La percepción humana no tiene nada que ver con la percepción de la inteligencia artificial

Los datos de Psychlab de Google sugieren que en el caso de la percepción humana existe una diferencia entre la atención paralela y la atención en serie. En cambio, los agentes artificiales sólo parecen tener mecanismos paralelos. Identificar esta diferencia entre los humanos y los agentes artificiales actuales nos muestra un camino hacia la mejora de los futuros diseños de inteligencia artificial.

¿Cómo vemos los humanos y cómo ven las máquinas?

A diferencia de las redes de Aprendizaje Profundo (Deep Learning) que realmente capturan imágenes en su totalidad, los cerebros biológicos utilizan atajos para construir patrones que utilizan para la percibir el entorno. Mira las siguientes imágenes:

1_Yc8Vx0rAO8awH8C_VweKsQ
https://twitter.com/victoria1skye
1_e3l7g3ikmuVD9cHxAsPa5A
https://fineartamerica.com/featured/cafe-wall-illusion-spl-and-photo-researchers.html
1_OcKpx3AURFvdlnpSJO1W-g.png
http://www.psy.ritsumei.ac.jp/~akitaoka/Yjunctione.html

Seguro que en todas ellas has visto patrones visuales que no existen. Nuestro cerebro trata de ir más allá de lo que nuestros ojos ven. Para la IA, ninguna de las imágenes superiores supone ilusión alguna.

Las redes de Aprendizaje Profundo son entrenadas específicamente ignorando ciertos “invariantes”. Los cerebros biológicos, en cambio, parecen funcionar de manera diferente. Estamos programados para hacer uso de patrones que se traducen en semántica. Las redes de Deep Learning no están capacitadas para identificar los medios que conducen a la identificación de patrones, que a su vez conducen a la interpretación semántica.

Si queremos lograr para las máquinas el mismo tipo de percepción visual que tenemos los humanos, debemos entrenar a las redes neuronales para que aprendan algunas habilidades básicas de reconocimiento de imágenes humanas como la oclusión, la perspectiva y las sombras.

Psychlab: Ampliando la percepción de las máquinas

El Pyschlab de Deepmind (de Google) es un entorno para explorar la diferencia entre el aprendizaje profundo y el reconocimiento visual humano. Psychlab contiene muchos experimentos que humanos y máquinas pueden realizar. Examinando la diferencia en el rendimiento de ambos, podemos aprender las diferencias cognitivas entre los sistemas biológicos y artificiales.

Al hacer esto en general se observa que los seres humanos empleamos una mezcla de procesamiento paralelo y secuencial. Las máquinas sólo utilizan el procesamiento paralelo.

En los humanos, los datos de Psychlab han sugerido que existe una diferencia entre la atención paralela y la atención en serie. En cambio los agentes artificiales sólo parecen tener mecanismos paralelos. Identificar esta diferencia entre los humanos y los agentes artificiales actuales nos muestra un camino hacia la mejora de los futuros diseños de inteligencia artificial.

Dopamina y otros trucos para seguir aprendiendo

Otro artículo de DeepMind publicado en BioArxiv “Prefrontal cortex as a meta-reinforcement learning system” (La corteza prefrontal como sistema de aprendizaje de meta-refuerzo) propone que el cerebro utiliza dos sistemas de aprendizaje de refuerzo diferentes.

Postula el artículo que el Aprendizaje Reforzado en cerebros biológicos está impulsado por la liberación de dopamina (recompensa). La propuesta de DeepMind es que hay dos sistemas de Aprendizaje Reforzado: uno basado en el modelo estándar de dopamina y otro en la corteza prefrontal. El aprendizaje de la corteza prefrontal estaría influenciado por el primer sistema. El modelo estándar de dopamina aprende los antecedentes humanos (experiencia) y emplea esto para guiar el aprendizaje más dinámico de la corteza prefrontal.

Así que cada vez que vemos algo, sólo podemos verlo según antecedentes humanos comprometidos; en otras palabras, según nuestra propia experiencia.

Geoffrey Hinton puede estar en el camino correcto con su teoría de Red de Cápsulas. En las Redes de Cápsulas, hay dos etapas importantes. En una primera etapa se reconocen partes de objetos. En una segunda etapa se vota sobre qué composición de objetos reconocidos es la más probable que se perciba. Este proceso de dos etapas, una de reconocimiento de objetos y otra de inferencia, parece estar ganando terreno en la comunidad investigadora:

1_x4b4E6O2YRm3q2j4FM95bw.png

Para mejorar la inteligencia artificial, debemos entendernos a nosotros mismos primero

La investigación en Aprendizaje Profundo está ahora invadiendo los campos de la neurociencia y la psicología. Estamos empezando a entender nuestra propia inteligencia al comparar nuestras simulaciones artificiales con nosotros mismos. Y es que ya os lo dijimos hace un tiempo:

El secreto de la verdadera Inteligencia Artificial está en nuestro cerebro

En resumen, la tendencia en investigación de IA es comenzar a profundizar en la naturaleza de la percepción humana e identificar en qué se diferencia de la percepción del Aprendizaje Profundo o Percepción Artificial. Desde la perspectiva de un investigador de Aprendizaje Profundo, no basta con entender las matemáticas y la tecnología, sino que hay que estar familiarizado con las características de la percepción humana básica y en algunos casos con biología compleja.

Fuente: Medium

articulo_oficial

 

 

 

Un comentario en “La percepción humana no tiene nada que ver con la percepción de la inteligencia artificial

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

w

Conectando a %s