¿Cómo enseñar a la IA el concepto de “parecido, pero diferente”?
La Inteligencia Artificial tal y como hoy la conocemos engloba muchos conceptos que se encuentran interconectados y que en muchas ocasiones pueden llegar a ser un galimatías al profano. Machine Learning se refiere a la capacidad de la que se dota a la máquina para aprender algo sin estar explícitamente programada para dicha actividad. Deep Learning se refiere a las redes neuronales profundas, construidas a semejanza de las propias humanas y que permiten a la máquina procesar grandes cantidades de datos. De esta manera, la IA es capaz de llevar a cabo un aprendizaje, procesando grandes sets de datos que sirven de entrenamiento bajo una serie de normas, para aportar resultados que resulten correctos con un grado de confianza razonable.
Sin embargo, este aprendizaje se basa en la constatación de si una determinada conclusión es correcta o incorrecta, sin aportar a la red el porcentaje de acierto que su conclusión ha tenido. Este “porcentaje de acierto” sería el equivalente humano al de un niño al que se muestra una foto de un lobo y a la pregunta de “¿Qué es?”, contestase “Un perro”. No es exactamente lo mismo, pero es efectivamente parecido. Si aplicásemos a las redes neuronales de Machine Learning ese mismo principio de aprendizaje acerca del “parecido” entre conceptos, las pequeñas diferencias que iríamos encontrando entre las probabilidades asignadas a cada resultado, podrían ofrecer información valiosa acerca de la capacidad predictiva de un modelo cuando se enfrenta a datos desconocidos.
Esto es lo que sostiene el profesor Atsuso Maki del KHT Royal Institute of Technology, y que puede ser especialmente relevante a la hora de pedir a un robot por ejemplo, que seleccione objetos; una capacidad cuyas aplicaciones en industria pueden ser extremadamente útiles.
Otro de los problemas que pueden presentar los modelos es el llamado “sobreajuste”, que se produce cuando el modelo se ha adaptando tanto al set de datos de entrenamiento, que presta demasiada atención al ruido y a los datos específicos, aportando conclusiones excelentes acerca del set de datos de entrenamiento, pero cuando es entrenado con un nuevo set de datos que no presenta estos detalles particulares, presenta una gran cantidad de errores.
Este problema se soluciona aplicando la regularización, que consiste en llevar a cabo una reducción de la capacidad del modelo de fijarse en los pequeños detalles de manera que aumente su capacidad de obtener conclusiones basándose en la información más general. Existen diferentes técnicas para llevar a cabo la regularización. Recientemente ha surgido un nuevo enfoque que propone precisamente aplicar la idea de las probabilidades de acierto, y que de acuerdo con Maki, potenciaría las capacidades de los modelos para generalizar.
Aunque en la actualidad estas técnicas se encuentran aún en desarrollo, incorporar características similares del funcionamiento de la mente humana a los modelos de IA, tiene un potencial de desarrollo muy prometedor.
Este último punto, acerca de la similitud entre la IA y el intelecto humano ha sido altamente controversial a lo largo de los años, levantando ampollas incluso entre la comunidad científica. Steven Hawking anunció en una ocasión que la IA podría llegar a terminar con la raza humana, aludiendo a que a medida que se multiplique su velocidad de aprendizaje y de mejora, serían capaces de desarrollarse, entrando en competencia con el ser humano, más lento en el desarrollo y que por tanto, terminaría por reemplazarlo. Por otro lado, los defensores de la IA sostienen que no se trata de un enfrentamiento entre ambas capacidades, sino que se debe enfocar como una relación en última instancia de simbiosis en la que las capacidades de ambas partes se ven reforzadas creando un círculo virtuoso en el que se retroalimentan y potencian sus virtudes.
La realidad es que aunque la IA ha alcanzado un gran nivel de desarrollo, son muchas las capacidades que quedan por ser explotadas y muchos los caminos por los que puede discurrir la relación entre el ser humano y la Inteligencia Artificial.
Guidance
- La IA tiene múltiples aplicaciones a la gestión empresarial, siendo una de las más extendidas la medición de los flujos de tráfico a los comercios de manera que es posible optimizar el personal disponible y gestionar las colas y el stock de producto a cada momento. Mejorando así la eficiencia y los costes de operación.
- En el campo de la agricultura, la aplicación de IA mejorará los rendimientos de las cosechas, siendo capaces de optimizar la producción de cada cosecha a través de un análisis que sea capaz de predecir variables como las condiciones climáticas, la calidad del suelo o las necesidades particulares de cada cultivo en cada momento específico.
- La IA también ofrece posibilidades como alternativa para el cuidado de personas mayores, ofreciéndoles compañía y siendo capaz de mantener conversaciones. Además de monitorizar el estado de salud de la persona y predecir posibles complicaciones médicas.