Por qué la visión artificial es defectuosa de la misma manera que la visión humana

Las redes neuronales convolucionales profundas han conquistado el mundo de la inteligencia artificial. Estas máquinas ahora superan rutinariamente a los humanos en tareas que van desde el reconocimiento de rostros y objetos hasta jugar el antiguo juego de Go.

La ironía, por supuesto, es que las redes neuronales se inspiraron en la estructura del cerebro. Resulta que existen notables similitudes entre la estructura más amplia de las redes neuronales convolucionales profundas detrás de la visión artificial y la estructura del cerebro responsable de la visión. Uno de estos evolucionó durante millones de años, el otro surgió en el transcurso de unas pocas décadas. Pero ambos parecen funcionar de la misma manera.

Y eso plantea una pregunta interesante: si la visión artificial y la visión humana funcionan de manera similar, ¿también están restringidas por las mismas limitaciones? ¿Los humanos y las máquinas luchan con los mismos desafíos relacionados con la visión?

Hoy recibimos una respuesta gracias al trabajo de Saeed Reza Kheradpisheh en la Universidad de Teherán en Irán y algunos amigos de todo el mundo. Estos muchachos han probado humanos y máquinas con los mismos desafíos de visión y descubrieron que, de hecho, luchan con el mismo tipo de problemas.

Primero algunos antecedentes. La vía en el cerebro responsable de la visión opera en varias capas, cada una de las cuales se cree que extrae progresivamente más información de una imagen, como movimiento, forma, color, etc. Cada capa consta de un gran número de neuronas conectadas en una vasta red.

Las redes neuronales de convolución profunda tienen una estructura similar. También están formados por capas, y cada una de ellas es una red de circuitos diseñada para imitar el comportamiento de las neuronas, de ahí el término red neuronal.

A través de muchas pruebas y errores, los informáticos han descubierto que estas capas funcionan mejor cuando cada una extrae progresivamente más información sobre una imagen. Y cuando observan el comportamiento de las capas individualmente, encuentran notables similitudes con la función de capas específicas en el cerebro.

Pero si bien el cerebro humano es bueno para el reconocimiento de objetos, no es perfecto. Cambia la imagen de alguna manera y no siempre es fácil reconocer el objeto que contiene.

Imagine una foto de un automóvil tomada de lado, por ejemplo. Hay varias maneras de cambiar esta imagen. Una es trasladar el objeto, moverlo de una parte de la imagen a otra. Otra es agrandarla o encogerla.

Entonces hay dos tipos de rotación. Una es una rotación en el plano que muestra el automóvil de lado pero al revés, por ejemplo.

También hay rotaciones en profundidad. En este caso, debe imaginar el automóvil como un objeto tridimensional visto desde un lado. Al girar en profundidad, se muestra el automóvil desde el frente, desde atrás o en una vista de tres cuartos, y así sucesivamente.

Pero dadas dos imágenes del mismo automóvil desde diferentes puntos de vista, ¿qué tan difícil es estar seguro de que ambas muestran el mismo vehículo? Claramente, algunos tipos de distorsión son más desafiantes que otros, pero ¿cuáles? ¿Y las máquinas tienen el mismo problema?

Para averiguarlo, Kheradpisheh y sus colegas produjeron variaciones de imágenes de cuatro tipos diferentes de objetos y luego probaron qué tan bien los humanos y las redes neuronales convolucionales profundas se las arreglan para reconocerlos.

La prueba para humanos consiste en elegir una imagen al azar y mostrarla en una pantalla durante 12,5 milisegundos. Luego, el sujeto debe presionar uno de los cuatro botones para indicar si la imagen es de un automóvil, un barco, una motocicleta o un animal.

El equipo probó un total de 89 humanos diferentes, cada uno de los cuales vio 960 imágenes. Los investigadores utilizaron la velocidad y la precisión de la respuesta de cada sujeto como una medida de qué tan bien reconocieron cada objeto.

El equipo también llevó a cabo una prueba equivalente en dos de las redes convolucionales profundas más poderosas utilizadas para el reconocimiento de objetos, una desarrollada en la Universidad de Toronto en Canadá y la otra en la Universidad de Oxford en el Reino Unido.

Los resultados hacen una lectura interesante. Descubrimos que los humanos y las DCNN coincidieron en gran medida en las dificultades relativas de cada tipo de variación, dicen Kheradpisheh y compañía. La rotación en profundidad es, con mucho, la transformación más difícil de manejar, seguida de la escala, luego la rotación en el plano y finalmente la posición (mucho más fácil).

Es un trabajo interesante que tiene algunas implicaciones inmediatas. Para empezar, los científicos informáticos deberán tener mucho más cuidado en la forma en que crean bases de datos para probar la visión artificial. En el futuro, deberán controlar los factores que las máquinas encuentran más difíciles.

Pero también muestra el potencial de las redes neuronales convolucionales profundas para ayudar a investigar la forma en que funciona la cognición humana. El diseño de determinadas imágenes es una tarea crítica en aplicaciones como control de tráfico aéreo, salidas de emergencia, instrucciones de uso de equipos de salvamento, etc.

Usar humanos para evaluar estas imágenes es un negocio costoso y que requiere mucho tiempo. Pero tal vez este tipo de redes neuronales podrían hacer el trabajo en su lugar o al menos descartar los peores ejemplos y dejar a los humanos con una tarea mucho mejor definida y menos onerosa.

Más allá de eso, es posible diseñar sistemas de visión artificial que no se dejen engañar de la misma manera que los humanos y, por lo tanto, podrían aumentar la toma de decisiones humanas en situaciones críticas como la conducción.

Y eso es solo el comienzo. Las redes neuronales ya están revolucionando todo tipo de tareas que solían ser exclusivas de los humanos; ese cambio solo se acelerará.

Ref: arxiv.org/abs/1604.06486 : Los humanos y las redes profundas están de acuerdo en gran medida sobre qué tipos de variación dificultan el reconocimiento de objetos

esconder