El Deep Learning o Aprendizaje Profundo, concepto fundamental de la Inteligencia Artificial, nos mostró el año pasado de lo que es capaz. Vimos muchas noticias relacionadas con esta tecnología, pero lo mejor está por llegar. Muy posiblemente, éste va a ser el año del Deep Learning.

¿Qué podemos esperar?

1. Meta-aprendizaje

Aprender a aprender. Al dar capacidades de meta-aprendizaje, puede ser posible que las máquinas mejoren continuamente sobre sí mismas, ya que podrán entender el concepto de aprendizaje. Hasta ahora, el aprendizaje profundo se queda en el entorno para el que se ha diseñado. Tenemos que crear la capacidad de que las máquinas entiendan qué es aprender, para poder expandir sus fronteras más allá de lo inicial.

Parece que el concepto del meta-aprendizaje va a ser una de las claves del año. El problema es que estamos entrando en el farragoso mundo de comprender qué es el lenguaje, qué es razonar, qué es aprender… lo cual puede que tampoco lo tengamos muy claro los humanos. Y es que como ya os comentamos en otro artículo, nuestros desarrollos en inteligencia artificial nos van a ayudar a entendernos mejor a nosotros mismos.

2. Modelos generativos aplicados a otros sectores

Los modelos generativos se van a aplicar en muchísimos nuevos campos. Actualmente, la mayoría de las investigaciones se realizan en el campo de generación de imágenes y voz. Sin embargo, veremos cómo estos métodos se incorporan en herramientas que buscan modelizar sistemas complejos. Una de las áreas donde se verá más actividad es en la aplicación del aprendizaje profundo a modelos económicos.

3. Grandes avances en auto-aprendizaje en juegos

Los juegos son un escenario perfecto para desarrollar la inteligencia. Tienen reglas concretas, suponen competitividad para encontrar una estrategia ganadora y los objetivos son claros, por lo que podemos medir la eficacia de las acciones.

La capacidad de AlphaGo Zero y AlfaZero para “aprender de cero” ha supuesto un salto brutal en Inteligencia Artificial. Algunos opinan que está al mismo nivel de impacto que el descubrimiento del propio aprendizaje profundo. La capacidad para auto-aprender a jugar es el primer paso en el camino de desarrollar verdadera IA.

Es curioso, por cierto, que el equipo de DeepMind no tenga una palabra para esto, pero otro grupo de investigación lo llama “ExIt“.

Como apuesta personal y que ya os avanzamos anteriormente, este año probablemente veamos a la IA ganando a los humanos en el juego Starcraft, pero también, no nos podemos olvidar, seguro que veremos la aplicación de esta capacidad en otros recursos muy dispares, más allá de los videojuegos.

4. Máquinas intuitivas resolviendo el reto de la semántica

Digamos que hay dos tipos de caminos en IA: máquinas racionales y máquinas intuitivas. Eran dos ramas de investigación diferentes, y desde luego se ha avanzado mucho más en la primera. Ahora esperamos que los caminos de ambas se encuentren.

La noción de la intuición artificial dejará de ser un concepto marginal y será una idea más comúnmente aceptada en 2018. Entenderemos que la inteligencia no es sólo razonar, si es que no nos habíamos dado cuenta aún, y experimentaremos en profundidad con Procesos Duales mucho más complejos.

Crédito: Google

5. La imposible “explicabilidad”

Las redes neuronales, así como todos los cada vez más complejos modelos que las rodean, tienen un pequeño problema: son como una caja negra. Esto quiere decir que cuando la máquina da una solución a un problema, es muy complicado conocer cuáles son sus “razonamientos” para llegar a dicha solución. En parte porque no los hay; pero sin ir a tecnicismos ni a cuestiones filosóficas, el problema es que no podemos saber de la máquina su explicación para llegar a una respuesta. Puede parecer que no importa, pero claro, cuando uno quiere aplicar IA a sus negocios, necesita controlar muy bien por qué se están tomando unas decisiones y no otras. Muchas investigaciones actuales buscan desarrollar métodos que permitan a las máquinas explicar sus “razonamientos”, mostrar algún tipo de “informe” del proceso, pero en esencia son trucos o engaños.

Muy probablemente, tengamos que vivir con esta incertidumbre, al menos por muchos años. Las máquinas resolverán problemas cada vez más complejos pero, en esencia, tendremos que vivir con la situación de no saber cómo. El año 2018 dará para muchas conversaciones en este tema.

6. Incremento de estudios científicos en Deep Learning

El año pasado, sólo en la conferencia de Deep Learning ICLR, se presentaron unos 4000 papers. Se va a dar una paradoja en 2018 y es que para poder revisar todos los artículos científicos sobre Deep Learning, vamos a necesitar aplicar Deep Learning. No hay manera humana de revisar tanta información en tan poco tiempo. Si queremos mantener el ritmo de investigación que demandan los científicos, necesitamos a las máquinas para que nos ayuden.

Además, muchos de los papers son complejos, con matemática muy avanzada detrás. Revisar y calificar estos estudios es muy difícil y requiere conocimientos matemáticos que no todos los investigadores tienen.

Los estudios científicos en Deep Learning puede que se multipliquen por 3 o por 4 en el año 2018. ¿Podrá el Deep Learning entender y estudiar las investigaciones en Deep Learning?

7. Nuevos entornos de aprendizaje profundo

El camino hacia un desarrollo más previsible y controlado de los sistemas de aprendizaje profundo pasa por el desarrollo de nuevos entornos de aprendizaje.

Los sistemas biológicos aprenden de la interacción con el medio ambiente; no pueden aprender de forma aislada. Hemos estado desarrollando algoritmos de auto-aprendizaje, como antes comentábamos, pero necesitamos entornos ricos de experiencias, donde las máquinas puedan aprender de verdad por interacción.

El procedimiento de entrenamiento de aprendizaje profundo actual es uno de los métodos de enseñanza más brutos que uno pueda imaginar. Se basa en la presentación repetitiva y aleatoria de hechos sobre el mundo, con la esperanza de que el estudiante (es decir, la red neuronal) sea capaz de desenredar y crear suficientes abstracciones de ello. Ni los peores profesores nos han enseñado así.

En 2018 veremos nuevos entornos de desarrollo e infraestructuras enfocadas al Deep Learning, donde las máquinas puedan experimentar e interaccionar con un entorno particular.

8. Cognición conversacional

Volvamos al objetivo de los desarrollos de alto nivel en inteligencia artificial: buscamos una Inteligencia Artificial General. Este es un asunto que hemos tratamos muchas veces en Puentes Digitales.

Para más inri, lo que nosotros entendemos por inteligencia es básicamente la inteligencia humana, por lo que intentamos que las máquinas sean inteligentes, o mejor dicho, humanamente inteligentes.

Sabemos que el lenguaje y la interacción conversacional es uno de nuestros pilares de la inteligencia. De hecho, una discusión antropológica histórica es si el lenguaje provocó nuestro aumento cognitivo o si nuestro aumento cognitivo derivó en lenguaje.

Dondequiera que se encuentren los procesos y fenómenos socio-cognitivos del desarrollo, el lugar para su descubrimiento es el contexto conversacional. Debemos dar a las máquinas la capacidad de aprender por medio de la conversación. Hasta ahora el Deep Learning aplicado a Chatbot se queda reducido, no hay un aprendizaje cognitivo detrás y estamos perdiendo una oportunidad de oro. La cantidad de información que pueden recopilar las máquinas por medio de la conversación es enorme, sobretodo porque es una información muy rica. Nuestros propios razonamientos, nuestra inteligencia, se plasma en palabras. Cuando hablamos a Siri, Google o Alexa, podemos estar ayudándoles a aprender.

Muchos desarrollos del 2018 en Inteligencia Artificial van a consistir en aplicar meta-aprendizaje e inteligencia intuitiva, por medio de la cognición conversacional.

Podéis encontrar la fuente en la que se basa este artículo a continuación:

Medium

 

 

Ver en Medium.com