Anima Anandkumares profesor en el Instituto de Tecnología de California y director de investigación en
"La situación con el coronavirus muestra que los humanos están muy por delante de la IA"
¿Cómo empezó la revolución de la inteligencia artificial?Durante varias décadas, interesantedescubrimientos en esta área. Para una persona, no hay nada más mundano que reconocer imágenes en una pantalla. Pero para una IA esta es una tarea extremadamente difícil, porque no nace con las habilidades ya dadas para esto. Los científicos se enfrentaron a la tarea de "enseñar" al cerebro de la máquina a identificar lo que veía. Al principio de la investigación, un profesor de Stanford comenzó a capturar imágenes para que una computadora pudiera clasificarlas más fácilmente. Fueron imágenes etiquetadas las que iniciaron la revolución del aprendizaje neuronal profundo.
El logro de un nuevo nivel en el desarrollo de la IA comenzó con la inclusión de miles de millones de parámetros en el programa que le permitirán reconocer un objeto específico.La dificultad de la tarea es hacer una red neuronal profunda.bajo las condiciones de invariancia, reconoció, por ejemplo, un perro sin importar la diferencia de postura, color, raza, etc. El entrenamiento de IA significa que durante el procesamiento de imágenes, se visualizan varias capas del marco en un orden jerárquico. Entonces, en el nivel básico, solo las líneas son visibles en diferentes ángulos entre sí. Luego combinan y componen formas más complejas, por ejemplo, la cara de un perro en color. La forma, el color y otras características individuales ya se pueden distinguir. Fue la etapa en la que aprendimos a dividir el proceso en partes, en niveles, que se convirtió en un gran paso adelante.
Un mayor desarrollo requiere no solo redes neuronales profundas, sino también una enorme potencia informática.En las últimas décadas hemos vistola desaceleración en el crecimiento de las capacidades de nuestras computadoras, con velocidades de computación de un solo subproceso que ya no se duplican. Pero al mismo tiempo, ahora podemos calcular simultáneamente operaciones de enorme volumen y complejidad. El nivel actual de desarrollo de las redes profundas ha llevado al hecho de que ahora pueden ocurrir en ellas miles de millones de procesos simultáneamente. Y su objetivo es solo uno: determinar qué se muestra en la fotografía. Este procedimiento se lleva a cabo mediante procesos de animación matricial y otras tecnologías. Y aquí, por supuesto, todo depende de la potencia de las tarjetas de video.
Para 2014, las redes neuronales profundas pudieron reconocer imágenes mejor que los humanos, lo que significa que hoy se han vuelto aún más avanzadas.Esto sucedió gracias a la combinación de tresfactores: las capacidades de los datos etiquetados, la flexibilidad de los algoritmos de redes neuronales profundas existentes y las enormes capacidades de las computadoras. Hay muchos ejemplos excelentes de las alturas que ya ha alcanzado el cerebro de la máquina; por ejemplo, el aprendizaje por refuerzo profundo ayudó a la IA a vencer a un humano en el juego de Go. Este jugador era uno de los mejores, pero perdió. Además, la inteligencia artificial ahora es capaz de generar fotografías de personas tan realistas que esta tecnología ya ha superado el test de Turing. Una persona ya no puede entender qué imagen es real y cuál fue creada por una máquina. Estos son grandes ejemplos del éxito de la IA, pero el progreso ciertamente no se detendrá ahí.
Sin embargo, hay varios ejemplos en los que la IA no cumplió con las expectativas.Digamos una situación donde el aspecto clavees la seguridad. Desde hace varias décadas asistimos a un aumento de la tecnología utilizada en los coches autónomos, pero, desgraciadamente, su falta de sofisticación sigue provocando accidentes. Además, una máquina no puede reemplazar a una persona cuando se trata de creación y edición de contenido. Y la situación actual del coronavirus muestra que los humanos están muy por delante de la IA.
