ESCENA 1: Un panel introductorio similar al de la Parte 1. Vemos a Marta, Flip, Bit y Octavio. Cada uno está dentro de un círculo y los rodean algunos íconos que se relacionan con las redes neuronales. TÍTULO: Aprende sobre las REDES NEURONALES. Un cómic en línea de IA de Google. Leyenda/Flecha: Protagonizado por MARTA, que ya se está familiarizando con todo esto. Marta: ¿CREO que ya sé qué está sucediendo? Leyenda: Con FLIP Leyenda: BIT Leyenda: Y la incorporación de ¡OCTAVIO! Octavio: ¡Hola!

ESCENA 2: Marta gira la llave en la puerta que lleva al mundo de las redes neuronales. Leyenda: En el capítulo anterior de Aventuras del aprendizaje automático… Marta: Próxima parada, ¡las redes neuronales!

ESCENA 3: Marta abre la puerta con ánimo. Está radiante, y exclama. Marta: HOLA, MUND…

ESCENA 4: La cámara se coloca detrás de Marta, y vemos que al otro lado de la puerta hay un horizonte enorme y abrumador lleno de nodos interconectados. Hasta puede que salga un poco de humo por la puerta. La silueta de Marta se encoge por la sorpresa. Marta: …¡Ah!

ESCENA 5: De regreso al otro lado de la puerta. Marta la cierra rápidamente. Tiene una mirada perpleja y el cabello desordenado. Flip y Bit la miran estoicamente. Efecto de sonido: CLAC

ESCENA 6: Igual a la anterior, pero ahora Marta dirige su mirada a Flip y Bit. Se escucha una voz tras la puerta. Octavio (tras la puerta): ¡Perdón!, ¡perdón! No estaba preparado. Bien, pasen.

ESCENA 7: Marta, Flip y Bit se asoman tímidamente por la puerta.

ESCENA 8: Octavio, un tierno pulpo bebé, flota junto a una neurona tecnológica sencilla. Octavio: ¡Hola! ¡Soy Octavio! Empecemos con los CONCEPTOS BÁSICOS, ¿de acuerdo?

ESCENA 9: Marta parece aliviada y mira por encima del hombro para ver si la vista abrumadora de antes está en alguna parte. Flip y Bit saludan a Octavio. Marta: *Uf* Sí. Soy Marta. Octavio: ¡Hola, Marta! Bueno, las REDES NEURONALES constan de piezas fundamentales sencillas, y la MÁS SIMPLE es “LA NEURONA”. Oh, ¡hola, Flip! Hola, Bit. Flip: Hola. Bit: Hola, Doc.

ESCENA 10: Mientras Octavio explica, Marta se arrodilla frente a dos paneles descriptivos contiguos que muestran una neurona biológica y una tecnológica. Octavio: Igual que sus tocayas biológicas, estas “neuronas” aceptan múltiples ENTRADAS y las combinan para producir SALIDAS. Marta: ¿Con “entradas”, te refieres a…?

ESCENA 11: Octavio y Bit hablan encima de una tabla de atributos con varias columnas de datos. Octavio: Casi CUALQUIER COSA, siempre y cuando puedas medirla DE FORMA NUMÉRICA. Bit: ¡Piensa en las entradas como si fueran las propiedades de una tabla!

ESCENA 12: Flip derriba la tabla con sus patas traseras, mientras Bit hace un gesto. Flip: …pero de COSTADO. Bit: (No necesariamente, pero se ve mejor con una orientación de izquierda a derecha…)

ESCENA 13: Octavio y Marta miran la tabla que ahora es horizontal. En ella, vemos flechas que pasan por cada columna de datos, hacia varios nodos redondos (las entradas). Octavio: Aquí es donde comienza todo: Nuestra primera CAPA de ENTRADAS.

ESCENA 14: Octavio flota junto a la capa de entradas anterior y señala una clasificación binaria sencilla que está a la derecha y que dice lo siguiente: Gato o Perro. Gato está destacado. Octavio: Nuestro OBJETIVO es usar los valores que produce esa CAPA DE ENTRADA, sin importar lo compleja que sea, para generar una capa de SALIDA en el otro extremo con una buena RESPUESTA sencilla.

