Últimamente hemos escuchado más y más sobre inteligencia artificial. Se utiliza en casi todas partes: desde alta tecnología y cálculos matemáticos complejos hasta medicina, la industria automotriz e incluso teléfonos inteligentes. Las tecnologías que subyacen al trabajo de la IA en la visión moderna, las usamos todos los días y, a veces, ni siquiera pensamos en ello. Pero, ¿qué es la inteligencia artificial? Como trabaja ¿Y es peligroso?
Que es la inteligencia artificial
Primero, definamos la terminología. Si imagina la inteligencia artificial como algo capaz de pensar de forma independiente, tomar decisiones y, en general, mostrar signos de conciencia, entonces nos apresuramos a decepcionarlo. Casi todos los sistemas existentes en la actualidad ni siquiera se acercan a esta definición de IA. Y aquellos sistemas que muestran signos de tal actividad, de hecho, aún operan dentro del marco de algoritmos predeterminados.
norte
A veces, estos algoritmos son muy, muy avanzados, pero siguen siendo el "marco" dentro del cual funciona la IA. Las máquinas no tienen "libertades" y más aún signos de conciencia. Son simplemente programas muy poderosos. Pero son "los mejores en lo que hacen". Además, los sistemas de IA continúan mejorando. Y no son triviales en absoluto. Incluso dejando de lado el hecho de que la IA moderna está lejos de ser perfecta, tiene mucho en común con nosotros.
Cómo funciona la inteligencia artificial
En primer lugar, la IA puede realizar sus tareas (sobre las cuales un poco más adelante) y adquirir nuevas habilidades gracias al aprendizaje automático profundo. También escuchamos y usamos este término a menudo. Pero, ¿qué significa? A diferencia de los métodos "clásicos", cuando toda la información necesaria se carga en el sistema de antemano, los algoritmos de aprendizaje automático obligan al sistema a desarrollarse de forma independiente, estudiando la información disponible. Que, además, el coche en algunos casos también puede buscar por sí mismo.
Video promocional:
Por ejemplo, para crear un programa para detectar fraudes, un algoritmo de aprendizaje automático trabaja con una lista de transacciones bancarias y su resultado final (legal o ilegal). Un modelo de aprendizaje automático analiza ejemplos y desarrolla una relación estadística entre transacciones legítimas y fraudulentas. Después de eso, cuando le proporciona al algoritmo los detalles de una nueva transacción bancaria, la clasifica según los patrones que extrajo de los ejemplos de antemano.
Normalmente, cuantos más datos proporciones, más preciso será el algoritmo de aprendizaje automático al realizar sus tareas. El aprendizaje automático es especialmente útil para resolver problemas donde las reglas no están predefinidas y no se pueden interpretar en binario. Volviendo a nuestro ejemplo con las operaciones bancarias: de hecho, en la salida tenemos un sistema de numeración binario: 0 - operación legal, 1 - ilegal. Pero para llegar a tal conclusión, el sistema necesita analizar una gran cantidad de parámetros y si los ingresa manualmente, tomará más de un año. Y predecir todas las opciones de todos modos no funcionará. Y un sistema basado en el aprendizaje profundo de máquinas podrá reconocer algo, incluso si nunca antes se había encontrado exactamente con un caso así.
Aprendizaje profundo y redes neuronales
Si bien los algoritmos clásicos de aprendizaje automático resuelven muchos problemas en los que hay mucha información en forma de bases de datos, no manejan bien, por así decirlo, datos “visuales y auditivos” como imágenes, videos, archivos de sonido, etc.
Si bien los algoritmos clásicos de aprendizaje automático resuelven muchos problemas en los que hay mucha información en forma de bases de datos, no manejan bien, por así decirlo, datos “visuales y auditivos” como imágenes, videos, archivos de sonido, etc.
