Introducción
La Inteligencia Artificial (IA) es una técnica informática que permite a una máquina, por ejemplo a un ordenador, ejecutar procesos de forma similar a un ser humano.
Al inicio de la IA tuvieron gran auge los Sistemas Expertos, técnica que consistía en una serie de reglas que les decían a los ordenadores qué debían hacer, cómo y en qué momento, para conseguir simular el razonamiento humano de la misma manera que lo haría un experto en un área concreta (un ejemplo de esto eran los programas para jugar al ejedrez). Posteriormente surge la técnica de Aprendizaje Automático (Machine Learning) y se empiezan a emplear tecnologías en las que las máquinas pueden ser entrenadas para realizar tareas específicas, procesando grandes cantidades de datos (Big data) y efectuar reconociendo de patrones en los datos.
Así, cuando las personas “entrenan” a las máquinas para reconocer patrones basados en datos y hacer sus predicciones, esa técnica se conoce como Aprendizaje Automático (Machine Learning). Y, cuando la máquina es capaz de razonar y sacar sus propias conclusiones, aprendiendo por sí misma, se conoce como Aprendizaje Profundo (Deep Learning). Para que una IA pueda desarrollar esa capacidad de “aprendizaje automático”, algunos de los modelos de Machine Learning incorporan unos sistemas que imitan el cerebro humano, por lo que se conocen como Redes Neuronales Artificiales (RNA). A continuación, vamos a profundizar un poco más en estos conceptos.
Aprendizaje automático o Machine Learning
Es un tipo de IA que otorga a los ordenadores la capacidad de aprender por su cuenta, sin ser expresamente programados para ello. Se basa en el análisis de datos, a través de los cuáles puede encontrar nuevos patrones que le permiten modificar su comportamiento. Es decir, a base de analizar y procesar la información, descubre patrones y actúa en consecuencia. Así pues, el aprendizaje automático sigue los pasos clásicos de la IA: primero hay un aprendizaje, luego un entrenamiento que genera una experiencia, y finalmente una puesta en práctica que nos dice si la tarea se cumple o no con éxito.
En esencia, el aprendizaje automático consiste en alimentar un modelo con un conjunto de datos, entrenarlo hasta que aprenda una función (o algoritmo) que consiga a partir de unos datos de entrada una salida próxima a la que se había producido en los datos de muestra con un grado de precisión razonablemente alta, aunque no se haya analizado durante el entrenamiento ninguna muestra similar.
Hoy en día el aprendizaje automático tiene múltiples aplicaciones, que incluyen motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del lenguaje hablado y escrito, juegos, robótica, etc.
Aprendizaje Profundo o Deep Learning
El aprendizaje profundo es un tipo de aprendizaje automático que va un poco más allá en el Machine Learning. Se basa en el uso de algoritmos de aprendizaje automático que son capaces de modelar datos con alto nivel de abstracción.
El aprendizaje profundo suele usar redes neuronales para aprender usando capas de información cada vez más abstractas, como hacemos los humanos. El aprendizaje profundo es esencial para trabajar con el Big Data, o grandes cantidades de datos.
Redes Neuronales Artificiales (RNA)
Se trata de sistemas que piensan de forma similar a los humanos, para lo cual tratan de imitar el comportamiento del cerebro humano a base de una estructura similar a las neuronas, en lo que se refiere al modo de transmisión y de procesamiento de la información en el cerebro. Es otra forma de aprender, y por tanto es un tipo de aprendizaje automático.
Una neurona artificial es una entidad que recibe unos datos de entrada, les aplica una serie de operaciones matemáticas y a través de una función de activación (una fórmula matemática), genera un resultado. Es un mecanismo sencillo, que funciona bien cuando millones de neuronas trabajan en paralelo para crear Redes Neuronales Artificiales, o RNA.
Las RNA se diferencian de un programa informático en que no siguen órdenes, sino que se asocian entre sí y cambian sus entradas y salidas mediante el aprendizaje de la tarea encomendada.
En resumen, mientras que en la informática convencional conocemos la función o algoritmo que proporciona la salida a partir de los datos de entrada, ahora este algoritmo se desconoce por completo y es lo que se pretende determinar y en ese conjunto de datos se conocen tanto las entradas como las salidas que se consiguen con ellas, y lo que se desconoce es el algoritmo que permite lograr esos resultados.
El programador de estos modelos o neuronas no crea funciones o programas desde el punto de vista clásico, se dedica a preparar asignaciones, seleccionar y ajustar el algoritmo de aprendizaje automático y a evaluar el rendimiento del modelo resultante y una vez que el modelo es lo suficientemente preciso con los datos de prueba, lo implementa para uso en producción en el programa informático.
Invenciones resultantes de un sistema de Inteligencia Artificial
Como en cualquier otro sector industrial, es lógico que se intenten proteger este tipo de desarrollos por medio de patentes y, de hecho, el número de solicitudes de patentes relacionadas con la inteligencia artificial ha aumentado considerablemente en los últimos años.