ESCENA 15: Toma alejada. El grupo está en un espacio vacío. Octavio sonríe. Marta se ve desconcertada. Octavio: Y de eso se trata. ¿Alguna pregunta? Marta: …

ESCENA 16: Igual a la anterior, pero Flip y Bit se ríen disimuladamente. Bit (efecto de sonido): *hmpf*

ESCENA 17: Igual a la anterior, pero ahora Marta grita confundida. El resto del grupo se ríe abiertamente. Marta: PERO ¿QUÉ PASA DURANTE EL PROCESO? Octavio: ¡Exacto!

ESCENA 18: Octavio mira un ícono de clasificación animado que se desplaza por las capas ocultas de un diagrama de NN estándar… Octavio: Esas “capas ocultas” que están en el medio realizan varias tareas [de clasificación] sencillas para obtener una respuesta compleja.

ESCENA 19: Octavio señala una neurona simple con entradas etiquetadas (X1, X2) que convergen en un nodo con una letra sigma (Σ). Flip se asoma por debajo para intervenir. Octavio: El valor numérico de cada atributo (X) simplemente se agrega a la neurona. Flip: Y esa suma (∑) ayuda a determinar la pendiente de la recta.

ESCENA 20: Igual a la anterior, pero, ahora, las líneas que están entre las entradas y el nodo de suma están etiquetadas con W1 y W2, y tienen grosores diferentes. Octavio: Pero algunos atributos merecen más PESO que otros, así que esas entradas primero se ajustan según su mayor o menor fuerza.

ESCENA 21: Marta aparece y señala las líneas que ahora tienen diales que indican Bajo y Alto (como en la explicación de la Parte 1) MARTA: ¡Oh! ¡Así que uno de los DIALES representa los pesos! Octavio: ¡Sí!

ESCENA 22: Marta y Octavio examinan la neurona sencilla. Ahora, esta tiene un nodo adicional etiquetado como “b” que ingresa a la suma desde abajo. La línea de este nodo también tiene un peso. Octavio: Hay otro elemento que es el SESGO, un desplazamiento de la suma completa que también se ajusta por peso.

ESCENA 23: Los globos de diálogo de Marta contienen dos gráficos animados que se repiten indefinidamente y muestran cómo los cambios en el peso y el sesgo alteran la pendiente y la intersección en y. Octavio y Flip se asoman por debajo. Marta: Entonces… Si se ajusta el PESO, se ajusta la PENDIENTE… …y, si se ajusta el SESGO, ¿se ajusta la INTERSECCIÓN EN Y? Octavio: ¡Exacto! Flip: Te lo dije, aprende rápido.

ESCENA 24: La neurona ahora muestra una línea de pendiente en lugar del nodo de suma, y Octavio señala el paso siguiente: Una línea comprimida (como una figura sigmoidea) que denota la función de activación. Bit flota por debajo con un letrero. Octavio: Después, comprimimos ese clasificador lineal en una forma NO LINEAL, como una función sigmoidea… Leyenda (del letrero que sostiene Bit): Más información.

ESCENA 25: Octavio flota en la intersección en y de un gráfico sigmoideo ampliado. Marta, que está abajo a la derecha, enmarca la figura con los dedos. Octavio: Esta “FUNCIÓN DE ACTIVACIÓN” permite relaciones no lineales… …y realizar ajustes con más facilidad en el proceso de aprendizaje. Marta: Ah.

ESCENA 26: Ahora, vemos la neurona completa con todas sus etiquetas. Octavio y Marta observan desde abajo. La idea es que la figura se vea un poco abrumadora con todos sus componentes en funcionamiento. Etiquetas: Nodo, Peso, Borde, Suma, Sesgo, Función de activación y Función no lineal. (P. ej., sigmoidea, tanh, softmax, swish, ReLU, leaky ReLU, diet ReLU, ReLU con chips, ReLU, Spam, Spam, ReLU y Spam). Octavio: Aquí tienes, todo desempaquetado. Marta: Cielos.

