esto podría estar mirando la forma en que la máquina actúa basada en la recompensa futura que podría percibir. Para mucha de lo que hacemos, está mirando otras clases de señales, utilizando funciones de valor generalizadas, que es la adaptación del proceso de aprendizaje de refuerzo, aprendizaje de diferencia temporal de señales de recompensa a cualquier clase de señal de interés que podría ser aplicable a la operación de la máquina.

A menudo hablas sobre una prótesis llamada el dedo de El Cairo en tus presentaciones. ¿Qué tiene que enseñarnos?

El dedo de El Cairo Universidad de Basilea, LHTT. Imagen: Matjaž Kačičnik

Me gusta utilizar el ejemplo del dedo de El Cairo, una prótesis de 3000 años de antigüedad. Trabajo en el área de prótesis neurológicas, ahora vemos sistemas robóticos muy avanzados que pueden tener el mismo nivel de control o grados de control que las partes del cuerpo biológico. Y sin embargo, vuelvo a un dedo de madera estilizado de 3000 años de antigüedad. Creo que lo que es interesante es que es un ejemplo de humanos que se extienden con tecnología. Eso es lo que estamos viendo ahora en términos de interfaces de cerebro-máquina e interacción entre humanos y máquinas, no es algo nuevo, extraño o extravagante. Siempre hemos sido usuarios de herramientas, animales no humanos también usan herramientas. Hay muchos grandes libros sobre esto, especialmente por Frans de Waal, “¿Somos lo suficientemente inteligentes como para saber cuán inteligentes son los animales?“

Esta extensión de nosotros mismos, la ampliación y mejora de nosotros mismos a través del uso de herramientas no es algo nuevo, es algo antiguo. Es algo que ha estado sucediendo desde el tiempo y el memorial en la tierra que estamos ahora por las personas que vivían aquí. La otra cosa interesante sobre el dedo de El Cairo es que la evidencia, al menos de los informes académicos sobre él, muestra que se adaptó múltiples veces durante el curso de sus interacciones con sus usuarios. En realidad, entraron y personalizaron, cambiaron y modificaron durante su uso.

Mi comprensión, no era solo una herramienta fija que se adjuntaba a una persona durante su vida, era una herramienta fija que se adjuntaba pero también se modificaba. Es un ejemplo de cómo, de nuevo, la idea de que las herramientas se adaptan durante su período de uso y un período de uso sostenido es en realidad algo que también es muy antiguo. No es algo nuevo, y hay muchas lecciones que podemos aprender de la coadaptación de personas y herramientas durante muchos, muchos años.

Has mencionado anteriormente la vía de retroalimentación entre prótesis y humano, ¿podrías elaborar sobre la vía de retroalimentación?

Estamos en un momento especial en términos de cómo estamos viendo la relación entre una persona y la máquina que pretende apoyarla en su vida diaria. Cuando alguien está utilizando una extremidad artificial, digamos alguien con diferencia de extremidad, alguien con una amputación está utilizando una extremidad artificial. Tradicionalmente, la utilizarán muy parecido a una herramienta, como una extensión de su cuerpo, pero veremos que confían en gran medida en lo que consideramos la vía de control. Eso es que algún sentido de su rueda o su intención se está pasando a ese dispositivo, que luego se encarga de averiguar qué es y luego ejecutarlo, ya sea abriendo y cerrando una mano o doblar un codo o crear un agarre de pinza para agarrar una llave. A menudo no vemos a las personas estudiando o considerando la vía de retroalimentación.

Así que una gran cantidad de extremidades artificiales que podrías ver desplegadas comercialmente, la vía de información que fluye desde el dispositivo hacia la persona podría ser el acoplamiento mecánico, la forma en que realmente sienten las fuerzas de la extremidad y actúan sobre ellas. Podría ser que estén escuchando el zumbido de los motores o que estén mirando mientras recogen un puño y lo mueven a través de un escritorio o que lo agarren de otra parte de su espacio de trabajo. Y así, esas vías son la forma tradicional de hacerlo. Hay cosas increíbles que están sucediendo en todo el mundo para examinar cómo la información podría ser mejor alimentada desde una extremidad artificial hacia la persona que la utiliza. Especialmente incluso aquí en Edmonton, hay mucho trabajo muy interesante que utiliza la reconfiguración del sistema nervioso, la renovación de nervios dirigida y otras cosas para apoyar esa vía. Pero todavía es un área de estudio emergente muy caliente para pensar en cómo el aprendizaje automático puede apoyar las interacciones con respecto a esa vía de retroalimentación.

