211service.com
Google pone a trabajar su tecnología de cerebro virtual
Este verano, Google estableció un nuevo hito en el campo de la inteligencia artificial con un software que aprendió a reconocer gatos, personas y otras cosas simplemente viendo videos de YouTube (ver Software autodidacta). Esa tecnología, basada en el funcionamiento de las células cerebrales, ahora se está poniendo en práctica para hacer que los productos de Google sean más inteligentes, y el reconocimiento de voz es el primer servicio que se beneficia.
Ideal platónico: Esta imagen compuesta representa el estímulo ideal que la red neuronal de Google reconoce como una cara de gato.
El software de aprendizaje de Google se basa en la simulación de grupos de células cerebrales conectadas que se comunican e influyen entre sí. Cuando una red neuronal, como se la denomina, se expone a los datos, las relaciones entre las diferentes neuronas pueden cambiar. Eso hace que la red desarrolle la capacidad de reaccionar de ciertas formas a los datos entrantes de un tipo particular, y se dice que la red ha aprendido algo.
Las redes neuronales se han utilizado durante décadas en áreas donde se aplica el aprendizaje automático, como el software para jugar al ajedrez o la detección de rostros. Los ingenieros de Google han encontrado formas de poner más potencia informática detrás del enfoque de lo que era posible anteriormente, creando redes neuronales que pueden aprender sin ayuda humana y son lo suficientemente robustas para ser utilizadas comercialmente, no solo como demostraciones de investigación.
Las redes neuronales de la empresa deciden por sí mismas a qué características de los datos prestar atención y qué patrones importan, en lugar de que los humanos decidan que, por ejemplo, los colores y las formas particulares son de interés para el software que intenta identificar objetos.
Google ahora está utilizando estas redes neuronales para reconocer el habla con mayor precisión, una tecnología cada vez más importante para el sistema operativo de teléfonos inteligentes de Google, Android, así como para la aplicación de búsqueda que pone a disposición de los dispositivos Apple (consulte la Respuesta de Google a Siri Thinks Ahead). Obtuvimos entre un 20 y un 25 por ciento de mejora en términos de palabras incorrectas, dice Vincent Vanhoucke , líder de los esfuerzos de reconocimiento de voz de Google. Eso significa que muchas más personas tendrán una experiencia perfecta sin errores. Hasta ahora, la red neuronal solo funciona en inglés de EE. UU., Y Vanhoucke dice que deberían ser posibles mejoras similares cuando se introduzca para otros dialectos e idiomas.
Es probable que otros productos de Google mejoren con el tiempo con la ayuda del nuevo software de aprendizaje. Las herramientas de búsqueda de imágenes de la empresa, por ejemplo, podrían comprender mejor el contenido de una foto sin depender del texto circundante. Y los automóviles autónomos de Google (consulte Mirar, sin manos) y la computadora móvil incorporada en un par de anteojos (consulte Usted querrá las gafas de Google) podrían beneficiarse de un software más capaz de dar sentido a más datos del mundo real.
La nueva tecnología acaparó los titulares en junio de este año, cuando los ingenieros de Google publicaron los resultados de un experimento que arrojó 10 millones de imágenes tomadas de videos de YouTube a sus células cerebrales simuladas, ejecutando 16,000 procesadores en mil computadoras durante 10 días sin pausa.
Características promedio: Esta imagen compuesta representa el estímulo ideal para que el software de Google detecte un rostro humano en una foto.
La mayoría de la gente mantiene su modelo en una sola máquina, pero queríamos experimentar con redes neuronales muy grandes, dice Jeff Dean , ingeniero que ayudó a dirigir la investigación en Google. Si amplía tanto el tamaño del modelo como la cantidad de datos con los que lo entrena, puede aprender distinciones más precisas o características más complejas.
Las redes neuronales que surgen de ese proceso son más flexibles. Estos modelos normalmente pueden tomar mucho más contexto, dice Dean, dando un ejemplo del mundo del reconocimiento de voz. Si, por ejemplo, el sistema de Google pensó que escuchó a alguien decir que voy a comer un lichi, pero la última palabra fue un poco amortiguada, podría confirmar su presentimiento basado en experiencias pasadas de frases porque el lichi es una fruta y se usa en el mismo contexto que manzana o naranja.
Dean dice que su equipo también está probando modelos que comprenden imágenes y texto juntos. Le das 'marsopa' y te da imágenes de marsopas, dice. Si le da una imagen de una marsopa, le da 'marsopa' como palabra.
Un siguiente paso podría ser hacer que el mismo modelo aprenda también los sonidos de las palabras. Ser capaz de relacionar diferentes formas de datos como ese podría conducir al reconocimiento de voz que recopila pistas adicionales del video, por ejemplo, y podría aumentar las capacidades de los autos autónomos de Google ayudándolos a comprender su entorno al combinar los muchos flujos de datos. recopilan, desde escaneos láser de obstáculos cercanos hasta información del motor del automóvil.
El trabajo de Google en la creación de redes neuronales nos acerca un pequeño paso más hacia uno de los objetivos finales de la IA: crear software que pueda igualar la inteligencia animal o tal vez incluso humana, dice Yoshua Bengio , profesor de la Universidad de Montreal que trabaja en técnicas similares de aprendizaje automático. Esta es la ruta hacia la creación de inteligencia artificial más general: no hay forma de que obtenga una máquina inteligente si no puede absorber un gran volumen de conocimiento sobre el mundo, dice.
De hecho, el funcionamiento de las redes neuronales de Google opera de manera similar a lo que los neurocientíficos saben sobre la corteza visual en los mamíferos, la parte del cerebro que procesa la información visual, dice Bengio. Resulta que las redes de aprendizaje de funciones que utiliza [Google] son similares a los métodos utilizados por el cerebro que son capaces de descubrir objetos que existen.
Sin embargo, se apresura a agregar que incluso las redes neuronales de Google son mucho más pequeñas que el cerebro y que no pueden realizar muchas cosas necesarias para la inteligencia, como razonar con información recopilada del mundo exterior.
Dean también tiene cuidado de no dar a entender que las inteligencias limitadas que está construyendo están cerca de coincidir con cualquier cerebro biológico. Pero no puede resistirse a señalar que si eliges el concurso adecuado, las redes neuronales de Google superan a los humanos.
Estamos viendo un desempeño mejor que el nivel humano en algunas tareas visuales, dice, dando el ejemplo de etiquetado, donde los números de las casas aparecen en las fotos tomadas por el auto de Street View de Google, un trabajo que solía ser entregado a muchos humanos.
Están comenzando a usar redes neuronales para decidir si un parche [en una imagen] es un número de casa o no, dice Dean, y resultan funcionar mejor que los humanos. Es una pequeña victoria, pero que pone de relieve lo lejos que están las redes neuronales artificiales de las que tienes en la cabeza. Probablemente no sea muy emocionante y una computadora nunca se cansa, dice Dean. Se necesita mucha inteligencia para aburrirse.