ESCENA 27: Regresamos a nuestra neurona sencilla de tres nodos, en la que se muestran X1 y X2 como entradas y la curva sigmoidea para la función de activación. Marta mira aliviada mientras Octavio explica por qué regresaron a la vista sencilla. Octavio: Pero, para simplificar el proceso, combinemos la suma, el sesgo y la función de activación en un solo nodo… …usemos el grosor de las líneas para indicar los pesos. Marta: *uf* Sí, ¡HAGÁMOSLO!

ESCENA 28: La neurona sencilla ahora tiene líneas animadas que indican el peso y la conectan a sus nodos. También hay una nueva línea de salida que se avanza hacia la derecha. Octavio: Y, ahora, la SALIDA de ESE nodo… Marta: ¡OH!

ESCENA 29: La neurona 1 se une con una segunda neurona. Las salidas de N1 se convierten en las entradas de N2. Las líneas entre las neuronas todavía tienen una animación que muestra el flujo de información entre los nodos. Marta: …¡puede ser la ENTRADA de otro! Octavio: ¡Exactamente!

ESCENA 30: La red crece. Ahora tiene seis capas de neuronas interconectadas en una red de líneas animadas que fluyen de una a otra. Octavio: …y OTRA, y OTRA MÁS… Marta: Guau.

ESCENA 31: Debajo del diálogo de Marta, vemos los siguientes dos cuadritos animados que remiten a la Parte 1: Una bola que rueda y se detiene en el fondo de una curva, y una línea que rota y se detiene en la trayectoria de clasificación adecuada, en medio de un conjunto de letras X y O Bit sostiene un cartel que nos lleva a la Parte 1. Marta: Entonces… cuando entrenamos las redes neuronales con PROPAGACIÓN INVERSA y DESCENSO DE GRADIENTES*… …¿ese proceso AJUSTA esos pesos y sesgos? Octavio: ¡Sí! Nota al pie (Bip la sostiene): *Ver Parte uno.

ESCENA 32: Una neurona sencilla con tres entradas. Hay diales animados que ajustan el grosor de las líneas para indicar los pesos. Octavio explica desde arriba, Bit alza sus brazos y Marta se sienta en el suelo con las piernas cruzadas y hace un gesto con las manos. Octavio: A esos ajustes automatizados, los llamamos “ENTRENAMIENTO DE MODELOS”. Bit: ¡Mira, Ma! ¡Sin manos! Marta: Genial, pero ¿cuándo intervenimos nosotros, los INGENIEROS?

ESCENA 33: Marta señala con el índice una red de nodos de varias capas que flota frente a ella. Flip se monta en su espalda. Bit flota por debajo. Flip: Oh, ¡DESDE EL PRIMER MOMENTO! Los ingenieros eligen la arquitectura correcta, ajustan la cantidad de capas o nodos, seleccionan las funciones de activación y toman todo tipo de decisiones. Marta: Ah. Bit: A eso lo llamamos “AJUSTE DE HIPERPARÁMETROS”.

ESCENA 34: Marta y Octavio hablan delante de un fondo que parece una cuadrícula de gráfico. Octavio: La información tiene ESTRUCTURA. Una red neuronal bien entrenada puede ayudarte a NAVEGAR por ella.

ESCENA 35: Marta y Octavio se asoman por encima de una pared para observar a dos pequeñas Martas que trazan una recta de regresión (dibuja una línea de tendencia a través de un mapa de datos) y una de clasificación (dibuja una línea que delimita dos grupos de datos). Octavio: Esto es lo que haces cuando dibujas esas líneas de REGRESIÓN y CLASIFICACIÓN… Se pueden hacer fácilmente A MANO solo cuando hay uno o dos atributos… Marta: Oh… ¡mira cómo dibujan!

ESCENA 36: Regresamos a la hoja de cálculo tumbada con una capa contigua de nodos de entrada. Marta y Octavio observan. Octavio: Pero, con múltiples atributos, se generan múltiples ENTRADAS. Y eso quiere decir…

ESCENA 37: Marta, Octavio, Flip y Bit repentinamente se encuentran flotando en un mundo de datos contorsionado. Hay corrientes de números enteros y letras que flotan alrededor de ellos. Marta se ve asustada. Bit está adoptando una forma alargada y extraña. Flip camina de forma vertical por un hilo de números de Escher. Octavio no sufrió ningún cambio. Octavio: …múltiples DIMENSIONES para navegar; lo que hace que trazar un límite recto y sencillo entre “A” y “B” sea casi IMPOSIBLE. Marta: ¿Q-Q-QUÉ?

