El aprendizaje profundo, que implica alimentar con una muestra de datos una gran y poderosa red neuronal, ha tenido mucho éxito en los últimos años y ha permitido a las máquinas reconocer objetos en imágenes o transcribir un discurso casi a la perfección (ver La revolución del aprendizaje profundo en la inteligencia artificial ha sucedido demasiado rápido). Sin embargo, requiere muchos datos y potencia informática y puede ser sorprendentemente frágil.
nAunque parezca una contradicción, esta inseguridad de los sistemas en sí mismos proporciona una solución. Este nuevo enfoque podría ser útil en situaciones críticas que involucran a coches y otras máquinas autónomos.
n“Queremos un sistema que nos proporcione una medida de lo seguro que está,” afirma Dustin Tran, que trabaja en esta investigación en Google. “Si un coche autónomo no conoce su nivel de incerteza, puede cometer un error fatal que llevaría a una catástrofe.”
nEl trabajo refleja el entendimiento de que la incertidumbre es un aspecto clave del razonamiento y la inteligencia humana. Añadirlo a programas de IA podría hacerlos más inteligentes y menos propensos a equivocarse, según Zoubin Ghahramani, un destacado investigador de inteligencia artificial, catedrático en la Universidad de Cambridge (Reino Unido) y científico jefe en Uber.
nEsto podría ser de vital importancia, ya que se están utilizando sistemas de inteligencia artificial en contextos cada vez más críticos. “Queremos tener una red sólida para el aprendizaje profundo, pero a la vez facilitar a la gente la representación de la incertidumbre,” me comentó Ghahramani recientemente mientras tomábamos un té una mañana durante una importante conferencia sobre inteligencia artificial en Long Beach, California (EE. UU.). Durante esta misma conferencia, un grupo de investigadores se reunieron una tarde en un bar cercano para hablar de Pyro, un nuevo lenguaje de programación lanzado por Uber que fusiona el aprendizaje profundo con la programación de probabilidad.
nLa quedada en Long Beach fue organizada por Noah Goodman, catedrático de la Universidad de Stanford (EE. UU.) que también está afiliado al laboratorio de inteligencia artificial de Uber. Con su pelo rizado despeinado y su camisa abierta, podrían fácilmente confundirle con un profesor de yoga en vez de un experto en inteligencia artificial. Entre los que participaron en la reunión estaba Tran, que también ha contribuido al desarrollo de Pyro.
nGoodman explica que dar la capacidad de manejar la probabilidad al aprendizaje profundo podría hacerlo más inteligente en muchos sentidos. Por ejemplo, ayudaría a un programa a reconocer cosas con un grado razonable de certeza utilizando solamente unos pocos ejemplos en vez de cientos. Ofrecer una medida de certeza en vez de una respuesta de "sí o no" también debería ayudar a organizar sistemas complejos.
nMientras que un sistema de aprendizaje profundo convencional solamente aprende de la información que se le proporciona, Pyro también puede usarse para desarrollar un sistema preprogramado con conocimientos. Esto podría ser útil en cualquier contexto en el que ya se utilice el aprendizaje automático. “En los casos en los que tenemos conocimientos previos que queremos incorporar al modelo, la programación con probabilidades es muy útil,” afirma Goodman. “La gente usará Pyro para todo tipo de cosas.”
nEdward es otro lenguaje de programación que integra la incertidumbre y fue desarrollado en la Universidad de Columbia con fondos de DARPA. Tanto Pyro como Edward se encuentran en un estado temprano de desarrollo, pero no es difícil darse cuenta de por qué les interesan a Uber y a Google.
nUber utiliza el aprendizaje automático en numerosas áreas, desde conformar la ruta para los conductores hasta establecer aumentos de precio y, por supuesto, en sus coches autónomos. La empresa ha invertido muchísimo en inteligencia artificial y ha contratado a numerosos expertos para que trabajen en nuevas ideas. Google, por su parte, ha reorganizado su negocio al completo alrededor de la inteligencia artificial y el aprendizaje profundo.
nDavid Blei, profesor de estadística y ciencias de la informática en la Universidad de Columbia (EE. UU.) y consultor de Tran, afirma que combinar el aprendizaje profundo y la programación probabilística es una idea prometedora sobre la que hay que seguir trabajando. “En principio, es muy poderosa,” señala, “pero hay muchísimos retos técnicos.”
nAun así, como señala Goodman, Pyro y Edward también son significativos porque han unido a dos escuelas de inteligencia artificial competidoras, una centrada en redes neuronales y la otra en probabilidad. En los últimos años, la escuela neuronal había sido tan dominante que otras perspectivas han quedado atrás. Para seguir adelante, el sector de la inteligencia artificial debería adoptar estas otras ideas.
n“Lo interesante aquí es que no tenemos por qué ver estos campos por separado,” apunta Goodman, a lo que añade que “pueden unirse; de hecho, lo están haciendo en las herramientas que estamos construyendo ahora". Se podría decir que se están volviendo más inteligentes, en parte, aprendiendo lo que no saben.
n