Google creció y se convirtió en una empresa multimillonaria a la temprana edad de 16 años. Como motor de búsqueda importante, Google es más fácil de usar y más popular que cualquier otro. Pero para ascender al estado masivo, las empresas deben continuar innovando, volverse más deseables y aumentar su valor de mercado. Además, los motores de búsqueda no deberían ser la única función del modelo de negocio de una empresa. Así que Google tomó algunas clases de negocios y decidió que necesitaban más productos tecnológicos.
Google creció y se convirtió en una empresa multimillonaria a la temprana edad de 16 años. Como motor de búsqueda importante, Google es más fácil de usar y más popular que cualquier otro. Pero para ascender al estado masivo, las empresas deben continuar innovando, volverse más deseables y aumentar su valor de mercado. Además, los motores de búsqueda no deberían ser la única función del modelo de negocio de una empresa. Así que Google tomó algunas clases de negocios y decidió que necesitaban más productos tecnológicos.
Desde los primeros días de la empresa, Google ha desarrollado varios productos. Algunos tuvieron éxito, algunos fracasaron. En 2006, Google comenzó a deshacerse de los productos menos prometedores mientras conservaba los mejores productos con la tecnología más avanzada. Esta exhaustiva investigación llevó a Google a desarrollar Google Driverless Cars, Google Glass, Chromecast y Google Maps. Estas innovaciones, combinadas con la línea de productos líder de Google, nos han permitido estar a la vanguardia de la tecnología con $59,825 billones en ingresos anuales.
cerebros ambiciosos
Uno de los proyectos más ambiciosos de Google es Google Brain. Esto incluye la investigación de aprendizaje profundo computacional. El aprendizaje profundo en computación se logra mediante el modelado de abstracciones de datos de alto nivel utilizando un conjunto de algoritmos sofisticados. Estos algoritmos utilizan una arquitectura que consta de múltiples transformaciones no lineales. El aprendizaje profundo está ganando popularidad a medida que los informáticos quieren resolver los desafíos de la inteligencia artificial (IA).
Hay varios problemas en inteligencia artificial que Google Brain está abordando. Un problema que puede surgir es el software que funciona en una arquitectura pero no en otra. El software carece de la capacidad de adaptarse a diferentes hardware como los humanos pueden adaptarse a su entorno. Otro desafío con la inteligencia artificial es que es muy difícil que el software juegue de la misma manera que lo hacen los humanos. Algunas pruebas involucran a la IA jugando una partida de ajedrez contra humanos. Chess AI utiliza un árbol de búsqueda profundo para encontrar el movimiento correcto en función de las posiciones de todas las piezas. A pesar de esto (o tal vez por eso), la IA todavía tiene que comprender lo que se siente al jugar contra una persona real en un juego de ajedrez. Al desarrollar Google Brain, Google espera resolver estos acertijos de inteligencia artificial y llevar la tecnología al límite.
Google Brain funciona con el llamado aprendizaje automático. El aprendizaje automático es el proceso mediante el cual las computadoras toman grandes cantidades de datos y seleccionan la calidad de los datos que son muy similares entre sí. A partir de aquí, la máquina puede decidir un curso de acción en función de los datos que recopila. Google se propuso crear un sistema informático que pudiera realizar esta tarea en múltiples casos. Esto requirió que Google construyera una granja de computadoras con 16,000 núcleos de unidad central de procesamiento (CPU) y ejecutara millones de cálculos en esas CPU. Un modelo simulado de una CPU con más de mil millones de conexiones que crea una red neuronal artificial para simular el cerebro.
Una red neuronal artificial es un sistema que combina muchas plataformas informáticas diferentes para simular neuronas interconectadas que pueden calcular valores a partir de entradas. El cerebro humano tiene más de 100 mil millones de neuronas. Google no tiene la capacidad de simular un cerebro humano en pleno funcionamiento, pero pudo construir un sistema que podría reproducir algunas de las propiedades del cerebro.
gato y maquina
Google ha gastado millones de dólares tratando de recrear el cerebro biológico. Sin embargo, los esfuerzos de Google pueden ser en vano. Se deben realizar una serie de pruebas complejas para verificar el correcto funcionamiento. Esto le permite comparar las capacidades reales de su sistema. Google realizó pruebas para determinar si este sistema es un “cerebro recién nacido” muy pequeño. Esto se logró al permitir que el sistema analizara las imágenes fijas de videos de YouTube de una semana. Una neurona artificial pudo distinguir imágenes de gatos después de reproducir innumerables videos de fotogramas fijos. El sistema no sabía qué eran los gatos, ni reconocía las imágenes etiquetadas como gatos, pero podía decir qué eran los gatos y cómo se veían. Es un gran paso adelante en el desarrollo de un sistema con el que se pueda aprender.
Los gatos pueden ser fascinantes, pero Google no usa dispositivos cerebrales solo para ver imágenes de gatos en Internet. Más bien, las empresas usan sus cerebros para ayudar a avanzar en otros sistemas de Google. Google posee centros de datos masivos, ingeriendo e invirtiendo todos los datos que entran y salen de la familia de productos de Google.
Google utiliza cerebros artificiales para analizar el comportamiento de sus centros de datos. Con esta información, los centros de datos pueden ajustarse en consecuencia y funcionar de manera más eficiente. Parte de la información recopilada incluye detalles del consumo de energía en las instalaciones de nuestro centro de datos. El cerebro mezcla esto con datos sobre la temperatura ambiente y la cantidad de agua que se usa para enfriar el hardware de la computadora. Google puede usar estos datos para optimizar el uso de energía y reducir el desperdicio de energía en nuestras plataformas térmicas en cada centro de datos. Si este experimento arroja resultados de calidad para Google en el área de eficiencia energética, las posibilidades de esta tecnología son infinitas.
futuro artificial
Debido a los desafíos de la inteligencia artificial, la tecnología en esta área ha progresado muy lentamente. Pero a medida que la tecnología duplica su tamaño cada 18 meses (según la Ley de Moore), se vuelve más realista considerar soluciones. Especialmente dado que Google está involucrado en esta búsqueda. Con 16 000 CPU y más por venir, Google está incursionando en el aprendizaje automático. La tecnología aún no es perfecta, pero los grandes avances apuntan a que Google y su cerebro se vuelven más inteligentes con la edad.