ESCENA 38: El paisaje multidimensional se retira hacia la parte superior del panel. Bit se ve relajado y confiado. Marta alucina en una esquina del panel. Octavio: Por suerte, nuestras primas digitales ven otras dimensiones DE FORMA MATEMÁTICA y pueden encontrar rutas EN esa estructura por nosotros. Bit: Oh, sí, pan comido. Solo hay que curvar la topografía subyacente.

ESCENA 39: Bit señala un gráfico que muestra dos espirales de datos entrelazadas. Flip se asoma por la derecha. Bit: Por ejemplo, parece que ninguna línea recta podría separar estas dos figuras, pero las redes neuronales encuentran el modo de hacerlo. Flip: Ahora es cuando esas “CAPAS OCULTAS” brillan…

ESCENA 40: Bit toma las espirales de datos, las retuerce y, en tres pasos, las transforma en un par de garabatos que pueden dividirse fácilmente en líneas individuales. Bit: Estas capas TRANSFORMAN los datos… …AGRANDAN o ENCOGEN el espacio… …pero nunca CORTAN, ROMPEN o DOBLAN para buscar una respuesta.

ESCENA 41: Un globo terráqueo inclinado que flota sobre Octavio tiene un triángulo punteado sobre la Antártida con un signo de interrogación pequeño junto a él. Abajo de esta figura, Octavio dibuja una línea a través de un mapa con proyección de Mercator. Octavio: Es como dibujar una LÍNEA RECTA entre la ANTÁRTIDA Y otros continentes… Parece ser algo imposible de hacer en un globo terráqueo… …pero no lo es tanto con un pequeño ¡“CAMBIO DE PERSPECTIVA”!

ESCENA 42: Vemos tres nodos con líneas que dividen los conjuntos de datos que contienen. Los dos primeros (en una sola capa) se combinan para crear una línea curva en el nodo de salida, que delimita correctamente el conjunto de datos deseado. Bit sostiene un letrero de Más información que lleva a la demostración de Neural Network playground. Octavio: Si cada neurona contiene una función lineal diferente, su COMBINACIÓN proporciona formas de AJUSTE DE DATOS más COMPLEJAS. Leyenda/Vínculo (Bit lo sostiene): Más información.

ESCENA 43: Marta se ve perversa. Se regodea con una nube de nodos que flota entre sus manos. Octavio posa un tentáculo en su hombro. Se ve preocupado. Marta: ¡OH! Así que, ¿con más neuromas puedo ajustar CUALQUIER conjunto de datos, sin importar lo complejo que sea? Mua, ja, ja… Octavio: ¡No tan rápido! ¡DEMASIADAS neuronas pueden producir un SOBREAJUSTE!

ESCENA 44: La línea punteada se extiende un poco hacia abajo de izquierda a derecha, a medida que Flip avanza con lentitud. FLIP: … ese arreglo de picos y valles que llamamos “función de error” o “función de pérdida”… solo puede revelarse…

ESCENA 45: Marta, Bit, Octavio y Flip conversan en un espacio en blanco. Marta: ERA DEMASIADO BUENO PARA SER VERDAD. Entonces, ¿por qué LAS LLAMAMOS “CAPAS OCULTAS”? Bit: Vaya. Buena pregunta. Octavio: Bueno, conocemos los atributos que ENTRAN… Conocemos las respuestas que SALEN… Flip: …incluso podemos describir CÓMO funcionan las capas ocultas…

ESCENA 46: Marta se arrodilla para escuchar a Flip. Se ve que su silueta está sobre una red de nodos compleja. Bit, que está a la derecha, sostiene un letrero de Más información que apunta hacia el diálogo de Flip y que vincula a la investigación de Cassie. Bit: Pero, en una RED NEURONAL CONECTADA POR COMPLETO, cada nodo combina los resultados de todos los nodos de la capa anterior. ¿Qué “atributos” revisará? Flip: Como dice la científica de datos Cassie Kozyrkov, estamos “AUTOMATIZANDO lo INEFABLE”.