¿Qué haremos en el futuro, desarrollando inteligencia artificial y tecnologías de redes neuronales profundas?Actualmente en desarrollo activoRobótica: por ejemplo, una empresa tiene un robot que puede hacer volteretas hacia atrás. Pero ni siquiera se le puede comparar con un perro. Este robot es torpe, cae constantemente, pero el animal, mientras cae, aprende a realizar tal o cual movimiento la próxima vez sin caerse. Pero el robot no es capaz de hacer esto, no está entrenado. Esto plantea la pregunta: ¿es posible crear una IA que esté lista para aprender y resolver problemas por sí sola?
"Comprender los algoritmos está más allá de nuestras capacidades".
Un algoritmo de inteligencia artificial es una colección de información preestablecida y una tarea muy clara.Determinamos qué datos y preliminarmente.se deben utilizar los parámetros dados, así como cómo implementar el proceso de toma de decisiones. Crear y mantener un algoritmo de IA requiere enormes cantidades de datos. Esto es difícil porque cada vez hay más datos; por ejemplo, al reconocer una transmisión de video, la cantidad de fotogramas reconocidos es muy grande. El etiquetado es problemático porque la gente asigna nombres a millones de vídeos y, por tanto, a objetos en la pantalla.
En cuanto a los parámetros preestablecidos, nuevamente debe lidiar con el hecho de que todo se hace manualmente.Hoy en día es fácil engañar a la IA.Por ejemplo, si tenemos una señal de stop y le colocamos varios bloques, entonces la inteligencia artificial ya no entenderá su significado. Y un coche que circula sin asistencia del conductor ya no reconoce esta señal como una llamada de parada. Nuestra inteligencia humana es completamente diferente. Quizás podamos transferir nuestra forma de pensar a una computadora, pero aún no hemos podido hacerlo. En cuanto a direcciones, órdenes e instrucciones, tenemos que actuar de manera muy simple: asignamos una tarea: reconocer lo que se muestra en esta imagen. En cuanto a los parámetros para evaluar el éxito o la ineficacia del algoritmo, aquí somos muy limitados.
A veces no podemos entender qué tan exitoso es el algoritmo actual, porque está más allá de nuestra comprensión.Además, existen varios problemas asociados conel hecho de que los datos que tenemos se refieren principalmente a hombres de piel clara. Por este motivo, la IA identifica erróneamente a las mujeres de piel oscura. Hay otros errores en el reconocimiento facial. El problema surge porque la evaluación de la eficacia de la inteligencia artificial es extremadamente limitada. No debemos olvidarnos del paradigma que dice que necesitamos enormes cantidades de datos y que todos ellos deben estar etiquetados. Los parámetros preestablecidos deben ser claros para el algoritmo y la tarea en sí debe ser simple y lógica.
En primer lugar, debe asegurarse de no tener que etiquetar los datos.La IA debe funcionar sin asistencia humana parala computadora misma encontró conceptos, formó ideas y comprendió las características de una imagen en particular. ¿Es difícil? Sí, muchísimo, pero la gente lo hace y con facilidad. En cuanto a los datos preestablecidos, aquí necesitamos crear imágenes muy claras, para mostrar qué es qué con los datos que “alimentamos” al sistema. Y aquí puedes aprender mucho del cerebro humano. Y por último, las tareas que le damos al algoritmo. La IA debe ser más adaptable, porque ahora entrenamos nuestro sistema cada vez desde cero, pero debemos hacerlo para que pueda adaptarse, cambiar y realizar diferentes tareas. Por eso ahora nos estamos entrenando para flexibilizar la inteligencia artificial.
¿Cómo entender que tenemos un gato?
Reconocemos a un gato, incluso si es una imagen borrosa, porque nuestro cerebro está constantemente tratando de darle cierta nitidez a la imagen borrosa para su posterior análisis.Hay muchas teorías, y una de las más famosasdice que no solo miramos algún objeto, sino que al mismo tiempo el cerebro selecciona opciones para lo que puede ser. Las redes neuronales profundas hacen lo mismo. Tenemos datos a priori sobre cómo debe verse el gato. Y estamos tratando de hacer coincidir esta imagen con la idea de cómo se ven los gatos. Es importante comprender esto durante el desarrollo para garantizar la coherencia de la identificación de la imagen.