Por ejemplo, la construcción de un modelo predictivo para el cáncer de mama utilizando enfoques clásicos de aprendizaje automático requerirá docenas de expertos médicos, programadores y matemáticos, dice el investigador de inteligencia artificial Jeremy Howard. Los científicos tendrían que crear muchos algoritmos más pequeños para que el aprendizaje automático haga frente al flujo de información. Un subsistema separado para estudiar radiografías, uno separado para resonancia magnética, otro para interpretar análisis de sangre, etc. Para cada tipo de análisis, necesitaríamos su propio sistema. Luego, todos se combinarían en un gran sistema … Este es un proceso muy difícil y que requiere muchos recursos.
Los algoritmos de aprendizaje profundo resuelven el mismo problema utilizando redes neuronales profundas, un tipo de arquitectura de software inspirada en el cerebro humano (aunque las redes neuronales son diferentes de las neuronas biológicas, funcionan de manera muy similar). Las redes neuronales informáticas son conexiones de "neuronas electrónicas" que son capaces de procesar y clasificar información. Están organizados como si estuvieran en "capas" y cada "capa" es responsable de algo propio, formando finalmente una imagen general. Por ejemplo, cuando entrena una red neuronal con imágenes de varios objetos, encuentra formas de extraer objetos de estas imágenes. Cada capa de la red neuronal detecta ciertas características: la forma de los objetos, los colores, la apariencia de los objetos, etc.
Las capas superficiales de las redes neuronales muestran características comunes. Las capas más profundas ya están revelando los objetos reales. La figura muestra un diagrama de una red neuronal simple. Las neuronas de entrada (información entrante) se muestran en verde, azul y mdash; neuronas ocultas (análisis de datos), amarillo y mdash; neurona de salida (solución).
norte
¿Son las redes neuronales un cerebro humano artificial?
A pesar de la estructura similar de la máquina y las redes neuronales humanas, no poseen las características de nuestro sistema nervioso central. Las redes neuronales informáticas son esencialmente todos los mismos programas auxiliares. Da la casualidad de que nuestro cerebro es el sistema informático más organizado. ¿Probablemente ha escuchado la expresión "nuestro cerebro es una computadora"? Los científicos simplemente "replicaron" algunos aspectos de su estructura digitalmente. Esto permitió solo acelerar los cálculos, pero no dotar a las máquinas de conciencia.
Las redes neuronales existen desde la década de 1950 (al menos en forma de conceptos). Pero hasta hace poco, no recibieron mucho desarrollo, porque su creación requirió grandes cantidades de datos y potencia de cálculo. En los últimos años, todo esto ha estado disponible, por lo que las redes neuronales han pasado a primer plano, habiendo recibido su desarrollo. Es importante comprender que no había suficiente tecnología para su apariencia completa. Cómo no son suficientes ahora para llevar la tecnología a un nuevo nivel.
¿Para qué se utilizan el aprendizaje profundo y las redes neuronales?
Hay varias áreas en las que estas dos tecnologías han contribuido a lograr un progreso notable. Además, usamos algunos de ellos todos los días de nuestra vida y ni siquiera pensamos en lo que hay detrás de ellos.
- La visión por computadora es la capacidad del software para comprender el contenido de imágenes y videos. Esta es un área en la que el aprendizaje profundo ha progresado mucho. Por ejemplo, los algoritmos de procesamiento de imágenes de aprendizaje profundo pueden detectar varios tipos de cáncer, enfermedades pulmonares, enfermedades cardíacas, etc. Y hacerlo de forma más rápida y eficaz que los médicos. Pero el aprendizaje profundo también está arraigado en muchas de las aplicaciones que usa todos los días. Apple Face ID y Google Photos utilizan el aprendizaje profundo para el reconocimiento facial y la mejora de imágenes. Facebook utiliza el aprendizaje profundo para etiquetar automáticamente a las personas en las fotos cargadas, etc. La visión por computadora también ayuda a las empresas a identificar y bloquear automáticamente contenido cuestionable como violencia y desnudez. Y finalmenteEl aprendizaje profundo juega un papel muy importante en la fabricación de automóviles autónomos para que puedan comprender su entorno.