ESCENA 47: Octavio aparece en la parte derecha en el panel. Tiene una gorra de conductor y está junto a un carro minero. El grupo se prepara para subir. Octavio: Ahora bien, una red neuronal CONECTADA POR COMPLETO es solo un tipo de arquitectura… Marta: Linda gorra. Octavio: Gracias.

ESCENA 48: Octavio se sienta en el carro minero. Se encuentra frente a un mapa de tránsito con varias paradas que están etiquetadas según sus símbolos de arquitectura de red. Octavio: Vamos a OTRA parada popular del mapa de la red neuronal.

ESCENA 49: El grupo viaja en el carro por secciones circulares de la pista, y hay íconos de diferentes arquitecturas que flotan alrededor de ellos. Marta está teniendo un viaje emocionante. Octavio explica despreocupado mientras avanzan. Octavio: Todo este campo está en FLUJO, permanentemente “en construcción”. Algunos de los destinos más populares de la actualidad eran solo PROTOTIPOS hace diez años.

ESCENA 50: Se muestra en tres etapas cómo el carro avanza por sección circular de la pista que se ve como la cara frontal de un reloj. Las figuras son muy pequeñas como para distinguirlas. Octavio: LAS REDES NEURONALES RECURRENTES (como LSTM) se recorren a ellas mismas repetidamente… …y abordan los problemas de ELEMENTO TEMPORAL… …como el RECONOCIMIENTO DE VOZ. Leyenda/vínculo: Más información.

ESCENA 51: El carro se mueve por un desvío. Vista desde arriba. Hay múltiples opciones que convergen y divergen. Octavio acciona una palanca de un desvío mientras explica. El vínculo de Más información lleva a [¿qué vínculo nos gustaría poner aquí?] Octavio: Otras, como los CODIFICADORES AUTOMÁTICOS, ayudan a comprender los datos que no se supervisan… … lo que reduce la DIMENSIONALIDAD de los macrodatos desbordantes. Leyenda/vínculo: Más información.

ESCENA 52: El grupo se desplaza rápidamente, en primer plano. En el fondo, se ven otras pistas y carros. Mientras se desplazan, Marta interrumpe a Octavio para preguntarle sobre los pasajeros de los otros carros. Él mantiene un aspecto alegre, con la mirada hacia el frente. Octavio: La red a la que vamos es popular por sus análisis… Marta: Eh, ¿quiénes son ELLOS? Octavio: Oh, esa es la línea G.A.N. ¡Ninguno de esos pasajeros existe! No hagas contacto visual con ellos.

ESCENA 53: El carro se detiene en una plataforma con una puerta arqueada que tiene la etiqueta “CNNs”. Todos se bajan para ir a investigar. Octavio: Llegamos. ¡Bájense para ir a las REDES NEURONALES CONVOLUCIONALES! Marta: Ajá, he escuchado sobre ELLAS. Bit: Son muy populares.

ESCENA 54: El grupo entra en una galería llena de obras de arte con marcos ornamentados, pero en todos los cuadros hay un conjunto desordenado de dígitos 1 y 0. Bit está cautivado por uno de los cuadros. Marta se ve confundida. Bit: Oh, este ME ENCANTA. Logró capturar la esencia del 11001101010, ¿no creen? Marta: Eh… Octavio: Para las CNN, ¡las imágenes son solo cuadrículas con números!

ESCENA 55: Marta toma uno de los cuadros y mira los números que contiene. Octavio explica en qué consiste el contenido. Bit, que está en la esquina inferior derecha, sobre una onda de sonido, toma un micrófono para demostrar cómo las CNN pueden analizar los datos que se procesan de forma visual. Marta: Bueno, ¿pero acaso no se aplica eso a CUALQUIER red neuronal que trabaja con imágenes? Octavio: ¡Claro! Pero las CNN cuentan con un método único para analizar y obtener todos esos datos de imagen. Bit: (Incluido cualquier tipo de datos que se pueda REPRESENTAR como imágenes.)

