Teniendo en cuenta lo anterior, diferentes empresas han tenido problemas en cómo y a quiénes les venden su tecnología. Por ejemplo, cientos de empleados de Amazon firmaron una carta pidiéndole a la empresa que dejará de suministrar su tecnología de reconocimiento facial a las fuerzas militares de Estados Unidos.

Así mismo, Google hace unos meses anunció que no vendería su tecnología de inteligencia artificial y reconocimiento facial pero que trabajaría con organizaciones y fundaciones para usar esta tecnología de forma que le beneficie a la humanidad.

Sin embargo, parece que los planes han cambiado y Google sí quiere sacarle provecho comercial a sus desarrollos en inteligencia artificial y reconocimiento facial. Pero para evitar problemas –o como medida de contingencia– ha decidido crear un Consejo asesor externo de tecnología avanzada, explicó Google en un comunicado.

Qué es el Consejo asesor externo de tecnología avanzada de Google

La idea es que este consejo le ayude a evaluar a la empresa cómo se puede usar y los límites de la inteligencia artificial. Por ejemplo, usos del reconocimiento facial y equidad en el aprendizaje automático. Para esto se reunirán cuatro veces al año para evaluar los avances de la compañía y dar una retroalimentación.

Los miembros del consejo también fueron presentados en el comunicado. En total son ocho personas reconocidas por su trabajo en tecnología y específicamente en inteligencia artificial, entre los más destacados personajes está Alessandro Acquisti, investigador de la privacidad y del comportamiento de la economía, y De Kai, investigador de procesamiento natural del lenguaje, tecnología musical y aprendizaje automático.

Imagen: Google y Andrey Popov (Vía iStock).

De acuerdo con Magenta, enseñaron a esta red neuronal (un sistema capaz de construir dibujos basados ​​en trazos de objetos comunes) a dibujar, entrenando con millones de trazos recogidos del juego Quick, Draw!. Para sus pruebas, crearon un experimento web interactivo de código abierto junto a un proyecto llamado sketch-rnn. Esta red neuronal recurrente es capaz de construir dibujos basados ​​en trazos de objetos comunes.

Trazos predeterminados

Una vez que comiences a dibujar un objeto, sketch-rnn te dará posibles formas de seguir haciendo el dibujo a partir de los trazos iniciales que realizaste.

En la demostración te indica que comiences a dibujar un objeto. Pero una vez que dejas de dibujar, la red neuronal toma el control e intenta adivinar el resto de tu dibujo. Luego de terminar, puedes retomar el dibujo y continuar desde donde lo dejaste. Google y Magenta crearon alrededor de 100 modelos que puedes elegir para experimentar y algunos están preparados como sugerencia en múltiples categorías.

Aquí puedes probar la inteligencia artificial de Scrying pen.

Predicción múltiple con inteligencia artificial

Solo debes dibujar un boceto de algo que quiera representar dentro del área izquierda y el modelo predecirá el resto del dibujo dentro de los cuadros de opciones más pequeños a la derecha. De esta forma, puedes ver los pronósticos finales creados por la inteligencia artificial de Google. Sin embargo, el resultado no siempre es el mejor y puede salir con errores.

También, puedes elegir diferentes categorías para que el modelo dibuje diferentes objetos basados ​​en el mismo boceto de inicio que dejaste incompleto.

Dado que el modelo está entrenado por un conjunto de datos compuesto de trazos realizados por otras personas. Resulta interesante dibujar al azar y de una manera diferente en comparación con las predicciones del modelo sugerido para ayudar con nuestro propio proceso de dibujo.

Aquí puedes probar otra demostración Multi Predict.

Además de predecir el resultado de un dibujo, también puede cambiar la predicción a otro modelo. Es decir, a medida que vas dibujando, la red neuronal irá cambiando sus opciones para tratar de pronosticar lo que estás haciendo. Puedes experimentar dibujando objetos de tu imaginación, como también puedes hacer los que sugiere la prueba.

Imagen: Magenta

Según anunció la Nasa, sus científicos lograron descubrir un planeta llamado Kepler-90i. Este planeta estaba ‘escondido’ bajo los ‘bultos’ de datos recopilados por el telescopio Kepler de la Nasa. El nuevo planeta ‘convive’ con otros siete planetas, que orbitan a una estrella que está apenas a 2.500 años luz de distancia.

