Cómo El Aprendizaje Automático Me Ayudó A Comprender Algunos Aspectos Del Desarrollo De La Primera Infancia - Vista Alternativa

Tabla de contenido:

Cómo El Aprendizaje Automático Me Ayudó A Comprender Algunos Aspectos Del Desarrollo De La Primera Infancia - Vista Alternativa
Cómo El Aprendizaje Automático Me Ayudó A Comprender Algunos Aspectos Del Desarrollo De La Primera Infancia - Vista Alternativa

Vídeo: Cómo El Aprendizaje Automático Me Ayudó A Comprender Algunos Aspectos Del Desarrollo De La Primera Infancia - Vista Alternativa

Vídeo: Cómo El Aprendizaje Automático Me Ayudó A Comprender Algunos Aspectos Del Desarrollo De La Primera Infancia - Vista Alternativa
Vídeo: Desarrollo del pensamiento matemático en la primera infancia. 2024, Noviembre
Anonim

Cuando mi primer hijo tenía solo dos años, ya amaba los autos, conocía todas las marcas y modelos (incluso más que yo, gracias a mis amigos), podía reconocerlos por una pequeña parte de la imagen. Todos decían: genio. Aunque notaron la total inutilidad de este conocimiento. Y el hijo, mientras tanto, dormía con ellos, los enrollaba, los colocaba exactamente en una fila o en un cuadrado.

Cuando tenía 4, aprendió a contar, y a los 5 ya podía multiplicar y sumar hasta 1000. Incluso jugamos Math Workout (este juego está en Android; me gustaba calcular en el metro después del trabajo), y en algún momento se convirtió en yo. solo hazlo. Y en su tiempo libre, contó hasta un millón, lo que congeló a quienes lo rodeaban. ¡Genio! - dijeron, pero sospechábamos que no del todo.

Por cierto, en el mercado ayudó bastante bien a su madre: calculó la cantidad total más rápido que los vendedores en la calculadora.

Al mismo tiempo, nunca jugó en la cancha, no se comunicaba con sus compañeros, no se llevaba muy bien con los niños y los maestros en el jardín de infantes. En general, era un niño un poco reservado.

norte

El siguiente paso fue la geografía: tratamos de canalizar el amor por los números en alguna parte y le dimos a nuestro hijo un viejo atlas soviético. Se sumergió en él durante un mes, y luego comenzó a hacernos preguntas engañosas al estilo:

- Papá, ¿qué país crees que tiene un área grande: Pakistán o Mozambique?

“Probablemente Mozambique”, respondí.

- ¡Pero no! El área de Pakistán es tanto como 2.350 km2 más, respondió feliz el hijo.

Video promocional:

Image
Image

Al mismo tiempo, no estaba interesado en absoluto ni en los pueblos que habitaban estos países, ni en sus idiomas, ni en la ropa, ni en la música popular. Solo números desnudos: área, población, volumen de reservas minerales, etc.

Todos admiraron de nuevo. "Inteligente más allá de sus años", decían, pero de nuevo me preocupé, porque Comprendí que este es un conocimiento completamente inútil, que no está ligado a la experiencia de la vida y que es difícil de seguir desarrollando. La mejor aplicación de todo lo que encontré fue una propuesta para calcular cuántos autos cabrían en un estacionamiento si un país en particular estuviera enrollado con asfalto (sin tener en cuenta el terreno montañoso), pero me detuve rápidamente, porque huele a genocidio.

Curiosamente, en este momento el tema de los autos había desaparecido por completo, el hijo ni siquiera recordaba los nombres de sus autos favoritos de su enorme colección, que comenzamos a distribuir con pérdida de interés. Y luego comenzó a contar más lentamente en su mente y pronto se olvidó de las plazas de los países. Al mismo tiempo, comenzó a comunicarse más con sus compañeros, se volvió más contacto. El genio pasó, los amigos dejaron de admirar, el hijo se convirtió en un buen estudiante con afición por las matemáticas y las ciencias exactas.

