Utilizamos cookies propias y de terceros para mejorar nuestros servicios y facilitarte el uso de la web mediante el análisis de tus preferencias de navegación. También compartimos la información sobre el tráfico por nuestra web a los medios sociales y de publicidad con los que colaboramos. Si continúas navegando, consideramos que aceptas nuestra Política de cookies .

1 de Noviembre de 2018
Inteligencia artificial

Aprendizaje sin fin

Un nuevo diseño consigue que las máquinas inteligentes no cesen de adaptarse.

THOMAS FUCHS

¿Se imagina que tras acabar sus estudios ya no hubiera aprendido usted nada más? Suena absurdo, pero así es como se entrenan la mayoría de sistemas de aprendizaje automático: consiguen dominar una tarea y cesan de mejorar. Ahora, varios científicos han comenzado a desarrollar máquinas inteligentes que aprenden y se adaptan sin cesar, al igual que el cerebro humano.

Los sistemas de aprendizaje automático suelen estar basados en redes neuronales: un gran conjunto de elementos básicos, o «neuronas», que se comunican entre sí por medio de conexiones de diferentes intensidades, o «pesos». Pensemos en una diseñada para reconocer imágenes. Si se equivoca al clasificarlas durante el entrenamiento, los pesos se ajustarán hasta que los errores queden por debajo de cierto umbral. En ese momento, quedarán fijados.

La nueva técnica divide cada peso en dos valores. El primero se entrena y se fija como en los sistemas tradicionales, pero el segundo se ajusta continuamente en respuesta a la actividad de la red. La clave reside en que el sistema también aprende cuán ajustables deben hacerse estos pesos. De esta manera, la red neuronal aprende pautas de comportamiento y también cuánto debe modificar cada parte de dicho comportamiento en respuesta a nuevas circunstancias. Los investigadores presentaron su técnica el pasado mes de julio en una conferencia en Estocolmo.

El equipo creó una red que aprendió a reconstruir fotografías medio borradas después de ver las imágenes completas tan solo unas pocas veces. Una red neuronal tradicional habría necesitado ver muchas más imágenes. Los investigadores también crearon una red que aprendió a identificar letras manuscritas tras ver un solo ejemplo.

En otra tarea, la red debía controlar a un personaje que tenía que encontrar objetos en un laberinto. Tras un millón de pruebas, la nueva red con pesos semiajustables aprendió a hallar los objetos tres veces más a menudo que una red tradicional. Aparentemente, las partes estáticas de los pesos infirieron la estructura del laberinto, mientras que las dinámicas aprendieron a adaptarse a nuevas ubicaciones de los objetos. «Es realmente potente», asegura Nikhil Mishra, investigador de la Universidad de California en Berkeley que no participó en la investigación. «Estos algoritmos pueden adaptarse con mayor rapidez a nuevas tareas y situaciones, exactamente como haríamos los seres humanos.»

Thomas Miconi, científico computacional de Uber y autor principal del estudio, señala que ahora su equipo planea abordar tareas más complejas, como el control de robots y el reconocimiento de voz. En un trabajo relacionado, Miconi quiere simular la «neuromodulación», un ajuste instantáneo de la adaptabilidad de toda la red que, en su análogo humano, nos permite absorber información cuando ocurre algo nuevo o importante.

Artículos relacionados

Puedes obtener el artículo en...

Los boletines de Investigación y Ciencia

Elige qué contenidos quieres recibir.