ESCENA 56: El grupo mira una foto de un gato de 32x32 píxeles que está en escala de grises. Octavio: Incluso una imagen de BAJA RESOLUCIÓN como esta contiene una gran cantidad de información. Cada uno de esos 1,024 PÍXELES es una entrada independiente o, de hecho, TRES, si consideras los canales rojo, verde y azul. Flip: ¡Es mi tío Rufus!

ESCENA 57: Octavio explica la riqueza de las imágenes en color del panel de la izquierda. Se encuentra sobre un conjunto de entradas de capas con canales rojos, verdes y azules y la cantidad correspondiente de entradas (3,072). Hacia su derecha, se extiende una gran capa de entradas. Marta retrocede espantada. Octavio: Hablando de CAPAS DE ENTRADA MULTIDIMENSIONALES… Y esta ni siquiera es de alta resolución o un video. Marta: ¡AAAH! Esto me trae RECUERDOS.

ESCENA 58: Octavio continúa explicando junto a un grupo de seis imágenes en las que aparecen gatos en primer plano, en posiciones rotacionales diferentes, en varias casillas dentro de una sola imagen, etc. En la esquina inferior izquierda, hay un nodo de clasificación que contiene lo siguiente: Gato: SÍ. Octavio: Es posible que queramos un “SÍ” o un “NO” unidimensional y sencillo cuando estemos listos, pero tiene que funcionar con TODOS los gatos, en CUALQUIER ángulo y en cualquier porción de esa imagen. Marta: Guau. Es una tarea difícil

ESCENA 59: Bit aparece en una matriz de píxeles en la que cada bloque se dispara hacia la derecha del panel como una unidad independiente. Octavio: Así es. Y las CNN DESCOMPONEN esas enormes matrices de datos de píxeles en FRAGMENTOS ADMINISTRABLES, capa por capa, a fin de COMPLETAR esa orden.

ESCENA 60: Octavio arroja una matriz pequeña con manillas (el filtro) a Marta. Octavio: Empecemos por crear un mapa de ATRIBUTOS RELACIONADOS CON LOS GATOS en nuestra imagen de origen. ¡ATRÁPALO! Marta: ¿Qué es esto? Octavio: UN FILTRO. En un principio, es una matriz de pesos aleatorios, pero, con el tiempo, el algoritmo la ajusta.

ESCENA 61: Unos pequeños Marta y Octavio caminan de puntillas por dos matrices animadas. La primera muestra al filtro que se desplaza, segmentación por segmentación, en los datos de entrada. La segunda muestra cómo se genera, cuadrado por cuadrado, el mapa de atributos, que es el resultado. [Aquí va el ejemplo]. Flip se asoma por la parte inferior derecha para intervenir. Octavio: Una “CONVOLUCIÓN” consiste en pasar este filtro por toda la imagen con un intervalo variable conocido como “SEGMENTACIÓN”. Marta: ¡Oh! ¡Está multiplicando los DATOS DE ORIGEN por esa matriz! Flip: ¡El resultado se llama MAPA DE ATRIBUTOS!

ESCENA 62: Octavio tiene puesto un flotador y lentes de sol, y explica el recorrido de las CNN. Vemos la imagen de entrada, las imágenes más sencillas que se generan con la convolución; después, una función de activación; y, finalmente, las imágenes más pequeñas que se generan mediante reducción. Marta está parada encima de los resultados, y observa el panorama. Octavio: Estos mapas de atributos se someten a una REDUCCIÓN para disminuir su tamaño de procesamiento. Marta: Oh. Entonces, ¡puedes seguir apilándolas para obtener más atributos!

ESCENA 63: Octavio flota sobre cuatro filtros de baja resolución con bordes difusos (horizontal, vertical, inclinado a la izquierda y a la derecha). Bit aparece en un panel que se insertó abajo. Su mano derecha se posa sobre un cerebro con ojos que se ven chistosos. Octavio: En sus etapas más tempranas, los filtros solo podían detectar BORDES y ORIENTACIONES…* Bit: *DATO CURIOSO: Esta es la forma en la que la corteza visual de tu cerebro inicia la detección… De hecho, fue una de las inspiraciones iniciales para las CNN. Leyenda: Más información.

