Este artículo se publica en colaboración con Futurity.
Los científicos han desarrollado un algoritmo que captura nuestras capacidades de aprendizaje, lo que permite a las computadoras reconocer y dibujar conceptos visuales simples que son, en su mayoría, indistinguibles de los creados por humanos.
El trabajo, que aparece en la revista Science, acorta drásticamente el tiempo que tardan las computadoras en “aprender” nuevos conceptos y amplía su aplicación a tareas más creativas.
“Nuestros resultados muestran que, al hacer ingeniería inversa de cómo piensan las personas sobre un problema, podemos desarrollar mejores algoritmos”, explica Brenden Lake, becario Moore-Sloan de Ciencia de Datos en la Universidad de Nueva York y autor principal del artículo. “Además, este trabajo apunta a métodos prometedores para reducir la brecha en otras tareas de aprendizaje automático.”
Cuando los humanos se enfrentan a un concepto nuevo —como un electrodoméstico de cocina nuevo, un paso de baile nuevo o una letra nueva de un alfabeto desconocido—, a menudo solo necesitan unos pocos ejemplos para comprender su composición y reconocer nuevas instancias. Aunque las máquinas ya pueden replicar algunas tareas de reconocimiento de patrones que antes solo realizaban los humanos —por ejemplo, los cajeros automáticos que leen los números escritos en un cheque—, por lo general necesitan que se les proporcionen cientos o miles de ejemplos para alcanzar una precisión similar.
“Ha sido muy difícil construir máquinas que requieran tan pocos datos como los humanos para aprender un concepto nuevo”, señala el coautor Ruslan Salakhutdinov, profesor adjunto de informática en la Universidad de Toronto. “Replicar estas capacidades es un área de investigación apasionante que conecta el aprendizaje automático, la estadística, la visión artificial y la ciencia cognitiva.”
Ejemplos de la letra ‘A’
Salakhutdinov contribuyó a impulsar el reciente interés por el aprendizaje con “redes neuronales profundas” en un artículo publicado en Science hace casi 10 años, junto con su director de tesis doctoral, Geoffrey Hinton. Su algoritmo aprendió la estructura de 10 conceptos de caracteres manuscritos —los dígitos del 0 al 9— a partir de 6.000 ejemplos de cada uno, es decir, un total de 60.000 ejemplos de entrenamiento.
En el nuevo trabajo, los investigadores buscaron acortar el proceso de aprendizaje y acercarlo más a la forma en que los humanos adquieren y aplican nuevos conocimientos, es decir, aprender a partir de un pequeño número de ejemplos y realizar una variedad de tareas, como generar nuevos ejemplos de un concepto o generar conceptos completamente nuevos.
[LAS COMPUTADORAS APRENDEN A CAER EN LAS ILUSIONES ÓPTICAS]
Para ello, desarrollaron un marco de “Aprendizaje Bayesiano de Programas” (BPL, por sus siglas en inglés), en el que los conceptos se representan como programas informáticos sencillos. Por ejemplo, la letra ‘A’ se representa mediante código informático —similar al trabajo de un programador— que genera ejemplos de esa letra cuando se ejecuta. Sin embargo, durante el proceso de aprendizaje no se necesita ningún programador: el algoritmo se programa a sí mismo al construir el código que produce la letra que ve.
Además, a diferencia de los programas informáticos estándar, que producen el mismo resultado cada vez que se ejecutan, estos programas probabilísticos producen resultados diferentes en cada ejecución. Esto les permite captar la forma en que varían las instancias de un concepto, como las diferencias entre la forma en que dos personas dibujan la letra ‘A’.
Aprender a aprender
Mientras que los algoritmos estándar de reconocimiento de patrones representan los conceptos como configuraciones de píxeles o colecciones de características, el enfoque BPL aprende “modelos generativos” de procesos del mundo, convirtiendo el aprendizaje en una cuestión de “construcción de modelos” o de “explicación” de los datos proporcionados al algoritmo.
[LOS ROBOTS PUEDEN APRENDER JUGANDO, COMO LOS BEBÉS]
En el caso de la escritura y el reconocimiento de letras, BPL está diseñado para captar tanto las propiedades causales como las composicionales de los procesos del mundo real, lo que permite al algoritmo utilizar los datos de forma más eficiente. El modelo también “aprende a aprender” al utilizar el conocimiento de conceptos previos para acelerar el aprendizaje de nuevos conceptos, por ejemplo, usando el conocimiento del alfabeto latino para aprender las letras del alfabeto griego.
Los autores aplicaron su modelo a más de 1.600 tipos de caracteres manuscritos de 50 sistemas de escritura del mundo, entre ellos el sánscrito, el tibetano, el guyaratí, el glagolítico, e incluso caracteres inventados, como los de la serie de televisión Futurama.
Pruebas de Turing
Además de probar la capacidad del algoritmo para reconocer nuevas instancias de un concepto, los autores pidieron tanto a humanos como a computadoras que reprodujeran una serie de caracteres manuscritos tras ver un único ejemplo de cada carácter o, en algunos casos, que crearan nuevos caracteres al estilo de los que se les habían mostrado. Los científicos compararon después los resultados de humanos y máquinas mediante “pruebas visuales de Turing”. En ellas, a los jueces humanos se les presentaron pares de ejemplos de la producción humana y de la máquina, junto con la indicación original, y se les pidió que identificaran cuáles de los símbolos habían sido producidos por la computadora.
[EL ALGORITMO PUEDE IDENTIFICAR LO QUE HAY EN TUS FOTOS]
Aunque las respuestas correctas de los jueces variaron según el carácter, en cada prueba visual de Turing, menos del 25 por ciento de los jueces obtuvo un resultado significativamente mejor que el azar al evaluar si un conjunto de símbolos había sido producido por una máquina o por un humano.
“Antes de llegar al jardín de infancia, los niños aprenden a reconocer conceptos nuevos a partir de un solo ejemplo, e incluso pueden imaginar nuevos ejemplos que nunca han visto”, señala el coautor Joshua Tenenbaum, profesor del MIT en el departamento de ciencias cerebrales y cognitivas y en el Centro de Cerebros, Mentes y Máquinas.
“Desde mi propio trabajo de doctorado, a finales de los noventa, he querido construir modelos de estas notables capacidades. Todavía estamos lejos de construir máquinas tan inteligentes como un niño, pero esta es la primera vez que tenemos una máquina capaz de aprender y utilizar una gran clase de conceptos del mundo real —incluso conceptos visuales simples como los caracteres manuscritos— de maneras que resultan difíciles de distinguir de las de los humanos.”
El trabajo contó con el apoyo de subvenciones de la National Science Foundation al Centro de Cerebros, Mentes y Máquinas del MIT, de la Army Research Office, de la Office of Naval Research y del Moore-Sloan Data Science Environment de la Universidad de Nueva York.
La publicación no implica el respaldo de los puntos de vista del Foro Económico Mundial.
Para estar al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: James Devitt es director adjunto de Relaciones con los Medios en la Universidad de Nueva York y colaborador de Futurity.
Imagen: Un hombre escribe en el teclado de una computadora en Varsovia. REUTERS/Kacper Pempel.
