Recientemente, una empresa ha desarrollado una tecnología que permite que una máquina aprenda de forma eficaz a partir de una pequeña cantidad de ejemplos y perfeccione su conocimiento a medida que haya más ejemplos disponibles. Se puede aplicar en cualquier lugar, como enseñar a un teléfono inteligente a reconocer las preferencias del usuario o ayudar a los sistemas de motores autónomos a identificar rápidamente los obstáculos.
El viejo adagio "la repetición es la madre del aprendizaje" se aplica perfectamente a las máquinas. Muchos sistemas modernos de inteligencia artificial que trabajan en dispositivos se basan en la repetición en el proceso de aprendizaje. Los algoritmos de aprendizaje profundo permiten que los dispositivos de inteligencia artificial extraigan conocimiento de conjuntos de datos y luego apliquen lo que han aprendido a situaciones específicas. Por ejemplo, si alimenta a un sistema de inteligencia artificial que el cielo suele ser azul, más tarde reconocerá el cielo entre las imágenes.
Se puede realizar un trabajo complejo con este método, pero ciertamente deja mucho que desear. Pero, ¿podría obtener los mismos resultados si ejecuta el sistema de aprendizaje profundo de IA con menos ejemplos? La startup Gamalon, con sede en Boston, ha desarrollado una nueva tecnología para tratar de responder a esta pregunta, y esta semana dio a conocer dos productos que adoptan un nuevo enfoque.
Gamalon utiliza técnicas de programación bayesiana, síntesis de software. Se basa en las matemáticas del siglo XVIII desarrolladas por el matemático Thomas Bayes. La probabilidad bayesiana se usa para hacer predicciones refinadas sobre el mundo usando la experiencia. Esta forma de programación probabilística, donde el código usa valores probables en lugar de específicos, requiere menos ejemplos para inferir, por ejemplo, que el cielo es azul con parches de nubes blancas. El programa también refina su conocimiento a medida que estudia más los ejemplos, y su código se puede reescribir para corregir las probabilidades.
norte
Programación probabilística
Si bien este nuevo enfoque de la programación aún tiene desafíos por resolver, tiene un potencial significativo para automatizar el desarrollo de algoritmos de aprendizaje automático. “La programación probabilística facilitará el aprendizaje automático para investigadores y profesionales”, explica Brendan Lake, investigador de la Universidad de Nueva York que trabajó en técnicas de programación probabilística en 2015. "Tiene la capacidad de encargarse de las partes complejas de la programación por su cuenta".
El CEO y cofundador Ben Vigoda mostró a MIT Technology Review una aplicación de dibujo de demostración que utiliza su nuevo método. Es similar a lo que Google lanzó el año pasado en el sentido de que predice lo que una persona está tratando de dibujar. Escribimos sobre ello con más detalle. Pero a diferencia de la versión de Google, que se basa en bocetos ya vistos, Gamalon se basa en la programación probabilística para tratar de identificar las características clave de un objeto. Por lo tanto, incluso si dibuja una forma que sea diferente de las de la base de datos de la aplicación, siempre que pueda identificar características específicas, por ejemplo, un cuadrado con un triángulo en la parte superior (casa), hará predicciones correctas.
Video promocional:
Los dos productos presentados por Gamalon muestran que sus métodos pueden encontrar aplicaciones comerciales en un futuro próximo. El producto de Gamalon Structure utiliza la síntesis de software bayesiano para reconocer conceptos de texto plano y ya está superando a otros programas en términos de eficiencia. Por ejemplo, después de recibir una descripción de un televisor de un fabricante, puede determinar su marca, nombre de producto, resolución de pantalla, tamaño y otras características. Otra aplicación, Gamalon Match, distribuye productos y precios en el inventario de la tienda. En ambos casos, el sistema aprende rápidamente a reconocer variaciones en acrónimos o abreviaturas.
Vigoda apunta que existen otros usos posibles. Por ejemplo, si los teléfonos inteligentes o computadoras portátiles están equipados con aprendizaje automático bayesiano, no tendrán que compartir datos personales con grandes empresas para determinar los intereses de los usuarios; Los cálculos se pueden realizar de manera eficiente dentro del dispositivo. Los coches autónomos también pueden aprender a adaptarse a su entorno mucho más rápido utilizando este método de aprendizaje.
Si le enseña a la inteligencia artificial a aprender por sí sola, no tiene por qué estar atada.
ILYA KHEL