La repetición es la madre del aprendizaje

Parecería para qué sirve todo esto. Esto se ve en muchos niños. Sus padres declaran a todos que sus hijos son genios, las abuelas admiran y elogian a los niños por su "conocimiento". Y luego se convierten en niños ordinarios, simplemente inteligentes, no más genios que el hijo de la amiga de mi madre.

Mientras estudiaba las redes neuronales, encontré un fenómeno similar, y me parece que se pueden sacar ciertas conclusiones de esta analogía. No soy biólogo ni neurocientífico. Además, mis conjeturas sin pretender ser particularmente científicas. Me encantaría recibir comentarios de profesionales.

Cuando traté de entender cómo mi hijo aprendió a contar más rápido que yo tan genial (completó un nivel en Ejercicios de Matemáticas en 20,4 segundos, mientras que mi récord era 21,9), me di cuenta de que no cuenta en absoluto. Memorizó que cuando aparece 55 + 17, debe hacer clic en 72. En 45 + 38, debe hacer clic en 83, y así sucesivamente. Al principio, por supuesto, contó, pero el salto de velocidad se produjo en el momento en que pudo recordar todas las combinaciones. Y rápidamente comenzó a memorizar no inscripciones específicas, sino combinaciones de símbolos. Esto es exactamente lo que enseñan en la escuela, estudiando la tabla de multiplicar; recuerde la tabla de correspondencias MxN -> P.

Resultó que percibía la mayor parte de la información precisamente como una conexión entre los datos de entrada y los datos de salida, y ese algoritmo muy general al que estamos acostumbrados a desplazarnos para obtener una respuesta no se redujo simplemente a un algoritmo muy bien definido y altamente especializado para contar números de dos dígitos. Hizo algunas tareas excelentes, pero mucho más lentas. Aquellos. lo que todo el mundo pensaba que era genial fue en realidad simulado por una red neuronal bien entrenada para una tarea específica.

Conocimiento extra

¿Por qué algunos niños tienen la capacidad de memorizar de esta manera, mientras que otros no?

Imagine el campo de interés del niño (aquí abordamos la pregunta de manera cualitativa, sin ninguna medida). A la izquierda está el campo de intereses de un niño común, ya la derecha está el campo de intereses de un niño "superdotado". Como era de esperar, el principal interés se concentra en áreas para las que se especializan las aptitudes. Pero para las cosas cotidianas y la comunicación con los compañeros, el enfoque ya no es suficiente. Considera superfluo este conocimiento.

Los intereses de un niño común de 5 años
Los intereses de un niño común de 5 años

Los intereses de un niño común de 5 años.

Los intereses de un niño "brillante" de 5 años
Los intereses de un niño "brillante" de 5 años

Los intereses de un niño "brillante" de 5 años.

norte

En tales niños, el cerebro analiza y realiza entrenamiento solo en temas seleccionados. Mediante el entrenamiento, la red neuronal del cerebro debe aprender a clasificar con éxito los datos entrantes. Pero el cerebro tiene muchas, muchas neuronas a su disposición. Mucho más de lo necesario para el trabajo normal con tareas tan sencillas. Por lo general, los niños resuelven muchos problemas diferentes en la vida, pero aquí los mismos recursos se destinan a una gama más reducida de tareas. Y entrenar en este modo conduce fácilmente a lo que los profesionales de ML llaman sobreajuste. La red, utilizando una gran cantidad de coeficientes (neuronas), se ha entrenado de tal manera que siempre da exactamente las respuestas necesarias (pero puede dar una completa tontería en los datos de entrada intermedios, pero nadie lo ve). Por lo tanto, el entrenamiento condujo no al hecho de que el cerebro seleccionó las características principales y las recordó, sino al hecho de que ajustó muchos coeficientes,para dar un resultado preciso sobre datos ya conocidos (como en la imagen de la derecha). Además, el cerebro ha aprendido poco a poco sobre otros temas, habiendo sido mal entrenado (como en la imagen de la izquierda).