De acuerdo con la Nasa, el telescopio Kepler ya había demostrado que la mayoría de estrellas en el universo tienen planetas. Pero en esta ocasión, Kepler confirmó que las estrellas pueden tener una gran familia de planetas, al igual que nuestro sistema solar.

Kepler, el descubridor de planetas

El telescopio Kepler, lanzado en 2009. El sistema es capaz de analizar 150.000 estrellas a la vez, ‘mirando’ hacia el cielo. Su misión es observar pequeños parches de oscuridad en la luz de una estrella. Estos parches son causados por planetas que se atraviesan en la luz de las estrellas. Con esos datos, los científicos descubren no solo que se trata de un planeta. También lograr saber su tamaño y qué tan lejos orbitan a su estrella.

Hasta el momento, Kepler ha identificado 2.525 planetas, según informó NatGeo. Además, es probable que algunos todavía estén enterrados bajo las pilas de datos de Kepler. Sin embargo, la tarea de confirmar un planeta como real es difícil. Revisar todos los datos que arroja Kepler, ‘a mano’ es una labor ‘imposible’ para los humanos. Además, solo porque se vea una sombra en una estrella, no significa que se trate de una planeta. También puede ser una mancha solar, un patrón en la estrella o cualquier otro cuerpo celeste.

En este video puedes ver cómo Kepler descubre un exoplaneta analizando su estrella.

Redes a la obra

Es por que eso que Chris Shallue, integrante de la división de inteligencia artificial de Google, decidió usar redes neuronales para solucionar el problema. En ocasiones anteriores se habían aplicado sistemas de aprendizaje de máquinas para filtrar y clasificar datos de Kepler. Pero las redes neuronales de Shallue brindaron un algoritmo mucho más poderoso.

Shallue dijo que se interesó en aplicar redes neuronales cuando se enteró de que la misión de Kepler había recolectado tantos datos que era imposible para los científicos analizar todo de forma manual.

Como su nombre lo deja ver, las redes neuronales simulan la forma en que funciona el cerebro humano. Pueden ser entrenadas para identificar y clasificar cosas como la diferencia entre fotos de perros o de gatos, por ejemplo. Luego de estudiar muchos ejemplos, el resultado es que el computador se vuelve capaz de clasificar fotos de gatos y de perros, por su propia cuenta. Mira en la siguiente imagen un gráfico que explica cómo se entrenan las redes neuronales.

Exoplanetas por montón

Shallue entrenó una red para reconocer las distintas huellas de los planetas. ‘Alimentó’ al sistema con 15.000 huellas de planetas ya descubiertos por Kepler. Luego, comenzó a entrenar al sistema para que identificara las diferencias entre planetas reales, y ‘falsos positivos’. En las primeras pruebas de lo que aprendió la máquina, el investigador descubrió que fue capaz de identificar planetas reales el 96% de las veces.

Luego de poner a funcionar al sistema ‘en forma’, los científicos lo entrenaron para que detectara señales débiles en 670 sistemas solares en los que ya se habían detectado varios planetas reales. Los investigadores creían que el mejor lugar para buscar más exoplanetas era en las mismas estrellas en las que ya habían descubierto otros mundos.

Imágenes: Nasa.

Se trata de una figura de tortuga impresa en 3D. Este tipo de imágenes se conoce con el nombre de ‘imagen adversaria’. En el mundo de la AI, son fotos diseñadas de forma que puedan engañar a los software de visión de máquinas, porque incorporar patrones especiales que confunden a los sistemas de AI. Es como una ilusión óptica pero para los computadores. Son patrones de diseño que engañan a las máquinas, pero al ojo humano no se pueden notar.

Este sistema de engaño podría tener muchas consecuencias en el futuro, cuando usemos de forma más masiva los sistemas de AI. Es por eso que los investigadores de AI están estudiando formas para proteger sus máquinas de estas confusiones. Aunque muchas de sus técnicas son efectivas, puede ser muy fácil pasar por encima de las protecciones. Pero el descubrimiento de la tortuga resulta importante en esta área porque demuestra cómo funcionan estos ‘ataques’ en el mundo del 3D.

¿Por qué es importante?

En términos concretos, esto significa que es posible construir un letrero en la calle que para los humanos parezca un aviso convencional, pero que para el sistema AI de un carro autónomo parezca un transeúnte en la vía. Así lo explicó el comunicado de Labsix, el grupo de estudiantes del MIT.

