Tres preguntas con el hombre que lidera el nuevo esfuerzo de inteligencia artificial de Baidu

La inteligencia artificial está guiada por el objetivo lejano de que el software se adapte a los humanos en tareas importantes. Después de ver los resultados de un nuevo campo llamado aprendizaje profundo, que implica procesar grandes cantidades de datos utilizando redes simuladas de millones de neuronas interconectadas, algunos expertos han llegado a creer que este objetivo no es tan distante después de todo (ver Deep Learning y Facebook crea Software que encaja casi tan bien como usted).

La semana pasada, Baidu, la empresa de búsqueda web más grande de China, se unió a los gigantes de la tecnología de EE. UU. Apostando fuerte por el aprendizaje profundo al abrir un nuevo laboratorio de Silicon Valley dedicado al enfoque (consulte El gigante chino de búsquedas Baidu contrata al hombre detrás del 'cerebro de Google'). Adam Coates, quien dirige la investigación en el nuevo laboratorio, habló con Revisión de tecnología del MIT Tom Simonite sobre cómo el aprendizaje profundo podría acercar el software al desempeño humano en algunas tareas.

El experimento de Google Brain, en el que una gran red neuronal aprendió a reconocer gatos y otros objetos con solo mirar fotos de YouTube, a menudo se presenta como una prueba clave del poder del aprendizaje profundo (ver Software autodidacta ). ¿Qué hace que ese proyecto sea tan importante?

Lo bueno del resultado de Google es que nadie tiene que decirle qué es un objeto. Tenemos tanta evidencia de la neurociencia que esta es una forma crucial de aprender sobre cómo funciona el mundo. Pero también es un imperativo de ingeniería. No puedo programar suficientes reglas en la computadora para que comprenda el mundo; ahora podemos intentar que ellos mismos aprendan las reglas.

El sistema de Google no alcanzó el rendimiento humano, en el mejor de los casos detectaba rostros humanos solo el 81 por ciento de las veces. El enfoque más establecido de aprendizaje supervisado, donde el software recibe datos etiquetados a mano para aprender, puede funcionar mejor. ¿Sabemos cómo lograr que los sistemas no supervisados ​​o autodidactas mejoren?

Cómo hacer que valga la pena al nivel que queremos, [lograr] un desempeño a nivel humano, es un gran desafío.

Si me da muchos ejemplos de lo que quiere predecir, entonces puedo entrenar software para hacerlo bien. El desafío es cómo tener éxito cuando no tienes muchos ejemplos. Los seres humanos no tienen que ver un millón de gatos para entender qué es uno. Podríamos usar una combinación de aprendizaje supervisado y no supervisado. Comprender cómo combinar esas dos ideas será crucial.

En Stanford, inspirado por el experimento de Google Brain, desarrolló una red neuronal aún más grande. ¿Los cerebros más grandes serán automáticamente más inteligentes?

Para la escala del desafío que estamos considerando, el desempeño a nivel humano, está muy claro que para una red neuronal pequeña no hay esperanza. Los de última generación tienen cientos de millones de conexiones. Puedes hacer mucho con eso; reconocer muchos objetos, por ejemplo.

[Pero] no parece ser tan simple como hacer que la red neuronal sea mucho más grande. El resultado de Google Brain se basó en un enorme sistema distribuido con muchos núcleos de CPU [16 000]. Descubrimos que si juntamos muchas GPU [procesadores gráficos especializados] podríamos crear una red neuronal mucho más grande: 10 mil millones de nodos, con 16 máquinas en lugar de 1000.

Usamos ese mismo punto de referencia [imágenes de videos de YouTube] que hizo el equipo de Google. Pero a pesar de que pudimos entrenar una red neuronal mucho más grande, no necesariamente obtuvimos un mejor detector de gatos. Ahora mismo podemos ejecutar redes neuronales que son más grandes de lo que sabemos qué hacer.

[En el laboratorio de Baidu] queremos construir un marco para ejecutar experimentos lo suficientemente grandes para probar todas las variaciones en los algoritmos que podrían mejorar universalmente el rendimiento.

esconder