¿Cómo podemos lograr estabilidad en la identificación de objetos mediante redes artificiales?Esto ocurre naturalmente debido arepetibilidad. Tomamos una imagen externa y la miramos, y la señal va al cerebro. También hay comentarios de arriba hacia abajo. Al utilizar información sobre el aspecto de un gato, el cerebro forma una determinada percepción. ¿Cómo hacer que estos procesos más complejos en nuestro cerebro sean implementados por IA? Es necesario combinar un buen clasificador para el concepto de "gato", que "alimentará" la red neuronal, con un excelente generador de estas imágenes. Al mismo tiempo, se llevará a cabo la clasificación del concepto y entrenamiento de la red neuronal. Se obtendrán comentarios para las redes neuronales estándar. Y esta conexión brindará la oportunidad de recibir comentarios generativos. En otras palabras, al intentar procesar la señal entrante, una persona intenta etiquetar la imagen. Y luego está la retroalimentación cuando intentamos generar una percepción basada en lo que vemos. Estos dos procesos deben estar interconectados.
Una red neuronal estándar, por regla general, no puede reconocer imágenes borrosas, pero nuestro modelo, gracias a un mecanismo de retroalimentación, hace que las imágenes sean más claras y luego podrá reconocerlas.Vemos que tal esquema ha demostrado su eficacia.efectividad, para que podamos inspirarnos en cómo ven los humanos al crear visión por computadora. A partir de modelos ya desarrollados, se pueden crear algoritmos más avanzados que tendrán un alto rendimiento. Pero también necesitamos una infraestructura eficiente que pueda manejar procesos de IA a escala. No trabajamos con algoritmos individualmente. Tomas algunos datos y necesitas visualizarlos, lo cual es un proceso muy complejo. Por lo tanto, necesita un procesador potente capaz de procesar cantidades impresionantes de información. Además, utilizamos ciertos frameworks (CLARA) para diversas aplicaciones, incluida la medicina. Ahora, dada la pandemia de COVID-19, es necesario entrenar modelos de aprendizaje automático a escala. El objetivo de esto es desarrollar vacunas y curas para el virus. La herramienta CLARA puede trabajar con estructuras tridimensionales y diversos algoritmos, siendo esencialmente el coordinador de su trabajo.
Otra oportunidad de aprendizaje de la IA es utilizar datos estimulados en lugar de datos reales.Disponemos de una gama de robots que pueden convertirseChefs en nuestras cocinas. Este tipo de máquinas son capaces de abrir y cerrar un cajón, coger un objeto, mezclar o batir algo. Estas operaciones, que son sencillas para los humanos, resultan muy difíciles para los robots, ya que es problemático entrenarlos para ello. Pero con la ayuda de procesos de simulación podremos abrir cajas programadas que no existen. Y así el robot aprende operaciones similares. Los programas nos permiten hacer esto en paralelo y a gran escala, lo que nos permite superar las limitaciones que nos imponen los datos. Pero un sistema de entrenamiento de este tipo implica que es necesario desarrollar algoritmos muy complejos que lleven la máquina del mundo de la simulación al mundo real, abriendo perspectivas completamente nuevas y apasionantes para trabajar con IA. Existe un programa que permite agregar simulación a esos modelos cuando la inteligencia artificial se entrena con datos reales. Este es otro ejemplo de que tenemos una buena infraestructura y podemos trabajar en problemas muy complejos. Fue posible crear nuevos algoritmos y modelos, así como probarlos mucho más rápido que antes.
El futuro de la IA debe ser integral y estar plasmado en diferentes esferas para que tengamos una herramienta altamente adaptable y en constante aprendizaje.Para lograrlo, ahora necesitamos repensar los enfoques paraaprendizaje profundo. El aprendizaje autodirigido es clave para el éxito, por lo que necesitamos encontrar formas de integrar programas de aprendizaje no supervisados en los sistemas. Y si hablamos de redes neuronales convolucionales, el sistema de retroalimentación las hace más estables. Y este es el primer paso hacia la creación de una base real para la próxima generación de IA.
Ver tambien
Cazador de tesoros encuentra tesoro de 3000 años en Escocia
Perseids Meteor Shower - 2020: dónde verlo, dónde mirar y cómo tomar una foto
Mire el mapa 3D del Universo: se compiló durante 20 años y ya ha sorprendido a los científicos