211service.com
Las máquinas ahora pueden reconocer algo después de verlo una vez
La mayoría de nosotros podemos reconocer un objeto después de verlo una o dos veces. Pero los algoritmos que impulsan la visión artificial y el reconocimiento de voz necesitan miles de ejemplos para familiarizarse con cada nueva imagen o palabra.
Los investigadores de Google DeepMind ahora tienen una forma de evitar esto. Ellos hizo algunos ajustes inteligentes a un algoritmo de aprendizaje profundo que le permite reconocer objetos en imágenes y otras cosas a partir de un solo ejemplo, algo conocido como 'aprendizaje de una sola vez'. El equipo demostró el truco en una gran base de datos de imágenes etiquetadas, así como en escritura y lenguaje.
Los mejores algoritmos pueden reconocer cosas de manera confiable, pero su necesidad de datos hace que construirlos lleve mucho tiempo y sea costoso. Un algoritmo entrenado para detectar automóviles en la carretera, por ejemplo, necesita ingerir muchos miles de ejemplos para funcionar de manera confiable en un automóvil sin conductor. Recopilar tantos datos a menudo no es práctico: un robot que necesita navegar por una casa desconocida, por ejemplo, no puede pasar incontables horas deambulando aprendiendo.
Oriol Vinyals, científico investigador de Google DeepMind, una subsidiaria de Alphabet con sede en el Reino Unido que se enfoca en inteligencia artificial, agregó un componente de memoria a un sistema de aprendizaje profundo, un tipo de gran red neuronal que está entrenada para reconocer cosas ajustando la sensibilidad de muchas capas de componentes interconectados más o menos análogos a las neuronas en un cerebro. Dichos sistemas necesitan ver muchas imágenes para ajustar las conexiones entre estas neuronas virtuales.
El equipo demostró las capacidades del sistema en una base de datos de fotografías etiquetadas llamada ImageNet . El software aún necesita analizar varios cientos de categorías de imágenes, pero después de eso puede aprender a reconocer nuevos objetos, por ejemplo, un perro, a partir de una sola imagen. Aprende efectivamente a reconocer las características de las imágenes que las hacen únicas. El algoritmo pudo reconocer imágenes de perros con una precisión cercana a la de un sistema convencional hambriento de datos después de ver solo un ejemplo.
Vinyals dice que el trabajo podría ser especialmente útil si pudiera reconocer rápidamente el significado de una palabra nueva. Esto podría ser importante para Google, dice Vinyals, ya que podría permitir que un sistema aprenda rápidamente el significado de un nuevo término de búsqueda.
Otros han desarrollado sistemas de aprendizaje de una sola vez, pero por lo general no son compatibles con los sistemas de aprendizaje profundo. Un proyecto académico del año pasado utilizó técnicas de programación probabilística para permitir este tipo de aprendizaje muy eficiente (ver 'Este algoritmo aprende tareas tan rápido como nosotros').
Pero los sistemas de aprendizaje profundo se están volviendo más capaces, especialmente con la adición de mecanismos de memoria. Otro grupo de Google DeepMind desarrolló recientemente una red con un tipo de memoria flexible, lo que la hace capaz de realizar tareas de razonamiento simples, por ejemplo, aprender a navegar en un sistema de metro después de analizar varios diagramas de red mucho más simples (consulte 'Qué sucede cuando das una computadora una memoria de trabajo?').
'Creo que este es un enfoque muy interesante, que proporciona una forma novedosa de aprender de una sola vez en conjuntos de datos a gran escala', dice Sang Wan Lee , quien dirige el Laboratorio de Inteligencia Cerebral y de Máquinas en el Instituto Coreano Avanzado de Ciencia y Tecnología en Daejeon, Corea del Sur. 'Esta es una contribución técnica a la comunidad de IA, que es algo que los investigadores de visión artificial podrían apreciar plenamente'.
Otros son más escépticos acerca de su utilidad, dado lo diferente que aún es del aprendizaje humano. Por un lado, dice sam gershman , profesor asistente en el Departamento de Ciencias del Cerebro de Harvard, los humanos generalmente aprenden al comprender los componentes que componen una imagen, lo que puede requerir algún conocimiento del mundo real o de sentido común. Por ejemplo, 'un Segway puede verse muy diferente a una bicicleta o motocicleta, pero puede estar compuesto por las mismas partes'.
Según Gershman y Wan Lee, pasará algún tiempo antes de que las máquinas igualen el aprendizaje humano. 'Todavía estamos lejos de revelar el secreto de los humanos para realizar el aprendizaje de una sola vez', dice Wan Lee, 'pero esta propuesta claramente plantea nuevos desafíos que merecen un estudio más profundo'.