- La IA viene después de las grandes cantidades de datos
Es bien sabido que la inteligencia artificial necesita datos para aprender sobre el mundo, pero a menudo pasamos por alto la cantidad de datos involucrados. Estos sistemas no solo requieren más información que los humanos para comprender conceptos o reconocer características, sino que requieren cientos de miles de veces más, dice Neil Lawrence, profesor de aprendizaje automático en la Universidad de Sheffield y parte del equipo de inteligencia artificial de Amazon. “Y si observa todos los dominios de aplicaciones donde el aprendizaje profundo es exitoso, verá que son dominios en los que podemos adquirir una gran cantidad de datos”, dice Lawrence, que da el ejemplo del reconocimiento de voz e imagen. Aquí, las grandes empresas tecnológicas como Google y Facebook tienen acceso a montañas de datos, lo que facilita mucho la creación de herramientas útiles “.
En todo el mundo hay cientos de recién llegados trabajando en sus propios modelos de aprendizaje automático. Pueden ser revolucionarios, pero sin los datos que los hagan funcionar, nunca lo sabremos. Las grandes empresas tecnológicas como Google, Facebook y Microsoft tienen suficientes recursos para hacer esto. Tienen abundantes datos y, por lo tanto, pueden permitirse ejecutar sistemas de aprendizaje automático ineficientes y mejorarlos. Las startups más pequeñas pueden tener buenas ideas, pero no podrán seguir adelante sin datos.
- La IA necesita realizar múltiples tareas
Otro problema clave con el aprendizaje profundo: el hecho de que todos los sistemas actuales son especializados y no universales. Una vez que han sido entrenados, pueden ser increíblemente eficientes en tareas como reconocer gatos o jugar juegos. Pero cada vez que el programa tiene éxito, necesita ser reentrenado para obtener el siguiente.
- ¿Cuál es la diferencia entre inteligencia artificial, aprendizaje automático, minería de datos e inteligencia de negocios? ¿Cómo están relacionados?
- ¿Cuándo comenzaste con la inteligencia artificial y el aprendizaje automático?
- Si los robots pudieran reemplazar todo el trabajo humano y un hombre fuera el propietario de todos los robots, ¿sería razonable gravar al hombre que los poseía?
- ¿Podemos hacer una mejor IA hoy con arquitectura de chip personalizada?
- ¿Cómo ayuda LSTM a prevenir el problema de gradiente de fuga (y explosión) en una red neuronal recurrente?
Una solución a esto podría ser algo llamado redes neuronales progresivas. Generalmente significa conectar sistemas separados de aprendizaje profundo para que puedan transmitir ciertos bits de información. El objetivo es crear la red neuronal, que tuvo que aprender cada escisión desde cero. Es un método prometedor, y en experimentos más recientes incluso se ha aplicado a brazos robóticos, acelerando su proceso de aprendizaje de una cuestión de semanas a un solo día. En este momento tiene limitaciones significativas, pero pronto los científicos esperan que se resuelva este problema.
- La explosión vendrá cuando el trabajo de IA se observe fácilmente
Otro desafío importante es comprender cómo la inteligencia artificial llega a sus conclusiones en primer lugar. Las redes neuronales suelen ser inescrutables para los observadores. Aunque sabemos cómo se unen y la información que contiene, las razones por las que toman ciertas decisiones generalmente no se explican.
Para obtener más consejos, consulte el blog de la compañía Solar Digital.
Si te gusta el comentario, ¡vota!