Labsix nombró a su método de confusión ‘Expectation Over Transformation’ (puedes leer el artículo académico aquí). En este demostraron que pueden hacer que una tortuga se vea como un rifle, o que una bola de baseball parezca una taza de café, y varios otros ejemplos.

El grupo probó su ataque sobre un sistema de clasificación de imágenes de Google llamado Inception-v3. La compañía tiene esa máquina disponible para que investigadores la usen a su gusto. Aunque no es un sistema comercial, no está lejos de serlo, dice el medio. Además, a pesar de que el ataque no se ha probado en ningún otro software de visión, hasta el momento no existe ninguna protección para imágenes adversariales.

Google decidió no comentar a The Verge sobre la investigación de los estudiantes, pero el vocero compartió una lista de artículos y estudios que describe formas de protegerse de ataques de este tipo, realizados por investigadores de la compañía.

Es preocupante, pero no tanto

El sistema de los estudiantes también tiene sus límites. Por ejemplo, el equipo dice que si ataque funciona desde todos los ángulos, pero no es del todo cierto, nota el medio. En su propio video de demostración, se muestra que el engaño funciona desde casi todos los ángulos, no todos.

Además, Labsix debió haber tenido acceso al algoritmo de visión de Google para poder identificar sus debilidades. Esta es una barrera importante, es decir, no cualquier persona que quiera podría usar este método contra sistemas de visión comerciales.

Es por eso que podemos decir que los ataques adversariales no son, por el momento, una amenaza para el público en general. Son efectivos, pero en circunstancias limitadas. Aunque la visión de máquinas se está esparciendo en cada vez más aplicaciones de la vida cotidiana, aún no somos tan dependientes como para que en serio nos preocupen este tipo de ataques. No obstante, esta demostración es una prueba de lo frágiles que pueden ser los sistemas de AI. Lo que es cierto es que si no se comienzan a arreglar este tipo de vulnerabilidades, sí serán un problema más adelante.

Imágenes: capturas de pantalla y labsix.

DeepMind, la división de inteligencia artificial de Google, abrió al público la plataforma de laberintos que usa para muchos de sus experimentos de aprendizaje de máquinas. Todo el código fuente del entorno de entrenamiento estará disponible a través de GitHub para que otros investigadores puedan usarlo, informó Bloomberg.

DeepMind Lab (antes Labyrinth) estará en el repositorio de códigos abiertos para que cualquiera lo descargue y lo personalice y pueda entrenar sistemas de inteligencia artificial propios. También se podrán crear nuevos niveles de juegos para DeepMind Lab y subirlos a GitHub.  

Según el medio, la decisión de Google de abrir su entorno de entrenamiento AI al público demuestra que la compañía quiere ser más abierta en cuanto a su investigación de aprendizaje de máquinas. Esta oportunidad le permitirá a otros investigadores ssaber si  sus propios sistemas se pueden replicar y podrán medir el desempeño de sus propios agentes AI con las mismas pruebas que usa DeepMind.

Otra compañía que hace poco abrió sus entornos al público es OpenAI, dirigida por Elon Musk (CEO y fundador de Tesla y SpaceX) y los inversionistas Peter Thiel y Sam Altman. Ellos crearon su propia plataforma de entrenamiento AI, llamada OpenAI Gym que está abierta al público desde abril de este año.

Hoy OpenAI Gym anunció que abriría una interfaz llamada Universe que le permite a un agente AI usar un computador de la misma forma que un humano: mirando pixeles en la pantalla y operando un teclado y un ratón virtual, explicó la compañía en un comunicado.

Uno de los cofundadores de DeepMind, Shane Legg, negó en una entrevista que la decisión de la compañía se deba a la competencia con OpenAI o a las críticas de que Google es muy reservado con sus ejecuciones de AI.

DeepMind es reconocido por haber creado un agente de AI que fue capaz de vencer al mejor jugador humano del mundo en el juego de estrategia Go. Este logro es considerado el mayor avance de la AI porque Go tiene tantos posibles movimientos que no puede ser manejado con cálculos ‘brutos’, así que el sistema de AI, llamado AlphaGo, tiene que usar métodos similares a la intuición humana para jugarlo con éxito.

