Uno de los desafíos clave para los investigadores en el campo de la Inteligencia Artificial es si una computadora podría pasar alguna vez por un ser vivo. Las máquinas del futuro podrían pasar del Aprendizaje Automático a uno permanente o natural similar al de los humanos y otros animales. De esta forma se superaría definitivamente el Test de Turing y la futura Inteligencia Artificial lograría que los robots aprendan como los seres vivos.
Ha habido grandes avances en la IA desde que Alan Turing creó por primera vez lo que ahora se llama la Prueba de Turing que mide si una máquina podría exhibir un comportamiento inteligente equivalente o indistinguible del de un humano. Sin embargo, las máquinas aún luchan con una de las habilidades fundamentales que es una segunda naturaleza para los humanos y otras formas de vida: el aprendizaje permanente.
El Aprendizaje Permanente propio de los humanos es aprender y adaptarse mientras estamos haciendo una tarea sin olvidar tareas anteriores, o transferir intuitivamente el conocimiento obtenido de una tarea a otra área.
Ahora, con el apoyo del programa DARPA Lifelong Learning Machines (L2M), los investigadores de USC Viterbi han colaborado con colegas de instituciones de todo EE. UU. y el mundo en un nuevo recurso para el futuro del aprendizaje de AI, definiendo cómo los sistemas artificiales pueden pensar con éxito, actuar y adaptarse en el mundo real, de la misma manera que lo hacen los seres vivos.
El artículo, escrito en coautoría por la profesora de ingeniería eléctrica e informática de Dean, Alice Parker, y el profesor de ingeniería biomédica, y de biokinesiología y fisioterapia, Francisco Valero-Cuevas y sus equipos de investigación, se publicó en Nature Machine Intelligence, en colaboración con la profesora Dhireesha Kudithipudi en la Universidad de Texas en San Antonio, junto con otras 22 universidades.
El equipo de investigación también incluyó al investigador postdoctoral en ValeroLab, Ali Marjaninejad, Ph.D. en Ingeniería Biomédica. candidato Darío Urbina, e Ingeniería Eléctrica Ph.D. candidato Suraj Chakravarthi Raja. El trabajo anterior de ValeroLab en el campo de la IA bioinspirada incluía una extremidad robótica controlada por IA impulsada por tendones similares a animales que pueden aprender a caminar sin conocimiento previo.
Objetivo: lograr el aprendizaje permanente de los robots
El profesor Valero-Cuevas dijo que el objetivo de esta publicación era proporcionar un recurso de referencia para los investigadores de IA en las próximas décadas, centrándose en el concepto de aprendizaje permanente en sistemas artificiales. El proyecto delineará el desarrollo de un nuevo tipo de inteligencia artificial que será fundamental para la tecnología de próxima generación, como automóviles autónomos, robots y drones autónomos y prótesis inteligentes, exoesqueletos y dispositivos portátiles.
El aprendizaje permanente es una colección de capacidades de inspiración biológica que damos por sentado, como la capacidad de adquirir nuevas habilidades sin comprometer las anteriores, adaptarse a los cambios y aplicar el conocimiento aprendido previamente a nuevas tareas.
“La forma en que usted y yo aprendemos es a través de la experiencia, la imitación y la autoexploración y el hecho de que aprenda una nueva tarea no significa que olvide las tareas anteriores”, dijo Valero-Cuevas. “Los humanos aprenden en el trabajo. Nos presentamos y comenzamos a aprender y luego sabemos cómo hacerlo. Las máquinas no… todavía.
Valero-Cuevas dijo que las máquinas se pueden programar a través de un algoritmo. Por ejemplo, un automóvil autónomo puede usar algoritmos que se alimentan de datos de otros vehículos para que pueda aprender a operar, antes de desplegarse en el mundo. “Pero hay una diferencia muy clara entre el entrenamiento y el despliegue. Cuando se implementa una máquina, no necesariamente está aprendiendo, y si quieres enseñarle algo nuevo, normalmente tienes que borrar la memoria y olvida cómo hacer lo anterior”, dijo Valero-Cuevas.