Cómo el aprendizaje automático puede apoyar un sistema que podría estar percibiendo y prediciendo mucho sobre su mundo en realidad transmitir, teniendo que esa información se transmita claramente y de manera efectiva hacia la persona que la utiliza. ¿Cómo puede el aprendizaje automático apoyar eso? Creo que este es un gran tema, porque si tienes ambas vías, la vía de retroalimentación y la vía de control, ambas vías se adaptan y tanto el dispositivo que se utiliza por la persona como la persona misma construyen modelos de cada uno. Puedes hacer algo casi milagroso. Puedes transmitir información casi de forma gratuita. Si tienes ambos sistemas que están en realidad bien sintonizados entre sí, han construido un modelo muy poderoso de cada uno y tienen una adaptación tanto para controlar las vías de retroalimentación, puedes formar asociaciones muy estrechas entre humanos y máquinas que pueden pasar una cantidad masiva de información con muy poco esfuerzo y muy poco ancho de banda.

Y eso abre nuevos reinos de coordinación entre humanos y máquinas, especialmente en el área de prótesis neurológicas. Realmente creo que este es un momento bastante milagroso para que comencemos a estudiar esta área.

¿Crees que estas prótesis serán impresas en 3D en el futuro o cómo crees que procederá la fabricación?

No creo que sea el mejor lugar para especular sobre cómo podría suceder. Puedo decir que estamos viendo un gran aumento en los proveedores comerciales de dispositivos de prótesis neurológica que utilizan la fabricación aditiva, la impresión 3D y otras formas de fabricación aditiva para crear sus dispositivos. Esto también es realmente interesante, que no es solo un prototipo que utiliza la fabricación aditiva o la impresión 3D, es la impresión 3D que se está convirtiendo en una parte integral de cómo proporcionamos dispositivos a las personas y cómo optimizamos esos dispositivos para las personas exactas que los están utilizando.

La fabricación aditiva o la fabricación personalizada, el ajuste de la prótesis sucede en los hospitales todo el tiempo. Esto es una parte natural de la provisión de atención a las personas con diferencia de extremidad que necesitan tecnologías de asistencia o otras tecnologías de rehabilitación. Creo que estamos empezando a ver que mucha de esa personalización se está empezando a mezclar con los fabricantes de los dispositivos, y no solo se deja en los proveedores de atención. Y eso también es realmente emocionante. Creo que hay una gran oportunidad para dispositivos que no solo se parecen a las manos o se utilizan como manos, sino dispositivos que muy precisamente satisfacen las necesidades de la persona que los utiliza, que les permiten expresarse de la manera en que quieren expresarse y les permiten vivir las vidas que quieren vivir, no solo la manera en que pensamos que una mano debería ser utilizada en la vida diaria.

Has escrito más de 120 artículos. ¿Hay alguno que te gustaría destacar que debemos saber?

Hay un artículo recientemente publicado en aplicaciones de computación neural, pero representa la punta del iceberg de la forma en que pensamos sobre los marcos para la interacción entre humanos y máquinas, especialmente cómo interactúan los humanos y los dispositivos de prótesis. Es la idea de capital comunicativo. Y así, este es el artículo que publicamos recientemente.

Y este artículo presenta nuestra visión sobre cómo las predicciones que se aprenden y mantienen en tiempo real por un dispositivo de prótesis que interactúa con la persona, la persona misma puede formar esencialmente capital, puede formar un recurso que ambas partes puedan confiar. Recuerda, anteriormente dije que podemos hacer algo realmente espectacular cuando tenemos un humano y una máquina que están construyendo modelos de cada uno, adaptándose en tiempo real basado en la experiencia y empezando a pasar información en un canal bidireccional. Como una nota al margen, porque vivimos en un mundo mágico donde hay grabaciones y puedes cortar cosas de ellas.

Es esencialmente como magia.

Exacto. Suena como magia. Si volvemos a pensadores como Ashby, W. Ross Ashby, en la década de 1960 y su libro “Introducción a la cibernética” habló sobre cómo podríamos amplificar la inteligencia humana. Y realmente dijo que se reduce a amplificar la capacidad de una persona para elegir entre una de muchas opciones. Y esto es posible gracias a sistemas donde una persona está interactuando con, digamos, una máquina, donde hay un canal de comunicación abierto entre ellos. Así que si tenemos ese canal de comunicación abierto, si es bidireccional, y si ambos sistemas están construyendo capital en la forma de predicciones y otras cosas, entonces puedes empezar a ver que se alinean y se convierten en más que la suma de sus partes. Puedes obtener más de lo que están poniendo.

Y creo que esta es la razón por la que considero que este es uno de nuestros artículos más emocionantes, porque representa un cambio de pensamiento. Representa un cambio de pensamiento hacia pensar en los dispositivos de prótesis neurológica como sistemas con agencia, sistemas que no solo podemos describir como agencia, sino en los que podemos confiar para poder coadaptarnos con ellos para construir estos recursos. El capital comunicativo que nos permite multiplicar nuestra capacidad para interactuar con el mundo, nos permite obtener más de lo que estamos poniendo y permite a las personas, voy a decir, desde una perspectiva de prótesis, dejar de pensar en la prótesis en su vida diaria y empezar a pensar en vivir su vida diaria. No el dispositivo que los ayuda a vivir su vida diaria.

¿Cuáles son algunas de las aplicaciones que verías para las interfaces de cerebro-máquina con lo que acabas de discutir?

Una de mis favoritas es algo que hemos presentado, de nuevo, durante casi 10 años, es una tecnología llamada conmutación adaptativa. La conmutación adaptativa se basa en el conocimiento de que muchos sistemas con los que interactuamos en nuestra vida diaria confían en que cambiemos entre muchos modos o funciones. Ya sea que esté cambiando entre aplicaciones en mi teléfono o que esté tratando de averiguar la configuración correcta en mi taladro o que esté adaptando otras herramientas en mi vida, cambiamos entre muchos modos o funciones todo el tiempo, pensando en Ashby, nuestra capacidad para elegir entre muchas opciones. Así que en la conmutación adaptativa, utilizamos el aprendizaje de diferencia temporal para permitir que una extremidad artificial aprenda qué función de motor una persona podría querer usar y cuándo la quiere usar. Realmente es un concepto bastante simple, es que el acto de alcanzar una taza y cerrar mi mano.

Bien, un sistema debería poder construir predicciones a través de la experiencia de que en esta situación, es probable que esté utilizando la función de abrir y cerrar la mano. Y luego, en el futuro, en situaciones similares, poder predecir eso. Y cuando estoy navegando en la nube de modos y funciones, darme más o menos los que quiero sin tener que buscar entre todas esas opciones. Y esto es un ejemplo simple de construir ese capital comunicativo. Tienes un sistema que en realidad está construyendo predicciones a través de la interacción, son predicciones sobre la persona, la máquina, su relación en esa situación en ese momento. Y ese recurso compartido entonces permite que el sistema reconfigure su interfaz de control en vuelo, de modo que la persona obtenga lo que quiere y cuando lo quiere. Y realmente, en una situación en la que el sistema está muy seguro de qué función de motor una persona podría querer, puede en realidad seleccionar eso para ellos mientras van.

Y lo genial es que la persona siempre tiene la capacidad de decir: “Ah, esto es lo que realmente quería”, y cambiar a otra función de motor. En un brazo robótico, podría ser diferentes tipos de agarres, ya sea que esté formando un agarre para agarrar un picaporte o para recoger una llave o para estrechar la mano de alguien. Esos son diferentes modos de función, diferentes patrones de agarre. Es muy interesante que el sistema pueda empezar a construir una comprensión de qué es apropiado en qué situación. Unidades de capital que ambas partes pueden confiar para moverse más rápidamente por el mundo, y con menos carga cognitiva, especialmente en la parte de la unidad.

Gracias por la increíble entrevista, los lectores que deseen aprender más pueden visitar los siguientes recursos:

• Dr. Patrick M. Pilarski Página de la Universidad de Alberta.
• Conferencia de Inteligencia Artificial Upper Bound.
• Amii (Instituto de Inteligencia de Máquina de Alberta)