Video: Redes neuronales y aprendizaje profundo (Noviembre 2024)
En un taller sobre IA y el futuro del trabajo a principios de este mes, Yann LeCun, Director de Investigación de AI en Facebook y Director Fundador del Centro de Ciencia de Datos de la NYU, habló sobre "el poder y los límites del aprendizaje profundo". LeCun, pionero de las redes neuronales convolucionales que están en el corazón de muchos de los avances recientes en IA, estaba entusiasmado con el progreso que el campo ha logrado en los últimos años y realista sobre lo que tales sistemas pueden y no pueden hacer.
Ha habido múltiples oleadas de IA, dijo LeCun, y señaló que si bien la ola actual se ha centrado en el aprendizaje profundo, lo que está por venir es la "percepción", y los ejemplos más importantes son aplicaciones como imágenes médicas y automóviles autónomos. Casi todas estas aplicaciones emplean aprendizaje supervisado y la mayoría utiliza redes neuronales convolucionales, que LeCun describió por primera vez en 1989 y que se implementaron por primera vez en reconocimiento de caracteres en cajeros automáticos en 1995. LeCun dijo que la patente en tales redes expiró en 2007.
Son los grandes conjuntos de datos con grandes tamaños de muestra, así como los tremendos aumentos en el poder de cómputo (ayudado por el trabajo de Geoffrey Hinton para descubrir cómo usar las GPU para el reconocimiento de imágenes) lo que ha provocado el mayor cambio en los últimos años. Incluso para LeCun, los avances en el reconocimiento de imágenes han sido "nada menos que asombrosos". Aunque la percepción "realmente funciona", lo que aún falta es el razonamiento.
LeCun habló sobre tres tipos diferentes de enfoques y las limitaciones de cada uno de ellos. El aprendizaje por refuerzo requiere una gran cantidad de muestras. Es genial para los juegos, ya que el sistema puede ejecutar millones de pruebas y mejorar cada vez más, pero es difícil de usar en el mundo real, ya que no quieres conducir un automóvil por un precipicio 50 millones de veces, por ejemplo, y El tiempo real es un factor en el mundo real.
El aprendizaje supervisado, que es la mayor parte de lo que vemos ahora, requiere una cantidad media de comentarios y funciona bien. Sin embargo, el aprendizaje automático supervisado tiene algunos problemas. LeCun dijo que tales sistemas reflejan sesgos en los datos, aunque dijo que es optimista de que este problema pueda superarse y cree que es más fácil eliminar los sesgos de las máquinas en comparación con las personas. Pero también es difícil verificar la confiabilidad de tales sistemas y es difícil explicar las decisiones tomadas con base en los resultados de dichos sistemas, y LeCun habló sobre las solicitudes de préstamos como un ejemplo de esto.
El aprendizaje no supervisado o predictivo, que actualmente se está investigando para cosas como predecir cuadros futuros en un video, requiere muchos comentarios. El aprendizaje no supervisado implica predecir el pasado, el presente o el futuro a partir de cualquier información disponible, o en otras palabras, la capacidad de llenar los espacios en blanco, lo que LeCun dijo es efectivamente lo que llamamos sentido común. Señaló que los bebés pueden hacer esto, pero que hacer que las máquinas lo hagan ha sido muy difícil, y habló sobre cómo los investigadores están trabajando en técnicas como las redes adversas generativas (GAN) para las predicciones hechas en condiciones inciertas. Estamos lejos de tener una solución completa, dijo.
LeCun habló sobre los tres tipos de aprendizaje como si fueran partes de un pastel: el aprendizaje de refuerzo es la guinda del pastel, el aprendizaje supervisado es la guinda y el aprendizaje predictivo es la parte principal del pastel.
LeCun predijo que la IA cambiará la forma en que se valoran las cosas, con bienes construidos por robots que cuestan menos y las experiencias humanas auténticas cuestan más, y dijo que esto puede significar que hay "un futuro brillante para los músicos y artesanos del jazz".
En general, LeCun dijo que la IA es una Tecnología de Propósito General (GPT) como la máquina de vapor, la electricidad o la computadora. Como tal, afectará muchas áreas de la economía, pero tomará 10 o 20 años antes de que veamos un efecto en la productividad. LeCun dijo que la IA conducirá al reemplazo del trabajo, pero señaló que el despliegue de tecnología está limitado por la rapidez con que los trabajadores pueden entrenarse para ello.
En cuanto a una "verdadera revolución de la IA", LeCun dijo que esto no sucederá hasta que las máquinas adquieran sentido común, y determinar los principios para construir esto puede llevar dos, cinco, veinte o más años; más allá de eso, llevará años desarrollar tecnología práctica de IA basada en esos principios. Después de todo, señaló, tomó veinte años para que las redes convolucionales se volvieran importantes. Y todo eso se basa en el supuesto de que los principios son simples; se vuelve mucho más complicado si "la inteligencia es un error".