Image
Image

¿Qué es sobreajuste y sobreajuste?

Para los que no están en el tema, les contaré muy brevemente. Al entrenar una red neuronal, la tarea consiste en seleccionar un cierto número de parámetros (pesos de la conexión entre neuronas) para que la red responda a los datos de entrenamiento (muestra de entrenamiento) de la manera más cercana y precisa posible.

Si hay muy pocos parámetros de este tipo, la red no podrá tener en cuenta los detalles de la muestra, lo que dará lugar a una respuesta muy aproximada y promedio que no funciona bien incluso en la muestra de entrenamiento. Similar a la imagen de arriba a la izquierda. Está desajustado.

Con un número adecuado de parámetros, la red dará un buen resultado, "tragando" fuertes desviaciones en los datos de entrenamiento. Esta red responderá bien no solo a la muestra de entrenamiento, sino también a otros valores intermedios. Como la imagen del medio de arriba.

Pero si la red recibe demasiados parámetros configurables, entonces se entrenará para reproducir incluso las desviaciones y fluctuaciones fuertes (incluidas las causadas por errores), lo que puede conducir a una completa tontería cuando se trata de obtener una respuesta a los datos de entrada que no provienen de la muestra de entrenamiento. Algo como la imagen de arriba a la derecha. Está sobreajustado.

Un simple ejemplo ilustrativo.

Image
Image

Digamos que tiene varios puntos (círculos azules). Necesita dibujar una curva suave para predecir la posición de otros puntos. Si tomamos, por ejemplo, un polinomio, entonces en grados pequeños (hasta 3 o 4), nuestra curva suave será bastante precisa (curva azul). En este caso, es posible que la curva azul no pase por los puntos originales (puntos azules).

Sin embargo, si aumenta el número de coeficientes (y, por lo tanto, el grado del polinomio), la precisión de pasar los puntos azules aumentará (o incluso habrá un 100% de acierto), pero el comportamiento entre estos puntos se volverá impredecible (vea cómo fluctúa la curva roja).

Me parece que es la tendencia del niño hacia un tema específico (obsesión) y el completo desconocimiento del resto de temas lo que lleva a que al enseñar se le den demasiados "coeficientes" a estos mismos temas.

Teniendo en cuenta que la red está configurada para datos de entrada específicos y no destacó las "características", pero "recordó" estúpidamente los datos de entrada, no se puede utilizar con datos de entrada ligeramente diferentes. La aplicabilidad de tal red es muy limitada. Con la edad, los horizontes se amplían, el enfoque se vuelve borroso y ya no hay oportunidad de asignar la misma cantidad de neuronas a la misma tarea, comienzan a usarse en nuevas tareas más necesarias para el niño. La "configuración" de esa red sobreajustada colapsa, el niño se vuelve "normal", el genio desaparece.

Por supuesto, si un niño tiene una habilidad que es útil en sí misma y se puede desarrollar (por ejemplo, música o deportes), entonces su “genio” puede mantenerse durante mucho tiempo e incluso llevar estas habilidades a un nivel profesional. Pero en la mayoría de los casos esto no funciona, y no habrá rastro de habilidades antiguas entre los 8 y 10 años.

conclusiones

  • tienes un hijo genio? pasara;)
  • perspectiva y "genio" son cosas relacionadas, y están conectadas precisamente a través del mecanismo de aprendizaje
  • este aparente "genio" probablemente no sea genio en absoluto, sino el efecto de un entrenamiento demasiado fuerte del cerebro en una tarea específica sin comprenderla; solo todos los recursos se dedicaron a esta tarea
  • al corregir los estrechos intereses del niño, su genio desaparece
  • Si su hijo es un "genio" y un poco más reservado que sus compañeros, entonces necesita desarrollar estas mismas habilidades con más cuidado, desarrollando activamente sus horizontes en paralelo, y no concentrarse en estas habilidades "geniales", pero generalmente inútiles.

Autor: Sergey Poltorak

Recomendado: