En diciembre de 2018, Jesús Moreno León, entonces jefe del departamento de «Experimentación en el Aula» del INTEF, me propuso elaborar un recurso didáctico sobre Inteligencia Artificial. Basado en una herramienta que había descubierto: Machine Learning for Kids (ML4K) de Dave Lane. Un trabajador de IBM que ha desarrollado dicha herramienta dentro del programa de voluntariado de IBM. La experiencia fue fascinante y me entusiasmó descubrir que algo tan complejo como el Machine Learning, podía ser explicado con eficacia en la escuela.
Decidí explorar este tema y construir el prototipo de una aplicación similar a ML4K, pero con una condición importante: que no fuera necesario crear una cuenta para su uso. Puede parecer una tontería, pero es algo que dificulta bastante la fluidez de la herramienta en el ambiente escolar.
El primer problema que surgió, fue que los algoritmos de Machine Learning debían ejecutarse localmente en el propio navegador web del usuario. Utilizar alguna de las plataformas de IA ofrecidas por compañías grandes como IBM, o más modestas como ClarifAI, implica necesariamente la creación de una cuenta.
¿Podremos ejecutar «pesados» algoritmos de machine learning en el navegador web?
Investigué esa posibilidad, y… ¡El resultado fue alentador! Descubrí la sencilla librería Brain.js, con la que realicé el primer prototipo para el reconocimiento de textos. Y la potentísima, profesional y no tan sencilla librería Tensorflow.js, con la que implementé el reconocimiento de imágenes. La conclusión fue clara: es posible ejecutar algoritmos de Machine Learning sin necesidad de depender de servicios de terceros. La ejecución de algoritmos en el navegador web funciona. Aún más, teniendo en cuenta que la herramienta a desarrollar tiene una finalidad pedagógica y no vamos a usar cantidades masivas de datos como puede ocurrir en aplicaciones específicas de Machine Learning.
Poco después, de la mano de Jesús Moreno, conocí a Gregorio Robles y Marcos Román, dos investigadores que, junto con el primero, llevan varios años realizando interesantes aportaciones al mundo del Computing Education Research. Ellos vieron, por un lado, la posibilidad de construir una herramienta útil para trabajar el pensamiento computacional. Y por otro, la semilla para realizar una tesis en este campo. Me alentaron a iniciar esta intensa pero gratificante tarea. Y, aprovechando la oportunidad, me lancé (de nuevo) al mundo de la investigación. Y digo «de nuevo», porque hace más de 20 años que lo abandoné debido a circunstancias que ahora no vienen a cuento.
Algo más de un año después, tenemos una primera versión operativa de LearningML con la que se pueden construir modelos de Machine Learning y programar aplicaciones con Scratch capaces de reconocer textos e imágenes.
Ahora toca mostrarla a docentes, estudiantes e investigadores para que prueben y comprueben si lo que estamos haciendo es un buen recurso para fomentar el pensamiento computacional y sirve para aprender contenidos sobre inteligencia artificial de manera práctica. Y con el deseo de que así sea, continuaremos trabajando en mejorar LearningML.