En la informática convencional el enfoque era bastante claro, el inventor había desarrollado un programa (herramienta) que en base a unas entradas lograba o gestionaba una salida y si la solución encontrada era de índole técnico y cumplía con los demás requisitos de novedad y actividad inventiva, la invención, aunque se catalogase como implementada en un ordenador, era igualmente patentable. Pero, en el ámbito de la IA el inventor realmente no desarrolla ese algoritmo o herramienta, porque como ya hemos indicado es un modelo informático el que realmente desarrolla dicho algoritmo. Por tanto, también cabe preguntarse ¿es posible patentar y redactar unas reivindicaciones que sean aceptables por las Oficinas de Patentes, cuando el “inventor” realmente es un sistema informático?.
La IA se considera una rama de la informática y, por lo tanto, las invenciones que involucran IA se consideran «invenciones implementadas en ordenador» (CII) en el contexto de la EPO, que define el término CII como invenciones que involucran ordenadores, redes de ordenadores u otros aparatos programables, por lo que al menos una característica se realiza mediante un programa.
Aunque el Art. 52-2 del Convenio de Patentes Europeas (CPE) excluye de la protección de patente los métodos matemáticos, comerciales y los programas de ordenador «como tales«, no obstante, las invenciones que involucran software no están excluidas de la patentabilidad siempre que tengan un carácter técnico.
El mismo enfoque G-II, 3.3.1 se aplica a las invenciones implementadas en ordenador relacionadas con la IA y el aprendizaje automático. La IA se basa en modelos computacionales y algoritmos matemáticos que son per se de naturaleza abstracta; sin embargo, se pueden otorgar patentes cuando la IA abandona el ámbito abstracto aplicándola para resolver un problema técnico en cualquier campo tecnológico. En las Directrices para el examen de patentes europea se enumeran varios ejemplos en el apartado de Métodos matemáticos G-II, 3,3.
Las directrices sugieren redactar reivindicaciones que incluyan expresiones como: «método implementado en ordenador» o «hardware de procesamiento» para demostrar el carácter técnico. Por el contrario, términos como «red neuronal artificial» o «máquina de vectores de soporte» se consideran no técnicos per se.
Pero el gran obstáculo al que se enfrentan las invenciones de este tipo es que resuelvan un problema técnico. La mayoría de las invenciones de IA involucran algunos aspectos técnicos y aspectos no técnicos. Las características que no contribuyen al carácter técnico de una invención no sirven como respaldo para valorar su actividad inventiva. Si una característica determinada contribuye solo a la solución de un problema no técnico, por ejemplo, la clasificación de registros de datos, sin una indicación de un uso técnico que se está haciendo de dichos datos, entonces la invención no resuelve un problema técnico. Habría que demostrar que tiene un propósito técnico y que como mínimo proporciona un efecto técnico que es más que simplemente lograr la solución de manera más rápida o eficiente.
Aunque la EPO proporciona una guía más formal sobre la patentabilidad de invenciones de IA, tanto el enfoque de la EPO como el de EEUU para determinar la elegibilidad de la materia aún implican cierto grado de inseguridad jurídica en lo que respecta a la patentabilidad de las invenciones de IA, siempre que la invención de la IA resuelva un problema técnico específico de una manera nueva y no obvia, la probabilidad de éxito para obtener una patente dependerá en gran medida de la redacción de la patente.
¿Puede un sistema de Inteligencia Artificial ser designado como inventor?.
La EPO se ha pronunciado a finales de 2019, de forma negativa en relación con dos solicitudes de patente: EP3564144 (A1) y EP3563896 (A1), que según el solicitante, habían sido creadas íntegramente por DABUS, un sistema de IA. El solicitante y potencial titular de las patentes es el Sr. Thaler, como dueño de la máquina de IA, o su “empleador”.
La EPO rechazó ambas solicitudes por contravenir lo dispuesto en el artículo 81 y la regla 19 del CPE. En otras palabras, según la EPO, un inventor tiene que ser un humano, no una máquina, dado que las máquinas no pueden considerarse empleados, ni pueden transferir un derecho de propiedad intelectual o industrial.
En España, el artículo 10 de la Ley de Patentes 24/2015 establece que “El derecho a la patente pertenece al inventor o a sus causahabientes y es transmisible por todos los medios que reconoce el derecho”, lo que de por sí elimina la posibilidad de que un sistema de IA pueda designarse como inventor al carecer de causahabientes y de ser incapaz de transferir ningún derecho.
No obstante, esto no ha de suponer un problema a la hora de designar un inventor real, siempre podremos elegir entre: El que seleccionó los datos de entrenamiento; el que modificó un algoritmo para obtener un efecto técnico, o el que identificó el problema que se pretende resolver.