“La cuestión de si las máquinas pueden pensar … es tan relevante como la cuestión de si los submarinos pueden nadar”.
Edsger W. Dijkstra “Las amenazas a la ciencia de la computación” (1984).
Pero, ¿pueden las computadoras superar a los humanos en ciertas tareas visuales?
- ¿Qué tan útiles son los límites de convergencia en la aplicación práctica del aprendizaje automático?
- ¿Qué algoritmo usar en la clasificación de la cobertura del suelo?
- ¿Cuál es el mejor software de reconocimiento facial en el mercado?
- Teoría de la información: ¿Cuál es la relación entre la inteligencia y los algoritmos de compresión de datos?
- ¿Por qué el aprendizaje automático a menudo perpetúa el sesgo?
Sí , y lo han podido hacer durante varios años. Por ejemplo, los errores de clasificación de grano fino son más comunes en los anotadores humanos que en las redes neuronales (ejecutadas en una computadora), pero es fácil ver por qué: imagine una tarea en la que obligamos a un humano a aprender cómo clasificar las razas de perros a partir de imágenes; literalmente sentarse con tarjetas de memoria de cada raza de perro por días y entrenarse para clasificar las razas de perros. En tal escenario, es concebible que puedan vencer a una red neuronal convolucional mediante alguna métrica de rendimiento (por ejemplo, precisión, especificidad o en el caso de la puntuación F1 en papel). … Pero no hacemos eso porque, bueno, 1. eso sería cruel y 2. para eso tenemos CNN.
El punto que estoy tratando de hacer es, mientras que el rendimiento forzado bruto de una red neuronal en una tarea altamente específica puede dar como resultado un modelo que supera a un humano en esa tarea, la capacidad de la mayoría de los humanos para aprender intuitivamente gran parte de la estructura de El mundo que los rodea a través de la vista y posteriormente razonar sobre esa estructura no tiene parangón. Para un algoritmo que parece estar en la tierra fronteriza, vea Alpha Zero.