Un problema conocido como «olvido catastrófico», que es una de las deficiencias clave de los sistemas de IA actuales que destaca el nuevo plan
El profesor Valero Cuevas explica que “como ser humano, podrías mostrarme cómo jugar al ping pong, y luego puedo usar esa habilidad y transferirla para aprender a jugar al tenis o al bádminton. Por el momento, a una máquina solo se le podría enseñar a jugar un deporte de raqueta, como el ping pong. Si quieres, por ejemplo, jugar tenis que requiera que uses tu cuerpo de manera diferente, tienes que cambiar el programa”.
Además de superar el factor del olvido catastrófico, el plan de los investigadores describió una serie de otras competencias que son necesarias para que los sistemas artificiales logren el aprendizaje permanente de la misma manera que los seres vivos. Éstos incluyen:
- Transferencia y adaptación: la capacidad de transferir y reutilizar el conocimiento y adaptarse a nuevos entornos.
- Explotación de la similitud de tareas: la capacidad de aprender múltiples tareas y transferir ese conocimiento entre ellas.
- Aprendizaje agnóstico de tareas: comprender cuándo durante el entrenamiento cambiar de una tarea a otra sin que se lo indiquen.
- Tolerancia al ruido: ser capaz de completar la misma tarea en un escenario del mundo real cuando las condiciones son diferentes a las del período de entrenamiento (como operar durante la noche en lugar de hacerlo durante el día).
- Eficiencia y sostenibilidad de los recursos: garantizar que el aprendizaje permanente no afecte negativamente la capacidad de almacenamiento y reduzca su tiempo de respuesta.
Un experto en el campo de los circuitos de inspiración biológica
Parker tiene una larga historia de investigación en la observación del cerebro humano para comprender cómo funciona y cómo se puede aplicar este conocimiento a los sistemas artificiales. Para este último artículo, Parker contribuyó con la comprensión en el área de la neuromodulación: el sistema en el cerebro de los seres vivos que ayuda a mejorar el aprendizaje, a superar el problema del olvido catastrófico, a adaptarse a entornos inciertos y a comprender los cambios en el contexto. Parker se enfoca en construir estructuras electrónicas que respalden circuitos neuromórficos (electrónica que modela el cerebro) agregando características biológicas que no se encuentran en el hardware de redes neuronales existente, pero que respaldan el aprendizaje permanente. Las características incluyen astrocitos, otras células cerebrales que interactúan con las neuronas para apoyar el aprendizaje, y el código neuronal, picos y ráfagas que transmiten información en forma codificada. Valero-Cuevas dijo que la colaboración pretendía ser un recurso integral para futuras investigaciones en aprendizaje automático e IA.
“La biología es la inspiración. El mejor ejemplo de aprendizaje permanente es un sistema biológico”, dijo Valero-Cuevas. “Lo que estamos haciendo es observar todas las cosas que pueden hacer los sistemas biológicos, de las que tenemos una envidia suprema, y preguntarnos qué se necesitaría para que las máquinas lo hicieran”.
“Creemos que al menos algunos mecanismos de la biología, las lecciones aprendidas durante millones de años de evolución, podrían ser traducidos y adoptados por la IA”, dijo.
Fuente: USC Viterbi School of Engineering
Otros artículos sobre Aprendizaje Automático e Inteligencia Artificial que te pueden interesar:
- Aprendizaje Automático para no expertos
- Neuronas Artificiales para Inteligencia Artificial Cuántica
- Big Data en nanociencia con aprendizaje automático
- Interfaz cerebro-máquina para convertir pensamientos en acciones
- Hardware para Inteligencia Artificial
- Algoritmos diseñados por computadoras se adaptan mejor que los diseñados por humanos
- La computación afectiva mejora la medición de emociones con AI
- La confianza en la Inteligencia Artificial depende del uso
- Inteligencia Artificial: casos de uso en las empresas
- Evaluar la confianza en sistemas de inteligencia artificial
