El aprendizaje profundo y la inteligencia artificial (IA) son campos en rápida evolución donde las nuevas ciencias aplicadas están en constante crecimiento. Cinco de los nuevos desarrollos más prometedores en esta área son el aprendizaje federado, las GAN, XAI, el aprendizaje de refuerzo y el aprendizaje de interruptores.
Estas ciencias aplicadas tienen el potencial de revolucionar diversas funciones de aprendizaje automático, desde el reconocimiento de imágenes hasta los juegos, y ofrecen nuevas y emocionantes alternativas tanto para investigadores como para desarrolladores.
Estudios federados
El aprendizaje federado es un método de aprendizaje automático que permite que varios dispositivos colaboren en un solo modelo sin compartir sus datos con un servidor central. Este método es especialmente útil en condiciones donde la privacidad es un asunto.
Por ejemplo, Google ha utilizado la lectura federada para mejorar la precisión de su teclado de reconocimiento de texto sin comprometer la privacidad del usuario. Los modelos de aprendizaje automático generalmente se desarrollan utilizando fuentes de datos centralizadas, lo que requiere que los datos personales se compartan con un servidor central. Aunque los usuarios pueden sentirse incómodos si sus datos se recopilan y guardan en un solo servidor, esta técnica puede generar problemas de privacidad.
El aprendizaje federado resuelve este problema al evitar que los datos se envíen a un servidor central mediante el entrenamiento de modelos sobre los datos que todavía están en los dispositivos de los usuarios. Además, dado que los datos de formación permanecían en los dispositivos de los usuarios, no era necesario enviar grandes cantidades de datos a un servidor central, lo que reducía los requisitos informáticos y de almacenamiento del sistema.
Relacionado: Microsoft está haciendo crecer su propio chip AI para ChatGPT: Informe
Redes Adversarias Generativas (GAN)
Las redes antagónicas generadas son una especie de comunidad neuronal que se puede utilizar para generar conocimiento nuevo y de aspecto real basado principalmente en el conocimiento actual. Por ejemplo, las GAN se han utilizado para crear fotografías reales de personas, animales e incluso paisajes. Las GAN funcionan enfrentando dos redes neuronales entre sí, con una comunidad produciendo datos ficticios y la otra comunidad intentando detectar si los datos son reales o ficticios.
Las redes adversarias generativas, o GAN para abreviar, se han convertido rápidamente en una tecnología número uno para producir conocimiento artificial de apariencia real. Las GAN son una especie de estructura de comunidad neuronal que consta de dos redes: una g... https://t.co/moU2Dls8Gk pic.twitter.com/0ZSRkeZe3z
- phill.ai (@phill_ai) Abril 20, 2023
IA explicable (XAI)
Un método de IA conocido como objetivos de IA explicables para ampliar la transparencia y la comprensión de los modelos de aprendizaje automático. XAI es esencial porque realmente podría asegurar que los programas de IA tomen decisiones neutrales y honestas. Aquí hay un ejemplo de cómo se podría usar XAI:
Piense en una situación en la que un grupo financiero utiliza algoritmos de aprendizaje automático para predecir la posibilidad de que un solicitante de hipoteca no cumpla con su hipoteca. Con los algoritmos convencionales de caja negra, la institución financiera no prestaría atención al proceso de toma de decisiones del algoritmo y es posible que no pueda explicárselo al solicitante de la hipoteca.
Sin embargo, utilizando XAI, el algoritmo fue capaz de aclarar su elección, lo que permitió al banco demostrar que se basó principalmente en preocupaciones baratas y nunca en información inexacta o discriminatoria. Por ejemplo, el algoritmo puede especificar que calcule una calificación de peligro basada principalmente en la solvencia, los ingresos y el historial laboral del solicitante. Esta etapa de transparencia y explicabilidad también puede ayudar a generar confianza en los programas de IA, mejorar la responsabilidad y, al final, dar como resultado una mejor toma de decisiones.
refuerzo estudiando
Un tipo de aprendizaje automático conocido como aprendizaje de refuerzo incluye instruir a los corredores para que estudien a través de críticas e incentivos. Muchas funciones, incluidas la robótica, los juegos e incluso la banca, se han beneficiado de esta técnica. Por ejemplo, AlphaGo de DeepMind usó este método para mejorar repetidamente su juego y, en última instancia, derrotar a los mejores jugadores humanos de Go, demostrando la efectividad del aprendizaje de refuerzo en tareas complicadas de toma de decisiones.
AI será un agente para nuestra mejora. Probablemente, el artículo más interesante que he visto sobre el tema es un estudio sobre el rendimiento de los jugadores profesionales de GO antes y después de adoptar Leela, la versión de código abierto de AlphaGo de DeepMind. Mejora de la eficiencia de los participantes. pic.twitter.com/Tk6qxwOftz
- Miles Grimshaw (@milesgrimshaw) Enero 15, 2023
Relacionado: 7 robots humanoides superiores en el mundo
cambiar de estudiar
Una técnica de aprendizaje automático conocida como aprendizaje de interruptores incluye el uso de modelos aprendidos previamente para resolver nuevos problemas modelo. Esta metodología es especialmente útil cuando hay poca información disponible para un problema nuevo.
Por ejemplo, los investigadores han utilizado el aprendizaje de interruptores para adaptar modelos de reconocimiento de imágenes desarrollados para un tipo de imagen (p. ej., caras) a otro tipo de imagen, p. ej. B. animales, para adaptarse.
Este método permite que las características, los pesos y los sesgos descubiertos del modelo educado anteriormente se reutilicen en la nueva actividad, lo que puede mejorar significativamente el rendimiento del modelo y reducir la cantidad de conocimientos necesarios para el entrenamiento.
