Creando una inteligencia artificial que continúa auto-aprendiendo

¿Qué pasaría si dejaras de estudiar justo después de la escuela?

Parece que no tiene sentido esta pregunta, pero así es como se modelan la mayoría de los sistemas de aprendizaje automático. Tan pronto como tal sistema aprende la tarea, está en condiciones de funcionar. Pero algunos programadores hoy en día desarrollan un sistema de inteligencia artificial que está continuamente aprendiendo y adaptándose, casi como el cerebro humano.

Los algoritmos de los sistemas de aprendizaje de las máquinas suelen adoptar la forma de una red neuronal, un gran conjunto de elementos de programas simples, o neuronas que se comunican entre sí, que varían en fuerza, o en otras palabras, por «carga» (peso). Consideremos un sistema diseñado para el reconocimiento de imágenes. Si macera incorrectamente una imagen durante el entrenamiento, el «peso» se corregirá. Cuando el número de errores desciende por debajo de un determinado umbral, la «carga» se ajusta para hacer una pausa en el valor de ajuste.

Los nuevos medios de implementación de la inteligencia artificial descomponen cada «carga» en dos valores, que se combinan para procesar la información hasta que una neurona pueda activar otra. El primer valor se aprende y se adapta (se entrena) como ocurre en los sistemas tradicionales.

Pero el segundo valor se adapta continuamente a la respuesta de la actividad de la red circundante. Crucialmente, el algoritmo también aprende a adaptarse para crear estas «cargas». De esta manera, la red neuronal aprende a modificar cada componente de este comportamiento en respuesta a nuevas circunstancias.

Los investigadores presentaron su tecnología en julio en una conferencia en Estocolmo, Suecia.

Usando su tecnología, el equipo creó una red de computadoras que aprendió a reconstruir fotos semi-ensambladas después de ver imágenes completas y voluminosas sólo unas pocas veces.

Por el contrario, una red neuronal tradicional tendría que ver las imágenes muchas veces antes de poder restaurar el original.

Los investigadores también han creado una red que ha sido capacitada para identificar las letras manuscritas del alfabeto -que suelen ser heterogéneas, a diferencia de las letras impresas- después de que se haya presentado un solo ejemplo al sistema para su reconocimiento.

En otra tarea, las redes neuronales controlaban a un personaje que se movía por un simple laberinto en busca de una recompensa.

Después de un millón de muestras, una red con nuevas «cargas» autoadaptables fue capaz de encontrar tres veces seguidas cada premio, cada vez en un intento, como podría hacer una red con sólo «cargas» fijas. Las partes estáticas de los componentes de las cargas autoadaptables parecen haber identificado la estructura del laberinto, mientras que las partes dinámicas han aprendido a reconocer los nuevos lugares en los que el premio estaba oculto.

«Esto es realmente poderoso», dice Nikhil Mishra, un programador de la Universidad de Berkeley, California, que no participó en la investigación, «porque los algoritmos pueden adaptarse más rápido a nuevas tareas y situaciones, al igual que las personas.

Thomas Mikoni, programador de Uber, una empresa privada de transporte y envío, y autor principal de un artículo de investigación, dice que su equipo ahora planea abordar tareas más complejas como el control automatizado y el reconocimiento de voz. En su labor conexa, Mikoni desea imitar la «neuromodulación», una aplicación inmediata de adaptabilidad en toda la red que permite a las personas absorber información cuando sucede algo nuevo o importante.