La técnica de IA que podría dotar a las máquinas de la capacidad de razonar

Una imagen de bebés jugando con bloques. Getty

A los seis meses, un bebé no se inmuta si un camión de juguete sale de una plataforma y parece flotar en el aire . Pero realice el mismo experimento apenas dos o tres meses después, y ella reconocerá instantáneamente que algo anda mal. Ella ya ha aprendido el concepto de gravedad.

Nadie le dice al bebé que se supone que los objetos van a caer, dijo Yann LeCun, científico jefe de IA en Facebook y profesor de la Universidad de Nueva York. durante un seminario web el jueves organizado por la Association for Computing Machinery, un organismo de la industria. Y debido a que los bebés no tienen un control motor muy sofisticado, plantea la hipótesis de que gran parte de lo que aprenden sobre el mundo es a través de la observación.

Esa teoría podría tener implicaciones importantes para los investigadores que esperan avanzar en los límites de la inteligencia artificial.

El aprendizaje profundo, la categoría de algoritmos de IA que puso en marcha la revolución más reciente del campo, ha logrado grandes avances para dotar a las máquinas de capacidades perceptivas como la visión. Pero se ha quedado corto en imbuirlos de un razonamiento sofisticado, basado en un modelo conceptual de la realidad. En otras palabras, las máquinas no entienden realmente el mundo que las rodea, lo que hace que se queden cortas en su capacidad para interactuar con él. Las nuevas técnicas están ayudando a superar esta limitación, por ejemplo, dando a las máquinas una especie de memoria de trabajo para que, a medida que aprenden y obtengan hechos y principios básicos, puedan acumularlos para utilizarlos en interacciones futuras.

Pero LeCun cree que eso es solo una pieza del rompecabezas. Obviamente nos falta algo, dijo. Un bebé puede desarrollar una comprensión de un elefante después de ver dos fotos, mientras que los algoritmos de aprendizaje profundo necesitan ver miles, si no millones. Un adolescente puede aprender a conducir de manera segura practicando durante 20 horas y lograr evitar accidentes sin experimentar uno primero, mientras que los algoritmos de aprendizaje por refuerzo (una subcategoría del aprendizaje profundo) deben pasar por decenas de millones de pruebas, incluidas muchas fallas atroces.

La respuesta, piensa, está en la subcategoría subestimada de aprendizaje profundo conocida como aprendizaje no supervisado. Mientras que los algoritmos basados ​​en el aprendizaje supervisado y de refuerzo se enseñan a lograr un objetivo a través de la intervención humana, los no supervisados ​​extraen patrones en los datos por sí solos. (LeCun prefiere el término aprendizaje autosupervisado porque esencialmente usa parte de los datos de entrenamiento para predecir el resto de los datos de entrenamiento).

En los últimos años, estos algoritmos han ganado una tracción significativa en el procesamiento del lenguaje natural debido a su capacidad para encontrar las relaciones entre miles de millones de palabras. Esto resulta útil para construir sistemas de predicción de texto como autocompletar o para generar prosa convincente. Pero la gran mayoría de la investigación de IA en otros dominios se ha centrado en el aprendizaje supervisado o de refuerzo.

LeCun cree que se debe invertir el énfasis. Todo lo que aprendemos como humanos, casi todo, se aprende a través del aprendizaje autosupervisado. Hay una capa delgada que aprendemos a través del aprendizaje supervisado y una pequeña cantidad que aprendemos a través del aprendizaje por refuerzo, dijo. Si el aprendizaje automático, o IA, es pan comido, la gran mayoría del pastel es aprendizaje autosupervisado.

¿Cómo se ve esto en la práctica? Los investigadores deben comenzar centrándose en la predicción temporal. En otras palabras, entrene grandes redes neuronales para predecir la segunda mitad de un video cuando se le da la primera. Si bien no todo en nuestro mundo se puede predecir, esta es la habilidad fundamental detrás de la capacidad de un bebé para darse cuenta de que un camión de juguete debe caer. Esta es una especie de simulación de lo que está pasando en tu cabeza, si quieres, dijo LeCun.

Una vez que el campo desarrolle técnicas que refinen esas habilidades, también tendrán usos prácticos importantes. Es una buena idea hacer predicciones en video en el contexto de los autos sin conductor porque es posible que desee saber de antemano qué harán otros autos en las calles, dijo.

En última instancia, el aprendizaje no supervisado ayudará a las máquinas a desarrollar un modelo del mundo que luego pueda predecir los estados futuros del mundo, dijo. Es una gran ambición que ha eludido la investigación de la IA, pero abriría una serie de capacidades completamente nuevas. LeCun confía: la próxima revolución de la IA no será supervisada.

Para recibir más historias como esta directamente en su bandeja de entrada, suscríbase a nuestro boletín informativo de IA nominado por Webby, The Algorithm. Es gratis.

esconder