211service.com
Inteligencia artificial de Google y Microsoft Talk
Google y Microsoft no comparten un escenario a menudo, siendo competidores cada vez más feroces en áreas como búsqueda web, dispositivos móviles y computación en la nube. Pero los rivales pueden estar de acuerdo en algunas cosas, como la importancia de la inteligencia artificial para el futuro de la tecnología.
Reunión de las mentes: Peter Norvig (arriba) y Eric Horvitz coinciden en que la IA es clave para el futuro de la tecnología.
Peter Norvig , Director de investigación de Google, y Eric Horvitz , un científico distinguido de Microsoft Research, habló recientemente junto a una audiencia en el Museo de Historia de la Computación en Palo Alto, California, sobre la promesa de la IA. Posteriormente, la pareja habló con Revisión de tecnología El editor de TI, Tom Simonite, sobre lo que la IA puede hacer hoy y lo que creen que será capaz de hacer mañana. La inteligencia artificial es un tema complejo y algunas respuestas se han editado por brevedad.
Revisión de tecnología : Ambos hablaron en el escenario sobre cómo la inteligencia artificial ha avanzado en los últimos años mediante el uso de técnicas de aprendizaje automático que toman grandes volúmenes de datos y descubren cosas como cómo traducir texto o transcribir voz. ¿Qué pasa con las áreas en las que queremos que la IA ayude donde no hay muchos datos de los que aprender?
Peter Norvig: Lo que estamos haciendo es como buscar debajo de la farola las llaves que se cayeron porque la luz está ahí. Lo hicimos muy bien con el texto y la voz porque hay muchos datos disponibles. Analizar [desglosar los elementos gramaticales de las oraciones] nunca ocurre naturalmente, tal vez en la tarea de lingüística de alguien, por lo que tenemos que aprender eso sin datos [etiquetados]. Uno de mis colegas está tratando de solucionarlo observando qué partes del texto en línea se han convertido en enlaces, lo que puede indicar dónde se encuentra una parte particular de una oración.
Eric Horvitz: A menudo he pensado que si tuvieras un servicio en la nube en el cielo que registrara cada solicitud de voz y lo que sucedió a continuación, cada conversación en cada taxi en Beijing, por ejemplo, podría ser posible que la IA aprenda a hacerlo. todo.
Más en serio, si podemos encontrar formas de capturar una gran cantidad de datos de una manera que preserve la privacidad, podríamos hacerlo posible.
¿No es difícil usar el aprendizaje automático si los datos de entrenamiento aún no están etiquetados y explicados, para darle a la IA una verdad para comenzar?
Horvitz: No es necesario que esté completamente etiquetado. Un área conocida como aprendizaje semi-supervisado nos muestra que incluso si el 1 por ciento o menos de los datos están etiquetados, puede usar eso para comprender el resto.
Pero la falta de etiquetas es un desafío. Una solución es pagarle a la gente una pequeña cantidad para ayudar a un sistema con datos que no puede entender, haciendo microtareas como etiquetar imágenes u otras cosas pequeñas. Creo que usar la computación humana para aumentar la IA es un área realmente rica.
Otra posibilidad es construir sistemas que comprendan el valor de la información, lo que significa que pueden calcular automáticamente cuál es la siguiente mejor pregunta para hacer, o cómo sacar el máximo provecho de una etiqueta adicional o información proporcionada por un humano.
Norvig: No es necesario que le cuente todo a un sistema de aprendizaje. Existe un tipo de aprendizaje llamado aprendizaje por refuerzo en el que simplemente das una recompensa o un castigo al final de una tarea. Por ejemplo, perdiste una partida de damas y no te dicen dónde te equivocaste y tienes que aprender qué hacer para obtener la recompensa la próxima vez.
Todo esto es muy diferente de los primeros días de la inteligencia artificial, en los años 50 y 60, cuando los investigadores hicieron predicciones audaces sobre la adecuación de la capacidad humana y trataron de utilizar reglas de alto nivel para crear inteligencia. ¿Están sus sistemas de aprendizaje automático elaborando esas mismas reglas de alto nivel por sí mismos?
Horvitz: Los sistemas de aprendizaje pueden derivar reglas situacionales de acción de alto nivel, por ejemplo, para tomar un conjunto de síntomas [fisiológicos] y resultados de pruebas y escupir un diagnóstico. Pero eso no es lo mismo que las reglas generales de inteligencia.
Puede ser que el trabajo de más bajo nivel que hagamos hoy cumpla con las ideas de arriba hacia abajo de abajo hacia arriba algún día. La revolución de la que Peter y yo formamos parte de la IA fue que la toma de decisiones en condiciones de incertidumbre era muy importante y podía hacerse con enfoques probabilísticos. Junto con la revolución probabilística en la IA viene la perspectiva: somos agentes muy limitados y la incompletitud es ineludible.
Norvig: En los primeros días, había una lógica que diferenciaba a la inteligencia artificial, y la pregunta era cómo usarla. El estudio se convirtió en el estudio de para qué servían estas herramientas, como el ajedrez. Pero entonces solo puede tener cosas que sean verdaderas o falsas y no puede hacer muchas de las cosas que queremos hacer, por lo que optamos por la probabilidad. El campo tardó un poco en reconocer que otros campos, como la teoría de la probabilidad y la decisión, estaban ahí fuera. Unir esos dos enfoques es un desafío.
A medida que vemos evidencia más directa de IA en la vida real, por ejemplo, Siri, parece que se ha creado una especie de problema de diseño. Las personas que crean IA deben hacerlas agradables a nuestra propia inteligencia.
Norvig: Eso es en realidad un conjunto de problemas en varios niveles. Conocemos el sistema de visión humana y lo que puede significar hacer botones de diferentes colores, por ejemplo. En un nivel superior, las expectativas en nuestra cabeza de algo y cómo debería comportarse se basan en lo que pensamos que es y cómo pensamos en su relación con nosotros.
Horvitz: La IA se cruza cada vez más con el campo de la interacción humana entre ordenadores [estudiando la psicología de cómo usamos y pensamos sobre los ordenadores]. La idea de que tendremos cosas más inteligentes que trabajen en estrecha colaboración con las personas realmente centra la atención en la necesidad de desarrollar nuevos métodos en la intersección de la inteligencia humana y la inteligencia de la máquina.
¿Sobre qué necesitamos saber más para hacer que las IA sean más compatibles con los humanos?
Horvitz: Una cosa que mi grupo de investigación ha estado presionando para brindar a las computadoras es una comprensión de todo el sistema de la atención humana, para saber cuándo es mejor interrumpir a una persona. Ha sido un tema de investigación entre nosotros, los investigadores y los equipos de productos.
Norvig: Creo que también queremos entender mucho más el cuerpo humano, y puedes ver en Kinect de Microsoft una forma de hacerlo. Existe un gran potencial para que los sistemas comprendan nuestro comportamiento y lenguaje corporal.
¿Hay alguna IA en Kinect?
Horvitz: Hay mucho aprendizaje automático en su núcleo. Creo que la idea de que podemos tomar IA de vanguardia y desarrollar un dispositivo de consumo que se venda más rápido que cualquier otro antes en la historia dice algo sobre el campo de la IA. El aprendizaje automático también juega un papel central en la búsqueda de Bing, y solo puedo suponer que también es importante en la oferta de búsqueda de Google. Por lo tanto, las personas que buscan en la Web utilizan la inteligencia artificial en su vida diaria.
Una última pregunta: ¿puede decirme una demostración reciente de la tecnología de inteligencia artificial que le haya impresionado?
Norvig: Leí un artículo recientemente de alguien en Google a punto de regresar a Stanford sobre el aprendizaje no supervisado, un área donde las curvas de nuestra mejora a lo largo del tiempo no se ven tan bien. Pero está obteniendo muy buenos resultados, y parece que aprender cuando no sabes nada de antemano podría estar a punto de mejorar mucho.
Horvitz: Me ha impresionado mucho el aprendizaje de aprendices, donde un sistema aprende con el ejemplo. Tiene muchas aplicaciones. Berkeley y Stanford tienen grupos que realmente avanzan en eso: por ejemplo, helicópteros que aprenden a volar sobre sus espaldas [al revés] al [observar] a un experto humano.