ESCENA 64: A la izquierda, se muestran tres capas de atributos en cuadrículas que contienen lo siguiente: bordes toscos, elementos más definidos y figuras o caracteres completos, incluido un pequeño Octavio. En la parte derecha del panel, el Octavio real continúa con la explicación. Octavio: Pero, en cada una de las capas subsiguientes, los atributos COMPUESTOS empiezan a surgir de entre el ruido. ¿Lo ven? ¡Soy YO!

ESCENA 65: Marta y Octavio observan un filtro brillante desde arriba. Marta: Entonces, ¿comienza con LÍNEAS y ÁNGULOS, pasa a BIGOTES, PATAS y PELAJE, y, finalmente, a “GATOS” o “PERROS?” Octavio: Bueno… *je* SÍ, NO y SÍ. Es posible que nunca sepamos qué atributos observa en el DURANTE EL PROCESO… …pero, sin importar cuáles sean, puede ENCONTRARLOS dondequiera que se oculten.

ESCENA 66: Regresamos a la vista detallada de las etapas de las CNN, pero ahora se agrega una capa de clasificación al final que muestra una columna de nodos con líneas interconectadas que llegan a una salida binaria. Flip aparece a la derecha del panel para explicar. Flip: Son CNN conectadas de forma ingeniosa, como en nuestro PRIMER ejemplo. Pero la capa de salida final SE conecta con todas las neuronas de la capa anterior.

ESCENA 67: Marta, Octavo, Bit y Flip están en un espacio en blanco. A cada uno de ellos lo rodea un recuadro que corresponde a las predicciones de la red. Marta es 98% Humano, Octavio es 94% Pulpo y Flip es 89% Gato, pero Bit es 60% Pelota de baloncesto. Octavio: Esta CAPA DE CLASIFICACIÓN proporciona las respuestas precisas que todos… Bit: Eh… ¿Chicos? Etiquetas: 98% Humano 99% Pulpo 60% Pelota de baloncesto 89% Gato

ESCENA 68: Marta se inclina con preocupación. Los recuadros desaparecen, excepto el de Bit. Octavio flota por encima y se ve preocupado. Bit se deprime. Marta: ¡Vaya! ¿Qué es esto? ¿No había ROBOTS VOLADORES en los datos de entrenamiento? Octavio: Eh, DEBERÍA haber. Etiqueta: 60% Pelota de baloncesto

ESCENA 69: Flip y Marta revisan los datos de entrenamiento y pruebas que están repartidos en el suelo. Bit está en el fondo y se ve decidido y subversivo. Flip: ¡NO! Solo está el típico SESGO DE SELECCIÓN de formas que caminan. Marta: Ah, ¡no es justo! Que crea que todos los robots caminan… Bit: ¡NO ME APARTARÁN DEL CIELO! Etiqueta: 60% Pelota de baloncesto

ESCENA 70: Bit y Flip se dirigen al borde izquierdo del panel. Marta se está poniendo de pie. Marta: Siempre pensé que los datos no tenían SESGOS. Que solo eran “números” y todo eso… Octavio: Los conjuntos de datos son producto del momento y el lugar en el que se crean. Etiqueta: 60% Pelota de baloncesto

ESCENA 71: Octavio tiene puestos unos títeres de calcetín en algunos de sus tentáculos. Cada uno de ellos tiene un globo de diálogo que contiene un símbolo diferente al del otro. Octavio: Incluso cuando tratas activamente de crear datos “neutrales”, es posible que las personas que los compilan tengan SUS PROPIOS sesgos implícitos.

