Viernes , diciembre 14 2018

Suscribete gratis a nuestro boletin semanal

VISIONA . DESARROLLADORES . CONECTADOS .

Suscribete nuestro boletin semanal

PATROCINADORES
.
Home / Software Embebido / Computadoras comienzan a aprender cosas que los ingenieros no les han enseñado

Computadoras comienzan a aprender cosas que los ingenieros no les han enseñado

Google planea posicionar su nueva plataforma de desarrollo DeepMind para hacer que cualquier sistema robótico aprenda a resolver situaciones a través de la repetitividad y la experiencia.

ElectronicosOnline.com Magazine / Oswaldo Barajas

Un nuevo concepto de Inteligencia Artificial (IA) ha hecho que las computadoras comiencen a recrear conductas cognoscitivas de autoaprendizaje que les ayuda a aprender cosas que legítimamente sus desarrolladores no les programaron.

     

Se trata del concepto Deep Learning, definido como “un conjunto de algoritmos de clase aprendizaje automático que intenta modelar abstracciones de alto nivel en datos usando arquitecturas compuestas de transformaciones no-lineales múltiples. En pocas palabras, Deep Learning es una tecnología más robusta y compleja que la propia Inteligencia Artificial básica y dota de recursos altamente sorprendentes a los sistemas de cómputo para brindar plasticidad a su procesamiento con el fin de utilizar su historial de trabajo para formar una base de conocimiento de la cual se ayuda para aprender.

Por ejemplo, una imagen puede ser representada en muchas formas como un vector de píxeles, pero algunas representaciones hacen más fácil aprender tareas de interés la cara de un humano, y la investigación en esta área intenta definir qué representaciones son mejores y cómo crear modelos para reconocer estas representaciones de datos.

Uno de los grandes jugadores en este segmento es la compañía Google, que ha presentado una ambiciosa plataforma denominada DeepMind la cual se rige bajo un esquema denominado “reforzamiento de aprendizaje” para que las computadoras que integren el sistema sean capaces de realizar diversas tareas complejas que incluso con la IA moderna no puede ser posible.

Para demostrar el potencial de Deep Mind, los ingenieros de Google desarrollaron una computadora llamada AlphaGo que utiliza este entorno computacional para incrementar su potencial para resolver problemas.

AlphaGo es el primer programa de computadora que derrota a un jugador humano profesional de Go.
     

“AlphaGo es el primer programa de computadora que derrota a un jugador humano profesional de Go (el primer programa que derrota a un campeón mundial de Go) y posiblemente el jugador de Go más fuerte en la historia”, menciona el portal de Google.

El primer partido formal de AlphaGo fue contra el actual 3 veces campeón de Europa, Fan Hui, en octubre de 2015 derrotándolo por 5-0 y los resultados fueron publicados con todos los detalles técnicos en la revista internacional Nature. AlphaGo luego pasó a competir contra el legendario jugador Lee Sedol, ganador de 18 títulos mundiales considerado como el mejor jugador de la última década, contra quien tuvo también una excelente participación.

- PUBLICIDAD -

La idea de Google es que una vez completado el ciclo de pruebas del AlphaGo, la plataforma DeepMind pueda ser desplegada de forma comercial, con la cual espera ofrecerla como una herramienta que “inyectará un nivel superior de inteligencia” a las computadoras.

Además, este entorno también está dirigido a mejorar los niveles de precisión de los vehículos autónomos y a la robótica en general, puesto que contendrá librerías para otorgar mayor precisión a los robots, por ejemplo, para sujetar objetos “de una forma que no se ha visto antes”, con la novedad de que la información será gestionada a través de los grandes centros de datos de Google como parte de sus servicios integrales de DeepMind.

Edward Thorndike.
     

Cabe mencionar, que el aprendizaje reforzado trabaja emulando uno de los principios más básicos de la naturaleza, la necesidad de aprender bajo escenarios donde el sistema es estresado para poder superar barreras siguiendo un esquema de prioridades. Este comportamiento intrínseco de los seres vivos e inherente a los humanos fue documentado hace poco más de 100 años por el psicólogo e investigador Edward Thorndike, mejor conocido por llevar a cabo un experimento de escape con gatos a los cuales colocó dentro de jaulas donde los animalitos tenían que encontrar la manera de escapar a partir del reconocimiento continuo del entorno.

El objetivo de Thorndike era demostrar la relación entre los estímulos y las respuestas, refiriéndose a que cuando una conducta tiene consecuencias positivas se refuerza, es decir, conforme vuelve a aparecer este patrón de conducta positiva, la confianza del individuo aumenta; pero si una conducta es negativa se debilita, disminuyendo también las posibilidades de que vuelva a aparecer. Este fenómeno fue bautizado por Thorndike como la “Ley del Efecto”.

Ley del Efecto.
     

En su experimento, el investigador observó que los gatitos metidos en las jaulas hacían esfuerzos para escapar hasta que de forma accidental golpeaban la palanquita que mantenía cerrada la puerta, y de esta forma salían o bien entraban para llegar hasta la comida.

Cuando esta acción se repetía varias veces, los felinos comenzaban a desarrollar habilidades superiores a las de un gatito normal, y gracias a estos ciclos de ensayo y error fueron capaces de aprender a salir o acceder sin mayores problemas.

Con la plataforma DeepMind, Google espera conferir a los sistemas robóticos incluyendo vehículos autónomos de capacidades no antes vistas para aprender de su entorno y evitar percances.
     

Además, el científico determinó que a medida que estos actos eran constantes se disminuía el tiempo en cada ensayo, esto es, que los gatitos comenzaban a aprender formas para salir de la jaula o acceder según el caso, incidiendo de esta forma en la latencia de respuesta, un eje medular de la Ley del Efecto.

Este esquema los ingenieros de Google desean llevar a todos los sistemas robóticos para que apliquen el mismo modus operandi derivado de la Ley del Efecto, claramente moldeado con algoritmia de cómputo y métodos de Deep Learning, con lo cual asumen permitirá por ejemplo, que los vehículos autónomos aprendan más rápido a reconocer sus entornos y descubrir poco a poco las salidas o reacciones preventivas o reactivas ante cualquier imprevisto, entre otras cosas.

- PUBLICIDAD -

Revisa también ...

Ingenieros visualizan calles sin semáforos y viajes más cortos

Emprendedores egresados de la Universidad Carnegie Mellon constituyeron una startup que liberará tecnologías para gestionar …

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *