211service.com
Dos enfoques rivales de IA se combinan para permitir que las máquinas aprendan sobre el mundo como un niño
Foto de EL APRENDIZ DE CONCEPTOS NEURO-SIMBÓLICOS: INTERPRETACIÓN DE ESCENAS, PALABRAS Y ORACIONES DESDE LA SUPERVISIÓN NATURAL; Editado por MIT Technology Review
Durante las décadas desde el inicio de la inteligencia artificial, la investigación en el campo se ha dividido en dos campos principales. Los simbolistas han buscado construir máquinas inteligentes mediante la codificación de reglas lógicas y representaciones del mundo. Los conexionistas han buscado construir redes neuronales artificiales, inspiradas en la biología, para aprender sobre el mundo. Históricamente, los dos grupos no se han llevado bien.
pero un nuevo papel de MIT, IBM y DeepMind muestra el poder de combinar los dos enfoques, quizás señalando un camino a seguir para el campo. El equipo, dirigido por jose tenenbaum , profesor del MIT Centro de cerebros, mentes y máquinas , creó un programa de computadora llamado aprendiz de conceptos neurosimbólicos (NS-CL, por sus siglas en inglés) que aprende sobre el mundo (aunque en una versión simplificada) tal como lo haría un niño: mirando a su alrededor y hablando.
El sistema consta de varias piezas. Una red neuronal se entrena en una serie de escenas compuestas por una pequeña cantidad de objetos. Otra red neuronal se entrena en una serie de pares de preguntas y respuestas basadas en texto sobre la escena, como P: ¿Cuál es el color de la esfera? Un rojo. Esta red aprende a asignar las preguntas del lenguaje natural a un programa simple que se puede ejecutar en una escena para producir una respuesta.
El sistema NS-CL también está programado para comprender conceptos simbólicos en texto, como objetos, atributos de objetos y relaciones espaciales. Ese conocimiento ayuda a NS-CL a responder nuevas preguntas sobre una escena diferente, un tipo de hazaña que es mucho más desafiante si se usa solo un enfoque conexionista. El sistema reconoce así conceptos en nuevas preguntas y puede relacionarlos visualmente con la escena que tiene delante.
'Este es un enfoque emocionante', dice lago brenden , profesor asistente en la Universidad de Nueva York. El reconocimiento de patrones neuronales permite que el sistema ver , mientras que los programas simbólicos permiten que el sistema razón . Juntos, el enfoque va más allá de lo que pueden hacer los actuales sistemas de aprendizaje profundo”.
En otras palabras, el sistema híbrido aborda las limitaciones clave de ambos enfoques anteriores combinándolos. Supera los problemas de escalabilidad del simbolismo, que históricamente ha luchado por codificar la complejidad del conocimiento humano de manera eficiente. Pero también aborda uno de los problemas más comunes con las redes neuronales: el hecho de que necesitan grandes cantidades de datos.
Es posible entrenar solo una red neuronal para responder preguntas sobre una escena alimentando millones de ejemplos como datos de entrenamiento. Pero un niño humano no requiere una cantidad tan grande de datos para comprender qué es un objeto nuevo o cómo se relaciona con otros objetos. Además, una red entrenada de esa manera no tiene una comprensión real de los conceptos involucrados, es solo un gran ejercicio de coincidencia de patrones. Entonces, tal sistema sería propenso a cometer errores muy tontos cuando se enfrenta a nuevos escenarios. Este es un problema común con las redes neuronales actuales y sustenta las deficiencias que se exponen fácilmente (consulte el problema del lenguaje de la IA).
Los puristas del conexionismo pueden objetar el hecho de que el sistema requiere algo de conocimiento para codificarlo. Pero el trabajo es importante porque nos acerca a diseñar una forma de inteligencia que se parece más a la nuestra. Los científicos cognitivos creen que la mente humana pasa por algunos pasos similares y que esto sustenta la flexibilidad del aprendizaje humano.
De manera más práctica, también podría desbloquear nuevas aplicaciones de IA porque la nueva tecnología requiere muchos menos datos de entrenamiento. Los sistemas de robots, por ejemplo, finalmente podrían aprender sobre la marcha, en lugar de dedicar mucho tiempo a entrenarse para cada entorno único en el que se encuentran.
Esto es realmente emocionante porque nos ayudará a superar esta dependencia de grandes cantidades de datos etiquetados, dice david cox , el científico que dirige el laboratorio MIT-IBM Watson AI.
Los investigadores detrás del estudio ahora están desarrollando una versión que funciona con fotografías de escenas reales. Esto podría resultar valioso para muchas aplicaciones prácticas de la visión artificial.