La próxima frontera de la inteligencia artificial: sistemas que dudan de sí mismos
La combinación del 'deep learning' y modelos probabilísticos permite diseñar algoritmos capaces de lidiar con la incertidumbre
Avanzamos sin darnos cuenta hacia una sociedad en la que las máquinas
tomarán decisiones cada vez más complicadas. De su presencia en tareas
altamente automatizables hasta su introducción en las llamadas compañías
data driven —gobernadas por datos informatizados—, el potencial de los algoritmos para sustituir el control humano es tan enorme que asusta.
Al margen de los miedos que despierta la posibilidad de que sistemas de inteligencia artificial nos quiten el trabajo
—y si permitimos sus virtudes en la medida en que nos simplifiquen la
vida—, es vital que, al menos, respondan correctamente y de forma
eficiente si les vamos a dejar tomar cierto tipo de decisiones. Porque
las máquinas también son susceptibles de equivocarse.
Quienes diseñan sus algoritmos parten de suposiciones basadas en sus propios datos sobre cómo deberían hacerlos funcionar, y estas suposiciones no son siempre acertadas. “Como hemos aprendido de los grandes bancos durante el colapso financiero, los modelos matemáticos basados en suposiciones equivocadas pueden ser peligrosos cuando depositamos demasiada confianza en sus predicciones sin considerar lo que podría ir mal”, afirma Jennifer Wortman, investigadora senior en Microsoft especializada en aprendizaje automático y economía algorítmica.
Pero, ¿qué pasaría si estos sistemas fueran conscientes de
ello? ¿Si supieran que pueden haber cometido un error y fueran capaces
de enmendarlo? Una de las ramas más interesantes que se están
desarrollando actualmente en aprendizaje automático está destinada a
este propósito: que las máquinas puedan lidiar con la incertidumbre.
Compañías como Uber o Google ya trabajan en modificar los marcos
tradicionales de aprendizaje profundo —más conocido por su denominación
inglesa, deep learning— para construir programas de
inteligencia artificial que midan su confianza en una decisión para
saber cuándo deberían dudar de sí mismos y sean menos propensos a
fallar.
Quienes diseñan sus algoritmos parten de suposiciones basadas en sus propios datos sobre cómo deberían hacerlos funcionar, y estas suposiciones no son siempre acertadas. “Como hemos aprendido de los grandes bancos durante el colapso financiero, los modelos matemáticos basados en suposiciones equivocadas pueden ser peligrosos cuando depositamos demasiada confianza en sus predicciones sin considerar lo que podría ir mal”, afirma Jennifer Wortman, investigadora senior en Microsoft especializada en aprendizaje automático y economía algorítmica.
- Afrontando el problema
“Si un automóvil que se conduce solo no sabe que es capaz de
equivocarse, puede cometer un error fatal, y eso puede ser
catastrófico”, afirmaba durante un congreso en California Dustin Tran,
que trabaja en el desarrollo de este tipo de sistemas en Google.
Normalmente, el vehículo reconoce objetos en las imágenes que captura
por sus cámaras y estima la distancia a la que se encuentran. Con esta
nueva aproximación, calcularía la probabilidad de que sus estimaciones
fueran correctas y la de cada una de las posibles consecuencias de sus
decisiones, y lo tendría en cuenta antes de actuar.
En este sentido, la aplicación de dichas mecánicas también es relevante en ámbitos como la salud, donde los algoritmos podrían determinar la posibilidad de acierto en el diagnóstico de un paciente y sus potenciales respuestas al aplicarle un determinado tratamiento.
Para alcanzar este ideal, que se enmarca como la próxima frontera de la inteligencia artificial —máquinas capaces de realizar labores complejas teniendo en cuenta parámetros de incertidumbre a la hora de establecer sus predicciones— es necesaria la combinación de modelos de aprendizaje profundo con sistemas probabilísticos
En este sentido, la aplicación de dichas mecánicas también es relevante en ámbitos como la salud, donde los algoritmos podrían determinar la posibilidad de acierto en el diagnóstico de un paciente y sus potenciales respuestas al aplicarle un determinado tratamiento.
Para alcanzar este ideal, que se enmarca como la próxima frontera de la inteligencia artificial —máquinas capaces de realizar labores complejas teniendo en cuenta parámetros de incertidumbre a la hora de establecer sus predicciones— es necesaria la combinación de modelos de aprendizaje profundo con sistemas probabilísticos
- La unión hace la fuerza
Pero estos sistemas no encajan tan fácilmente y su combinación presenta varios retos técnicos en el medio plazo. La complejidad que añade el aprendizaje automático cuando se aplica a modelos probabilísticos dificulta que el cálculo sobre la incertidumbre de los parámetros fijados sea preciso. “Esto representa un problema en aplicaciones en tiempo real donde sea necesaria una respuesta en un período limitado de tiempo”, expone Rodríguez. “Por ejemplo, un vehículo autónomo necesitaría responder a determinados estímulos en cuestión de una fracción de segundo”.
El camino a recorrer se antoja largo y empinado. El tiempo determinará si este enfoque permitirá disfrutar de las ventajas de ambos modelos y desarrollar sistemas cuyas dudas les ayuden a ser más eficientes.
https://retina.elpais.com/retina/2018/03/19/innovacion/1521472278_250632.html
No hay comentarios:
Publicar un comentario