211service.com
Este algoritmo de IA aprende tareas simples tan rápido como nosotros
Inspirándose en la forma en que los humanos parecen aprender, los científicos han creado un software de inteligencia artificial capaz de adquirir nuevos conocimientos de una manera mucho más eficiente y sofisticada.
Fig. 1. Las personas pueden aprender conceptos ricos a partir de datos limitados. (A y B) Un solo ejemplo de un nuevo concepto (recuadros rojos) puede ser suficiente información para apoyar la (i) clasificación de nuevos ejemplos, (ii) generación de nuevos ejemplos, (iii) analizar un objeto en partes y relaciones ( partes segmentadas por color), y (iv) generación de nuevos conceptos a partir de conceptos relacionados.
El nuevo programa de IA puede reconocer un carácter escrito a mano con la misma precisión que un ser humano, después de ver un solo ejemplo. Los mejores algoritmos de aprendizaje automático existentes, que emplean una técnica llamada aprendizaje profundo, necesitan ver muchos miles de ejemplos de un carácter escrito a mano para aprender la diferencia entre una A y una Z.
El software fue desarrollado por lago brenden , investigador de la Universidad de Nueva York, junto con Ruslan Salakhutdinov , profesor asistente de informática en la Universidad de Toronto, y Josué Tenenbaum , profesor en el Departamento de Cerebro y Ciencias Cognitivas del MIT. Los detalles del programa y las ideas detrás de él se publican hoy en la revista Ciencias.
Las computadoras se han vuelto mucho más inteligentes en los últimos años, aprendiendo a reconocer rostros, comprender el habla e incluso conducir automóviles de manera segura, entre muchas otras cosas. Y la mayor parte del progreso se ha logrado utilizando redes neuronales grandes o profundas. Pero hay un inconveniente crucial en estos sistemas: requieren montones de datos para aprender cómo hacer incluso la tarea más simple.
Esta limitación se debe en gran parte al hecho de que los algoritmos no procesan la información como lo hacemos nosotros. Aunque el aprendizaje profundo se basa en una red virtual de neuronas, y el enfoque ha producido resultados muy impresionantes en tareas de percepción, es una imitación muy aproximada de la forma en que funciona el cerebro. Un algoritmo de aprendizaje profundo asocia los píxeles de una imagen con un carácter particular. El cerebro puede procesar algunos estímulos visuales de manera similar, pero los humanos también usan formas superiores de funciones cognitivas para interpretar el contenido de una imagen.
Los investigadores utilizaron una técnica que denominan marco de aprendizaje del programa bayesiano, o BPL. Esencialmente, el software genera un programa único para cada personaje utilizando trazos de un bolígrafo imaginario. Luego se utiliza una técnica de programación probabilística para hacer coincidir un programa con un carácter en particular, o para generar un nuevo programa para uno desconocido. El software no imita la forma en que los niños adquieren la capacidad de leer y escribir, sino la forma en que los adultos, que ya saben, aprenden a reconocer y recrear nuevos personajes.
La clave de la programación probabilística, y bastante diferente de la forma en que funciona la mayoría de las cosas de aprendizaje profundo, es que comienza con un programa que describe los procesos causales en el mundo, dice Tenenbaum. Lo que estamos tratando de aprender no es una firma de características o un patrón de características. Estamos tratando de aprender un programa que genere esos caracteres.
Tenenbaum y sus colegas probaron el enfoque haciendo que tanto humanos como el software dibujaran nuevos caracteres después de ver un ejemplo escrito a mano y luego pidieron a un grupo de personas que juzgaran si un carácter fue escrito por una persona o una máquina. Descubrieron que menos del 25 por ciento de los jueces pudieron notar la diferencia.
El equipo dice que la técnica podría extenderse a aplicaciones más prácticas. Por ejemplo, podría permitir que las computadoras aprendan rápidamente a reconocer y utilizar nuevas palabras en el lenguaje hablado. O podría permitir que una computadora reconozca nuevas instancias de un objeto en particular. En términos más generales, el enfoque apunta a una nueva dirección importante en la inteligencia artificial, ya que los investigadores se inspiran en la investigación sobre la cognición humana.
Geoffrey Hinton , profesor de psicología en la Universidad de Toronto que desempeñó un papel clave en el desarrollo del aprendizaje profundo, dice que el trabajo es un paso importante para el campo. Es un documento hermoso y un ejemplo muy impresionante de aprender de no muchos ejemplos, dice.
Hinton, quien también fue asesor de doctorado de uno de los autores del artículo, Salakhutdinov, dice que los investigadores de IA pueden aprender muchas cosas útiles tanto de la neurociencia como de la ciencia cognitiva. También sugiere que enfoques como el desarrollado para el reconocimiento de escritura a mano, de hecho, pueden ser compatibles con el aprendizaje profundo. Creo que puedes tener lo mejor de ambos mundos, dice.
marcus gary , un científico cognitivo de la Universidad de Nueva York y cofundador de una empresa llamada Geometric Intelligence, que también está desarrollando enfoques de aprendizaje automático inspirados en el comportamiento humano, dice que no está del todo de acuerdo con que la mente humana funcione de la manera descrita en el Ciencias papel. Pero cree que el enfoque muestra un objetivo importante para la IA, porque en muchas situaciones no hay grandes cantidades de datos para que una máquina aprenda.
El problema con el paradigma dominante es que tiene mucha, mucha hambre de datos, dice Marcus. Esta es una prueba de que puedes aprender más rápido. Y creo que eso es algo en lo que la gente va a pensar mucho.
Marcus agrega que el lenguaje podría ser la aplicación definitiva para tales sistemas. Muchos investigadores de aprendizaje profundo ya están trabajando en este desafío (consulte Enseñar a las máquinas a comprendernos), pero Marcus cree que las máquinas necesitarán aprender de formas más eficientes y flexibles para poder descifrarlo. El verdadero punto de inflexión en la IA llegará cuando las máquinas realmente puedan entender el lenguaje, dice. No solo hacer traducciones mediocres, sino entender realmente lo que quieres decir.