ESCENA 72: Marta se sienta en el suelo, entre las imágenes con los datos. Flip y Bit se ven abatidos. Octavio voltea algunas imágenes adicionales a la derecha del panel. Marta: Esto es más complicado de lo que pensaba. Octavio: Hmmm… Es posible que también estemos lidiando con algo que se llama SESGO LATENTE… Mira estas fotos de pelotas de baloncesto y observa qué es lo que tienen en común… Etiqueta: 60% Pelota de baloncesto

ESCENA 73: Octavio muestra un conjunto de fotos a Marta. En todas se muestran brazos y manos de jugadores que sostienen una pelota de baloncesto. Octavio: ¿Ves algo que te parezca FAMILIAR? Marta: No lo sé. Parecen ser unos brazos que sostienen…

ESCENA 74: Marta mira a Bit en su recuadro de Pelota de baloncesto y se da cuenta de algo. Marta: OOOHHH. Etiqueta: 60% Pelota de baloncesto

ESCENA 75: Marta y Octavio comentan la situación. Octavio: Los INGENIEROS y los ESPECIALISTAS EN ÉTICA todavía están tratando de entender cómo las redes neuronales ven el mundo… …y qué funciones consideramos PARA ellas en los próximos años.

ESCENA 76: Marta, Octavio, Flip y Bit están en una superficie que los refleja, y miran a sus versiones invertidas. Octavio: Con tan solo hacer cambios en una CNN, los investigadores obtuvieron un clasificador de imágenes sin igual… …y dieron origen a las REDES GENERATIVAS ADVERSARIAS o G.A.N… …que pueden generar imágenes surreales y hermosas, así como esas infames “deep fakes”. Leyenda: Más información.

ESCENA 77: Marta se ve decidida. Octavio se ve alentado. Flip y Bit intervienen desde abajo. Marta: Sí, quiero ser parte de la solución, no parte del problema… Solo espero poder notar la DIFERENCIA cuando sea el momento. Octavio: Eh, simplemente aprender cómo FUNCIONA todo es un excelente punto de PARTIDA. Flip y Bit (desde fuera del panel): ¡Escuchen! ¡Escuchen!

ESCENA 78: Marta mira hacia el cielo con optimismo, pero su jefe, Mel, la interrumpe. Octavio se ve indignado. Marta: Bueno, ¡más vale que el mundo esté preparado! Porque estoy un 99% segura de que puedo… Mel (desde fuera del panel): ¡HOLA, MARTA!

ESCENA 79: Mel se asoma en uno de los bordes del mundo educativo ficticio que refleja al suyo para responder sus preguntas. El grupo se ve alterado. Flip bufa. Mel: ¡Oh! ¿Dónde estoy? ¿Qué es eso? ¿Quiénes son ESTOS sujetos? Marta: Eh, este es… Mel: En realidad, ¡NO ME INTERESA!

ESCENA 80: Marta se sienta con la espalda apoyada en la pared, junto a Bit y Octavio. Mel parlotea. El grupo se ve abatido. Mel: Te necesito en la sala de reuniones en unos DIEZ MINUTOS para que expongas frente a los accionistas. Octavio: ¿Es así siempre? Marta: Sí.

ESCENA 81: Mel se despide con la mano y desaparece. Marta empieza a ponerse de pie mientras el equipo se reúne a su alrededor. Mel: BIEN, BUENA SUERTE, ¡ADIÓS! Octavio: Cielos. Revisamos demasiada información… Flip: Voy a sabotear la sala de reuniones para ganar algo de tiempo.

ESCENA 82: Octavio entra en pánico y mira a un punto lejano, pero Marta levanta una mano para calmarlo. Octavio: Sabía que tenía que ir más despacio. ¡Se van a reír de mí en la Academia de Profesores Cefalópodos! Marta: NO.

ESCENA 83: Primer plano de Marta. Se ve decidida y emocionada. Marta: PUEDO HACERLO.

Ahora, es tu turno.
Continúa tu viaje
al mundo del aprendizaje automático…

ESCENA 84: Marta hace su presentación en una sala llena de ejecutivos. Señala una pizarra en la que se ven NN y otros elementos. El público presta mucha atención. Cerramos con un llamado a la acción para que los lectores obtengan más información.

…con el Curso intensivo de AA
de Google o explora laIA de Google Cloud

• Historia y diseño de Lucy Bellwood, Dylan Meconis y Scott McCloud
• Dibujos de Leila del Duca
• Color por Jenn Manley Lee
• Localización japonesa de Kaz Sato y Mariko Ogawa
• Producido por Google Comics Factory (Allen Tsai, Alison Lentz y Michael Richardson)