4 razones para no temer el aprendizaje profundo (todavía) | ben dickson

En 2012, un grupo de científicos de la Universidad de Toronto realizó un avance en la clasificación de imágenes.

En ImageNet, una competencia anual de inteligencia artificial (IA) en la que los concursantes compiten para crear el algoritmo de clasificación de imágenes más preciso, el equipo de Toronto presentó AlexNet ", que superó el campo con un margen de 10.8 puntos porcentuales… el siguiente mejor ", según Quartz.

El aprendizaje profundo, el método utilizado por el equipo, fue una mejora radical con respecto a los enfoques anteriores de la IA y marcó el comienzo de una nueva era de innovación. Desde entonces, ha llegado a la educación, la salud, la ciberseguridad, los juegos de mesa y la traducción, y ha recogido miles de millones de dólares en inversiones de Silicon Valley.

Muchos han elogiado el aprendizaje profundo y su superconjunto, el aprendizaje automático, como la tecnología de propósito general de nuestra era y más profunda que la electricidad y el fuego. Otros, sin embargo, advierten que el aprendizaje profundo eventualmente superará a los humanos en cada tarea y se convertirá en el asesino de trabajo final. Y la explosión de aplicaciones y servicios impulsados ​​por el aprendizaje profundo ha reavivado los temores de un apocalipsis de IA, en el que las computadoras súper inteligentes conquistan el planeta y conducen a los humanos a la esclavitud o la extinción.

Pero a pesar de la exageración, el aprendizaje profundo tiene algunos defectos que pueden impedir que cumpla algunas de sus promesas, tanto positivas como negativas.

El aprendizaje profundo depende demasiado de los datos

El aprendizaje profundo y las redes neuronales profundas, que comprenden su estructura subyacente, a menudo se comparan con el cerebro humano. Pero nuestras mentes pueden aprender conceptos y tomar decisiones con muy poca información; El aprendizaje profundo requiere toneladas de muestras para realizar la tarea más simple.

En esencia, el aprendizaje profundo es una técnica compleja que asigna entradas a salidas mediante la búsqueda de patrones comunes en datos etiquetados y el uso del conocimiento para clasificar otras muestras de datos. Por ejemplo, proporcione a una aplicación de aprendizaje profundo suficientes imágenes de gatos, y podrá detectar si una foto contiene un gato. Del mismo modo, cuando un algoritmo de aprendizaje profundo ingiere suficientes muestras de sonido de diferentes palabras y frases, puede reconocer y transcribir el habla.

Pero este enfoque es efectivo solo cuando tiene muchos datos de calidad para alimentar sus algoritmos. De lo contrario, los algoritmos de aprendizaje profundo pueden cometer errores graves (como confundir un rifle con un helicóptero). Cuando sus datos no son inclusivos y diversos, los algoritmos de aprendizaje profundo incluso han mostrado un comportamiento racista y sexista.

La dependencia de los datos también causa un problema de centralización. Debido a que tienen acceso a grandes cantidades de datos, las empresas como Google y Amazon están en una mejor posición para desarrollar aplicaciones de aprendizaje profundo altamente eficientes que las nuevas empresas con menos recursos. La centralización de la inteligencia artificial en algunas empresas podría obstaculizar la innovación y darles a esas empresas demasiada influencia sobre sus usuarios.

El aprendizaje profundo no es flexible

Los humanos pueden aprender conceptos abstractos y aplicarlos a una variedad de situaciones. Hacemos esto todo el tiempo. Por ejemplo, cuando juegas un juego de computadora como Mario Bros. por primera vez, puedes usar inmediatamente el conocimiento del mundo real, como la necesidad de saltar sobre pozos o esquivar bolas de fuego. Posteriormente, puede aplicar su conocimiento del juego a otras versiones de Mario, como Super Mario Odyssey, u otros juegos con mecanismos similares, como Donkey Kong Country y Crash Bandicoot.

Sin embargo, las aplicaciones de IA deben aprender todo desde cero. Una mirada a cómo un algoritmo de aprendizaje profundo aprende a jugar a Mario muestra cuán diferente es el proceso de aprendizaje de una IA del de los humanos. Básicamente comienza a no saber nada sobre su entorno y poco a poco aprende a interactuar con los diferentes elementos. Pero el conocimiento que obtiene al jugar a Mario solo sirve al dominio limitado de ese juego individual y no es transferible a otros juegos, incluso a otros juegos de Mario.

Esta falta de comprensión conceptual y abstracta mantiene las aplicaciones de aprendizaje profundo centradas en tareas limitadas y evita el desarrollo de inteligencia artificial general, el tipo de IA que puede tomar decisiones intelectuales como lo hacen los humanos. Eso no es necesariamente una debilidad; Algunos expertos sostienen que crear IA general es un objetivo inútil. Pero ciertamente es una limitación en comparación con el cerebro humano.

El aprendizaje profundo es opaco

A diferencia del software tradicional, para el cual los programadores definen las reglas, las aplicaciones de aprendizaje profundo crean sus propias reglas procesando y analizando datos de prueba. En consecuencia, nadie sabe realmente cómo llegan a conclusiones y decisiones. Incluso los desarrolladores de algoritmos de aprendizaje profundo a menudo se encuentran perplejos por los resultados de sus creaciones.

Esta falta de transparencia podría ser un obstáculo importante para la inteligencia artificial y el aprendizaje profundo, ya que la tecnología intenta encontrar su lugar en dominios sensibles como el tratamiento del paciente, la aplicación de la ley y los automóviles autónomos. Los algoritmos de aprendizaje profundo pueden ser menos propensos a cometer errores que los humanos, pero cuando cometen errores, las razones detrás de esos errores deberían ser explicables. Si no podemos entender cómo funcionan nuestras aplicaciones de IA, no podremos confiar en ellas con tareas críticas.

El aprendizaje profundo podría exagerarse

El aprendizaje profundo ya ha demostrado su valía en muchos campos y continuará transformando la forma en que hacemos las cosas. A pesar de sus defectos y limitaciones, el aprendizaje profundo no nos ha fallado. Pero tenemos que ajustar nuestras expectativas.

Como advierte el académico de IA Gary Marcus, exagerar la tecnología podría conducir a otro "invierno de IA", un período en el que las expectativas demasiado altas y el bajo rendimiento conducen a una decepción general y falta de interés.

Marcus sugiere que el aprendizaje profundo no es "un solvente universal sino una herramienta entre muchas", lo que significa que mientras continuamos explorando las posibilidades que ofrece el aprendizaje profundo, también deberíamos considerar otros enfoques fundamentalmente diferentes para crear aplicaciones de IA.

Incluso el profesor Geoffrey Hinton, quien fue pionero en el trabajo que condujo a la revolución del aprendizaje profundo, cree que probablemente habrá que inventar métodos completamente nuevos. "El futuro depende de algún estudiante graduado que sospeche profundamente de todo lo que he dicho", dijo a Axios.