Aunque AlphaGo no está entrenado con la plataforma Lab, la compañía ha usado el entorno Lab para varios de sus esfuerzos por crear un sistema que domine la percepción, la memoria, planeación y navegación. Mira en estos videos algunos de estos experimentos.

Imagen: DeepMind. 

Un proyecto entre Google DeepMind (la división de inteligencia artificial de Google) y la Universidad de Oxford aplicó aprendizaje de máquinas a una gran base de datos de programas de la cadena BBC para crear un sistema de lectura de labios que deja a los profesionales en ese campo muy por debajo en cuanto a eficiencia, informó New Scientist. 

El sistema de inteligencia artificial fue entrenado para usar cerca de 5.000 horas de seis distintos programas de televisión, que en total sumaron 118.000 frases. Primero, los investigadores de la Universidad de Oxford y DeepMind entrenaron al sistema con programas que se presentaron entre enero de 2010 y diciembre de 2015. Luego probaron su desempeño para subtitular otros programas que se presentaron entre marzo y septiembre de 2016. Pero tan solo al analizar los labios de las personas el sistema pudo descifrar acertadamente frases completas.

El sistema creado por DeepMind y Oxford superó a un lector de labios profesional que intentó descifrar 200 clips seleccionados al azar de la base de datos. El profesional acertó solo el 12,4% de las palabras sin error. Pero el sistema de AI anotó el 46,8% de todas las palabras de la base de datos de marzo a septiembre sin ningún error. Además, la mayoría de los errores eran pequeños, como una ‘s’ faltante al final de una palabra. Con estos resultados, el sistema también supera otros sistemas automáticos de lectura de labios.

Hace unas semanas, un sistema parecido de aprendizaje de máquinas, llamado LipNet, también desarrollado en la Universidad de Oxford; superó a los humanos con una base de datos conocida como Grid. Pero Grid solo contiene un vocabulario de 51 palabras únicas, mientras que la base de BBC tenía casi 17.500 palabras únicas, así que era un desafío mucho mayor. Además, la gramática en la base de datos de BBC tenía mucha más diversidad de discurso humano real.

¿Cómo lo hizo Google?

Para que la base de datos de BBC fuera apta para la lectura automática de labios, los clips de videos tuvieron que ser preparados usando aprendizaje de máquinas. Pero surgió un problema porque los hilos de audio y video estaban desfasados en algunas partes hasta un segundo, lo cual hubiera hecho imposible que la AI aprendiera las asociaciones entre las palabras dichas y la forma en que la persona movía sus labios.

Pero luego, al asumir que la mayor parte de los videos estaban correctamente sincronizados a su audio, el sistema fue entrenado para identificar los enlaces correctos entre sonidos y formas de la boca. Usando esta información, el sistema descubrió qué tanto de los contenidos estaban desfasados cuando no correspondían, y los alineó automáticamente.

Los investigadores dicen que la cuestión ahora es saber para qué usar las capacidades del sistema que crearon. Principalmente el sistema de lectura de labios puede ser usado para que los dispositivos móviles identifiquen mejor lo que les decimos para comandos de voz, y en condiciones difíciles, como un recinto lleno de personas.

Imagen: Pixabay. 

Monitorear animales marinos es sumamente difícil, y esa tarea es especialmente importante para cuidar a ciertas especies en vía de extinción. Ese es el caso de las vacas marinas. Pero Google tiene una solución que podría ayudar a conservar esta especie.

Los investigadores de la Universidad de Queensland están usando el aprendizaje de máquinas de Google, llamado TensorFlow, para crear un detector que identifica automáticamente a las vacas marinas en imágenes aéreas del océano tomadas con drones. Anteriormente los investigadores debían revisar miles de fotos aéreas (casi 45.000) durante mucho tiempo para lograr identificar, con dificultad, a las vacas marinas. Con esta nueva técnica solo deben suministrar las fotos a un sistema de reconocimiento de imagen que sabe cómo detectar las formas de estos animales.

Como casi todos los experimentos de aprendizaje de máquinas, este sistema aún no puede ser completamente acertado. Pero una versión inicial podría detectar al 80% de las vacas marinas que se han confirmado en las fotos existentes. Si la efectividad del sistema es suficiente, será mucho más fácil para los científicos medir las poblaciones de este mamífero marino en peligro de extinción, y monitorear sus patrones de movimiento. Estos análisis ayudan considerablemente a los esfuerzos de conservación de los animales.

TensorFlow es la plataforma abierta de aprendizaje de máquinas de Google, lanzada hace un año. Con esa tecnología, los investigadores construyeron el detector, que funciona igual que como Google Photos busca fotos de especies de perros o puestas de sol, explica Google.

Si este experimento resulta exitoso, los investigadores esperan que se usen no solo para las vacas marinas, sino también para otros mamíferos marinos en peligro, como la ballena jorobada y ciertas especies de delfín. Al lograr monitorear a estas poblaciones de animales, los movimientos de conservación podrán saber mejor como se ven afectados por las actividades humanas.

Imagen: Peter Shanks (vía Flickr). 

Google anunció que su servicio Google Apps for Work, que cumple 10 años, vuelve a cambiar de nombre. Primero se llamaba Google Apps for Domain y ahora se llamará G Suite. Junto a su nuevo nombre, la compañía anunció mejoras y nuevas funciones en la línea de productos de G Suite, que incluye apps como Drive, Docs, Hojas de Cálculo, Diapositivas, Calendar, Hangouts, entre otros. Google afirma que este nombre refleja mejor la misión del servicio de ayudar a las personas a trabajar y a innovar, informó TechCrunch.

Adicionalmente, Google reveló ayer que todos los servicios en la nube de la compañía también tendrán un nuevo nombre: Google Cloud. Esta noticia se dio a conocer en un pequeño evento en San Francisco. G Suits está dentro de este grupo de servicios.

En la publicación sobre G Suits, Google resaltó el aumento del uso de inteligencia de máquinas, que es un área en la que Google ha invertido durante más de una década, y que ahora se implementará en los productos de G Suite. Google ya usa AI para traducción instantánea y reconocimiento de fotos, por ejemplo.

Google dijo que traerá AI a más de sus servicios, comenzando con Google Drive. Una nueva función, llamada Quick Access en Drive para Android, hará que tome 50% menos del tiempo promedio que se tardan los usuarios en buscar un archivo, porque eliminará la necesidad de buscarlo. En su lugar, el aprendizaje de máquinas predecirá qué archivo necesitas antes de que comiences a escribir y luego los mostrará en la parte superior de la pantalla.

La tecnología es capaz de predecir el archivo que podrías estar necesitando basado en factores como tu actividad en Drive, la interacción con colegas y patrones de trabajo como reuniones recurrentes o revisiones regulares de una hoja de cálculo, por ejemplo.

Entre otras mejoras hechas con AI está una nueva función de Explorar en Hojas de Cálculo, que te permite ingresar una pregunta en lenguaje natural. Luego el software usa Procesador de Lenguaje Natural para traducir la pregunta a una fórmula y de la respuesta enseguida. Explore también estará en Google Docs, para recomendar temas relacionados para aprender más, imágenes para ingresar y más contenido por descubrir. También puede indicarte otros documentos relacionados en Drive.

Además de las nuevas funciones en G Suites, Google lanzó un nuevo producto dentro de la suite llamado Team Drives, que permite administrar contenidos y compartirlos entre equipos. Además asigna roles dentro de los archivos para un mejor control sobre el contenido. Sin embargo Team Drives por ahora solo está disponible en un programa beta para clientes seleccionados.

Imágenes: Google. 

DeepMind, el laboratorio de inteligencia artificial de Google, presentó el pasado viernes 17 de junio una actualización de sus más recientes logros en aprendizaje de máquinas.  Dentro de los avances de AI de Google está un experimento en el que lograron entrenar a una hormiga virtual para que juegue fútbol, según informó VentureBeat. 

Mediante una publicación en el blog del laboratorio, David Silver explicó los más recientes avances de la tecnología de AI de Google, dentro de los que está un algoritmo avanzado que permite a una hormiga virtual jugar fútbol sin ningún conocimiento previo del deporte.

DeepMind usa un sistema llamado ‘aprendizaje de reforzamiento’ (RL) que consiste en aprender por prueba y error a través de recompensas o castigos. Junto a RL también se usa ‘deep learning’, que consiste en entrenar redes neuronales artificiales con mucha información para que luego el sistema haga inferencias propias y produzca nueva información.

Con RL, y sus evoluciones, Google ha logrado que sus agentes jueguen videojuegos con la misma capacidad de un humano y sin necesidad de entrenarlos en las dinámicas de los juegos, sino en habilidades de solución de problemas y de recibir recompensas.

Google ha logrado que sus máquinas jueguen igual que un humano e incluso son capaces de ganarles en juegos de estrategia. Google tiene un programa llamado AlphaGo, con el que se le enseñó a un agente de AI a jugar un juego llamado ‘Go’, un juego chino antiguo parecido al ajedrez. Hace unos meses Google enfrentó a AlphaGo con el mejor jugador de ‘Go’ del mundo, Lee Se-dol y le ganó. El sistema mezcla una red neuronal y un árbol de decisión para saber cómo moverse en el juego. Pero antes el programa había analizado las partidas de los mejores jugadores del mundo para aprender a jugar.

Para entender mejor cómo hace esta hormiga deportista, es necesario hacer un pequeño repaso de lo que ha hecho hasta el momento Google en AI.

Aprender a comportarse

Los agentes de AI de DeepMind deben realizar juicios constantemente para seleccionar buenas acciones sobre las incorrectas. Ese conocimiento se representa a través de un algoritmo llamado ‘Q-network’ que estima la recompensa total que un agente espera recibir luego de ejecutar una acción determinada.

Hace dos años el laboratorio presentó el primero de estos algoritmos de RL. La idea era combinar los algoritmos de ‘Q-network’ con redes neuronales artificiales. Las redes neuronales artificiales son sistemas que simulan la forma en que funcionan las neuronas de los seres vivos.

Los intentos anteriores de combinar estos dos sistemas presentaron algunos inconvenientes, como aprendizaje inconstante. Para solucionar estas inestabilidades, los algoritmos ‘Deep Q-Networks’ de Google (DQN) almacena todas las experiencias de entrenamiento del agente de AI y después toma muestras al azar de ellas. Luego las reproduce de forma aleatoria para que el agente obtenga información diversa de entrenamiento.

La ‘máquina’ gana

Luego de hacer este entrenamiento, Google aplicó el DQN para que el agente aprendiera a jugar videojuegos en la consola Atari 2600. El sistema observa los pixeles que componen el juego en la pantalla, luego correlaciona esa información con los datos que previos de la recompensa que le genera cierto puntaje adquirido dentro del juego. A partir de esa correlación selecciona qué hacer en el videojuego. 

A través de un reporte, Google demostró que pudo entrenar varios agentes con DQN para que jugaran 50 juegos diferentes sin tener ningún conocimiento previo del juego como tal. Incluso el sistema logró un desempeño parecido al de un humano en casi la mitad de los juegos.

Con estos algoritmos Google construyó un sistema masivo de RL que llamaron Gorila, que usa la plataforma de Google Cloud para acelerar el tiempo de entrenamiento de los agentes de AI. Gorila se ha aplicado a algunos sistemas dentro de Google.

‘Multitasking’ en su máxima expresión

Google no se conformó con Gorila para seguir desarrollando su método de aprendizaje por recompensas.  Así que recientemente presentó otro método que es más práctico y efectivo basados en órdenes asincrónicas de RL. La idea es que el agente de AI pueda ejecutar varias acciones en pararelo. Esto provee una alternativa para que los agentes solucionen mejor los problemas que se presentan en videojuegos.

El algoritmo asincrónicas, llamado A3C, combina algunos algoritmos de ‘Q-network’ con la tecnología de ‘deep learning’ para seleccionar las mejores acciones, es decir las que le den mejores recompensas al agente. La diferencia es que necesita muy poco tiempo de entrenamiento, comparado con DQN, y muchos menos recursos de energía de los que usa Gorila.

Con A3C Google lanzó Labyrinth, una suite de navegación en 3D de laberintos y juegos de rompecabezas. Los agentes son capaces de resolver estos juegos con la mismo rendimiento que un humano. El mismo algoritmo de Labyrinth le permite a la hormiga meter goles sin necesidad de haber entrenado al agente para jugar fútbol. El agente solo necesita saber qué acciones le darán más recompensas. Para eso, el agente también crea un sistema de estrategias que le permiten ejecutar varias acciones al tiempo, y junto a una estrategia de prioridades dentro del juego, la hormiga no falla ningún tiro al arco. 

Imagen: captura de pantalla.