211service.com
El eslabón perdido de la inteligencia artificial
En 2012, el mundo se enteró de un sorprendente proyecto de investigación dentro del secreto laboratorio X de Google. Una simulación gigante de tres millones de neuronas aprendió a reconocer gatos y personas en imágenes, sin ayuda humana, con solo mirar imágenes tomadas de YouTube.
Las personas detrás del proyecto fundaron un nuevo grupo de investigación conocido como Google Brain dentro de la división de búsqueda de la empresa. Ellos e investigadores de otros lugares pronto demostraron al mundo que las redes neuronales artificiales, un invento de décadas de antigüedad, podían comprender imágenes y habla con una precisión sin precedentes (ver Google pone a trabajar su cerebro virtual). El éxito del aprendizaje profundo, como también se conoce la técnica, llevó a Google y a otros a invertir mucho en inteligencia artificial e incluso ha llevado a algunos expertos a afirmar que debemos prepararnos para un software que sea más inteligente que los humanos (ver ¿Qué se necesita para construir un virtuoso? ¿IA?).
Sin embargo, el detector de gatos de Google fue, en cierto modo, un callejón sin salida. Los éxitos recientes del aprendizaje profundo se basan en software que necesita ayuda humana para aprender, algo que limita hasta dónde puede llegar la inteligencia artificial.
El experimento de Google utilizó un enfoque conocido como aprendizaje no supervisado, en el que el software recibe datos sin procesar y debe resolver las cosas por sí mismo sin ayuda humana. Pero aunque aprendió a reconocer gatos, rostros y otros objetos, no fue lo suficientemente preciso como para ser útil. El auge de la investigación sobre el aprendizaje profundo y los productos creados a partir de él se basa en el aprendizaje supervisado, en el que el software recibe datos etiquetados por humanos, por ejemplo, imágenes etiquetadas con los nombres de los objetos que representan (ver Enseñar a las máquinas a comprendernos).
Eso ha demostrado ser increíblemente efectivo para muchos problemas, como identificar objetos en imágenes, filtrar correo electrónico no deseado e incluso sugerir respuestas breves a sus mensajes. una característica introducida por Google el año pasado . Pero probablemente se necesite el aprendizaje no supervisado si se quiere que el software siga mejorando en la comprensión del mundo, dice Jeff Dean, quien hoy dirige el grupo Google Brain y también trabajó en el proyecto del detector de gatos dentro de Google X.
Estoy bastante seguro de que lo necesitamos, dice Dean. El aprendizaje supervisado funciona muy bien cuando se tiene el conjunto de datos correcto, pero, en última instancia, el aprendizaje no supervisado va a ser un componente realmente importante en la construcción de sistemas realmente inteligentes; si observa cómo aprenden los humanos, casi no se supervisa en su totalidad.
Un ejemplo de ello es la forma en que aprendemos de niños, estableciendo las bases de la inteligencia adulta. Por ejemplo, nos damos cuenta de que los objetos aún existen mientras están fuera de la vista y se caen si no están sujetos, y aprendemos estas cosas simplemente observando el mundo, sin instrucciones explícitas. Se necesita ese tipo de sentido común para que los robots naveguen por el mundo tan bien como lo hacen los animales. También sustenta tareas aparentemente más abstractas, como la comprensión del lenguaje.
Descubrir cómo el software puede hacer lo que les resulta tan fácil a los bebés humanos es crucial si se quieren cumplir mayores ambiciones de inteligencia artificial, dice Yann LeCun, director del Grupo de Investigación de Inteligencia Artificial de Facebook. Todos sabemos que el aprendizaje no supervisado es la respuesta definitiva, dice. Resolver el aprendizaje no supervisado nos llevará al siguiente nivel.
Aunque todavía no tienen esa respuesta definitiva, los investigadores de empresas como Facebook y Google, y del mundo académico, están experimentando con formas limitadas de aprendizaje no supervisado.
Una línea de investigación tiene como objetivo crear redes neuronales artificiales que ingieran videos e imágenes y luego generen nuevas imágenes utilizando el conocimiento que han adquirido sobre el mundo, lo que indica que han formado una representación interna de cómo funciona. Hacer predicciones precisas sobre el mundo es una importante característica fundamental de la inteligencia humana.
El rostro humano 'óptimo', según una red de tres millones de neuronas simuladas que Google alimentó con imágenes de YouTube.
Los investigadores de Facebook han creado un software llamado ojogritar que pueden generar imágenes reconocibles dadas indicaciones como iglesia o avión, y están trabajando en la creación de software que predice lo que sucederá en un video. Investigadores de la subsidiaria DeepMind de Google han hecho software que mira una foto con algunas partes oscurecidas y trata de llenarlas con imágenes realistas.
DeepMind también está probando una alternativa al aprendizaje totalmente no supervisado llamado aprendizaje por refuerzo, en el que el software se entrena al recibir retroalimentación automática sobre su desempeño, por ejemplo, del sistema de puntaje de un juego de computadora (consulte el Diseñador de inteligencia de Google). Y los investigadores que no utilizan el aprendizaje profundo han demostrado un software que puede aprender a reconocer un carácter escrito a mano sobre la base de un solo ejemplo (consulte Este algoritmo de IA aprende tareas tan rápido como nosotros).
Sin embargo, ninguna de estas exploraciones ha revelado hasta ahora un camino que parezca garantizado para conducir a un aprendizaje no supervisado cercano al nivel humano, o un software que pueda aprender cosas complejas sobre el mundo real simplemente experimentando con él. En este momento parece que nos falta una idea clave, dice Adam Coates, director del motor de búsqueda chino. Laboratorio de IA de Silicon Valley de Baidu .
El aprendizaje supervisado todavía tiene mucho que ofrecer mientras continúa la búsqueda, dice Coates: las compañías de Internet tienen acceso a una gran cantidad de datos sobre las cosas que la gente hace y les importa, materia prima que se puede usar para construir cosas como interfaces de voz y asistentes personales mucho más. más capaces que los que tenemos hoy. En el corto plazo, hay mucho que puede hacer con los datos etiquetados, dice. Las grandes empresas gastan millones en conseguir que los contratistas etiqueten los datos para alimentar sus sistemas de aprendizaje automático.
LeCun de Facebook cree que los investigadores no se verán obligados a subsistir con datos etiquetados para siempre. Pero se niega a adivinar cuánto tiempo más permanecerá el motor de la inteligencia humana fuera del alcance del software. Conocemos los ingredientes; simplemente no sabemos la receta, dice. Podría tomar un tiempo.