- Reconocimiento de voz y habla. Cuando le dices un comando a tu Asistente de Google, los algoritmos de aprendizaje profundo traducen tu voz en comandos de texto. Varias aplicaciones en línea utilizan el aprendizaje profundo para transcribir archivos de audio y video. Incluso cuando haces shazam en una canción, entran en juego las redes neuronales y los algoritmos de aprendizaje automático profundo.
- Búsqueda en Internet: incluso si está buscando algo en un motor de búsqueda, para que su solicitud se procese con mayor claridad y los resultados de la búsqueda sean lo más precisos posible, las empresas han comenzado a conectar algoritmos de redes neuronales a sus motores de búsqueda. Por lo tanto, el rendimiento del motor de búsqueda de Google se ha incrementado varias veces después de que el sistema cambió al aprendizaje automático profundo y las redes neuronales.
Los límites del aprendizaje profundo y las redes neuronales
A pesar de todas sus ventajas, el aprendizaje profundo y las redes neuronales también tienen algunas desventajas.
- Dependencia de los datos: en general, los algoritmos de aprendizaje profundo requieren grandes cantidades de datos de entrenamiento para realizar sus tareas con precisión. Desafortunadamente, para resolver muchos problemas, no hay suficientes datos de entrenamiento de alta calidad para crear modelos de trabajo.
- Impredecibilidad: las redes neuronales evolucionan de alguna manera extraña. A veces todo sale según lo planeado. Y a veces (incluso si la red neuronal hace un buen trabajo), incluso los creadores luchan por comprender cómo funcionan los algoritmos. La falta de previsibilidad hace que sea extremadamente difícil eliminar y corregir errores en los algoritmos de las redes neuronales.
- Sesgo algorítmico: los algoritmos de aprendizaje profundo son tan buenos como los datos en los que están entrenados. El problema es que los datos de entrenamiento a menudo contienen errores o defectos ocultos u obvios, y los algoritmos los heredan. Por ejemplo, un algoritmo de reconocimiento facial entrenado principalmente en fotografías de personas blancas funcionará con menos precisión en personas con un color de piel diferente.
- Falta de generalización: los algoritmos de aprendizaje profundo son buenos para realizar tareas específicas, pero generalizan mal sus conocimientos. A diferencia de los humanos, un modelo de aprendizaje profundo entrenado para jugar StarCraft no podría jugar a otro juego similar: digamos, WarCraft. Además, el aprendizaje profundo hace un mal trabajo al manejar datos que se desvían de sus ejemplos de entrenamiento.
El futuro del aprendizaje profundo, las redes neuronales y la IA
Está claro que el trabajo sobre el aprendizaje profundo y las redes neuronales está lejos de estar completo. Se están realizando varios esfuerzos para mejorar los algoritmos de aprendizaje profundo. El Deep Learning es una técnica de vanguardia en inteligencia artificial. Se ha vuelto cada vez más popular en los últimos años debido a la abundancia de datos y al aumento de la potencia de procesamiento. Esta es la tecnología central detrás de muchas de las aplicaciones que usamos todos los días.
Pero, ¿nacerá alguna vez la conciencia sobre la base de esta tecnología? ¿Vida artificial real? Algunos de los científicos creen que en el momento en que el número de conexiones entre los componentes de las redes neuronales artificiales se acerque al mismo indicador que existe en el cerebro humano entre nuestras neuronas, puede suceder algo similar. Sin embargo, esta afirmación es muy cuestionable. Para que surja la IA real, debemos repensar la forma en que construimos los sistemas de IA. Todo lo que es ahora son solo programas aplicados para una gama estrictamente limitada de tareas. Por mucho que nos gustaría creer que el futuro ya ha llegado …
¿Qué piensas? ¿Los humanos crearán IA?
