La Inteligencia Artificial (IA), que en tiempos pasados solo era un concepto popular en las películas de ciencia ficción, ha trascendido la pantalla grande para convertirse en un componente esencial de nuestra vida diaria.
En la actualidad, no es raro encontrar una pestaña de ChatGPT abierta en el navegador de cualquier estudiante universitario que se encuentre bajo presión. La tecnología de IA ha extendido su alcance más allá de nuestras rutinas diarias, llegando a impregnar el ámbito de la investigación científica.
Esta incursión ha desbloqueado un sinfín de oportunidades para avanzar en nuestra comprensión del mundo. Sin embargo, también ha surgido una serie de desafíos éticos complejos que debemos abordar con responsabilidad.
Los modelos actuales de IA se entrenan con conjuntos de datos preexistentes, los cuales están inevitablemente influenciados por la intervención humana. A pesar de que grandes volúmenes de datos pueden parecer objetivos, siempre existen sesgos inherentes en su recopilación, el procesamiento y la presentación de estos datos.
Un ejemplo claro es que los datos de los ensayos clínicos tienden a sobrerrepresentar a los pacientes de raza blanca. Sabemos que ciertas condiciones, como la diabetes y la anemia falciforme, que afectan la respuesta a los medicamentos, varían en prevalencia entre grupos poblacionales de diferentes ascendencias.
Por lo tanto, un algoritmo entrenado con estos datos incorporará esta sobrerrepresentación y podría sugerir medicamentos que tienen efectos distintos en otros grupos, lo que constituye un ejemplo contundente de sesgo algorítmico. Esto suscita interrogantes complejas sobre la ética del uso de la IA en la investigación. Entonces, ¿un algoritmo informático debería estar sujeto a las mismas leyes que los humanos? Y en caso de incumplirlas, ¿quién sería el responsable?
Una solución propuesta para estos problemas implica un riguroso proceso de investigación de los modelos de aprendizaje automático. Este proceso consiste en probar directamente los modelos con datos conocidos para identificar posibles sesgos contra ciertos grupos.
Potencial
Adicionalmente, se podría requerir a los desarrolladores que elaboren una declaración sobre el impacto del sesgo, en la que describan qué grupos podrían verse afectados y cómo se manifestaría el sesgo en su contra. No obstante, la implementación de esta medida podría ser complicada: demostrar que un modelo está sesgado contra un grupo específico es un desafío considerable, dado el casi infinito número de factores que deben tenerse en cuenta.
Además, los algoritmos de aprendizaje automático operan identificando patrones en los conjuntos de datos con los que han sido entrenados y extrapolando dichos patrones a nuevos datos. Sin embargo, estos algoritmos no interpretan los datos de la misma forma que un investigador humano. En consecuencia, los algoritmos pueden tener dificultades para distinguir entre patrones que son producto del ruido de los datos y las tendencias reales presentes en ellos, lo cual puede dar lugar a predicciones erróneas.
A pesar de lo anterior, la IA posee un potencial extraordinario para revolucionar la investigación científica, permitiendo encontrar soluciones a problemas computacionales y de alta complejidad, a una velocidad que supera con creces la capacidad humana o de una computadora convencional.
De acuerdo con un análisis realizado en la base de datos Scopus, la proporción de artículos de investigación que hacen referencia a la IA ha experimentado un notable incremento, pasando de 2% en 2013 a 8%, solo una década después. Los algoritmos de IA se están aplicando en una diversidad de contextos científicos.
Un ejemplo destacado es su uso en la biología molecular para abordar el desafío del plegamiento de proteínas. Esto nos permite descifrar la estructura de 300 millones de proteínas conocidas a partir de un fragmento reducido de código genético. Si se logra encontrar una solución a este problema, representaría uno de los avances más significativos en la ciencia moderna, abriendo las puertas a innumerables progresos en el tratamiento de enfermedades, la producción de nuevos biomateriales y la prevención de futuras pandemias.
Innovación
Programas innovadores como AlphaFold, desarrollado por la empresa matriz de Google, emplean técnicas de aprendizaje automático para realizar predicciones más precisas sobre las formas de diversas proteínas. AlphaFold se fundamenta en una base de datos pública que contiene alrededor de 100.000 proteínas. Un estudio publicado en la revista Nature en 2021, sugirió que las predicciones de AlphaFold eran extremadamente precisas.
Desde su publicación, este artículo se ha convertido en uno de los más citados de todos los tiempos. El modelo AlphaFold ya ha encontrado aplicaciones en el desarrollo de medicamentos, la identificación de enzimas capaces de descomponer plásticos contaminantes e incluso en la producción de vacunas para enfermedades previamente esquivas, como la malaria.
En el año 2020, Exscientia logró un hito importante al producir el primer medicamento mediante IA, que fue admitido en un ensayo clínico. En general, el desarrollo de medicamentos es un proceso largo que puede llevar muchos años. Desde la selección de las moléculas hasta el inicio de los ensayos clínicos suelen transcurrir alrededor de cinco años.
Sin embargo, este proceso se completó en menos de un año, lo que representa un avance significativo en el campo de investigación. Este medicamento fue diseñado para tratar los síntomas del Trastorno Obsesivo Compulsivo (TOC). El programa de Exscientia exploró bibliotecas químicas de gran magnitud a una velocidad sin precedentes, para identificar moléculas con el potencial de interactuar con los receptores adecuados, permitiendo tratar el TOC.
Cautela
En resumen, la creciente adopción de la IA tiene el potencial de ejercer un impacto significativo y positivo en la investigación científica. Esta tecnología puede reavivar la investigación en áreas que han permanecido estancadas durante años, impulsando así una revolución científica moderna.
Sin embargo, es crucial abordar con cautela la investigación producida por modelos de IA, ya que estos pueden reforzar prejuicios humanos existentes bajo el manto de la objetividad. Por lo tanto, es esencial realizar un escrutinio riguroso de la información utilizada para entrenar los modelos de aprendizaje automático.
Además, es imperativo monitorear cuidadosamente la expansión de la IA en la investigación hasta que se pueda implementar una regulación adecuada. En última instancia, la IA tiene el potencial de ser una herramienta poderosa para el avance de la ciencia, siempre y cuando se utilice de manera ética y responsable.