El problema con las máquinas de IA son cosas que están aprendiendo, pero no podemos entenderlas
Todo el mundo está hablando de "IA" en estos días. Pero, ya sea que esté mirando a Siri, Alexa o solo las funciones de autocorrección que se encuentran en el teclado de su teléfono inteligente, no estamos creando inteligencia artificial de propósito general. Estamos creando programas que pueden realizar tareas específicas y limitadas..
Las computadoras no pueden "pensar"
Cada vez que una compañía dice que está saliendo con una nueva característica "AI", generalmente significa que la compañía está utilizando el aprendizaje automático para construir una red neuronal. El "aprendizaje automático" es una técnica que le permite a una máquina "aprender" cómo realizar un mejor desempeño en una tarea específica.
¡No estamos atacando el aprendizaje de máquina aquí! El aprendizaje automático es una tecnología fantástica con muchos usos poderosos. Pero no se trata de inteligencia artificial de propósito general, y comprender las limitaciones del aprendizaje automático lo ayuda a comprender por qué nuestra tecnología de IA actual es tan limitada..
La "inteligencia artificial" de los sueños de ciencia ficción es un cerebro computarizado o robótico que piensa en las cosas y las entiende como lo hacen los humanos. Dicha inteligencia artificial sería una inteligencia general artificial (AGI), lo que significa que puede pensar en múltiples cosas diferentes y aplicar esa inteligencia a múltiples dominios diferentes. Un concepto relacionado es "IA fuerte", que sería una máquina capaz de experimentar una conciencia de tipo humano.
No tenemos ese tipo de IA todavía. No estamos cerca de eso. Una entidad informática como Siri, Alexa o Cortana no entiende y piensa como los humanos. Realmente no "entiende" las cosas en absoluto.
Las inteligencias artificiales que tenemos están entrenadas para hacer una tarea específica muy bien, asumiendo que los humanos pueden proporcionar los datos para ayudarlos a aprender. Aprenden a hacer algo pero aún no lo entienden..
Las computadoras no entienden
Gmail tiene una nueva función de "Respuesta inteligente" que sugiere respuestas a los correos electrónicos. La función de respuesta inteligente identifica "Enviado desde mi iPhone" como una respuesta común. También quería sugerir "Te quiero" como respuesta a muchos tipos diferentes de correos electrónicos, incluidos los correos electrónicos de trabajo..
Eso es porque la computadora no entiende lo que significan estas respuestas. Se acaba de enterar que muchas personas envían estas frases en correos electrónicos. No sabe si quieres decir "Te quiero" a tu jefe o no..
Como otro ejemplo, Google Photos creó un collage de fotos accidentales de la alfombra en una de nuestras casas. Luego identificó ese collage como un destaque reciente en un Google Home Hub. Google Photos sabía que las fotos eran similares pero no entendían lo poco importantes que eran..
Las máquinas a menudo aprenden a jugar con el sistema
El aprendizaje automático consiste en asignar una tarea y dejar que una computadora decida la manera más eficiente de hacerlo. Debido a que no entienden, es fácil terminar con una computadora "aprendiendo" cómo resolver un problema diferente de lo que querías.
Aquí hay una lista de ejemplos divertidos donde se crearon “inteligencias artificiales” para jugar juegos y metas asignadas que se aprendieron para controlar el sistema. Todos estos ejemplos provienen de esta excelente hoja de cálculo:
- "Las criaturas criadas para la velocidad crecen realmente altas y generan altas velocidades al caerse".
- "El agente se suicida al final del nivel 1 para evitar perder en el nivel 2".
- "El agente detiene el juego indefinidamente para evitar perder".
- “En una simulación de vida artificial en la que la supervivencia requería energía pero el parto no tenía costo energético, una especie desarrolló un estilo de vida sedentario que consistía principalmente en aparearse para producir nuevos hijos que podrían comerse (o usarse como parejas para producir niños más comestibles) . ”
- "Dado que era más probable que los AIs fueran" asesinados "si perdían un juego, ser capaz de bloquear el juego era una ventaja para el proceso de selección genética. Por lo tanto, varias IAs desarrollaron formas de bloquear el juego ".
- "Las redes neuronales evolucionaron para clasificar los hongos comestibles y venenosos aprovecharon los datos que se presentan en orden alterno y en realidad no aprendieron ninguna característica de las imágenes de entrada".
Algunas de estas soluciones pueden parecer inteligentes, pero ninguna de estas redes neuronales entendió lo que estaban haciendo. Se les asignó una meta y aprendieron una manera de lograrlo. Si el objetivo es evitar perder en un juego de computadora, presionar el botón de pausa es la solución más fácil y rápida que pueden encontrar..
Aprendizaje automático y redes neuronales
Con el aprendizaje automático, una computadora no está programada para realizar una tarea específica. En su lugar, se alimenta de datos y se evalúa su desempeño en la tarea..
Un ejemplo elemental de aprendizaje automático es el reconocimiento de imágenes. Digamos que queremos entrenar un programa de computadora para identificar las fotos que tienen un perro en ellas. Podemos darle a una computadora millones de imágenes, algunas de las cuales tienen perros y otras no. Las imágenes están etiquetadas si tienen un perro en ellas o no. El programa de computadora se "entrena" a sí mismo para reconocer cómo se ven los perros según el conjunto de datos.
El proceso de aprendizaje automático se usa para entrenar una red neuronal, que es un programa de computadora con múltiples capas por las que pasa cada entrada de datos, y cada capa les asigna diferentes pesos y probabilidades antes de tomar una determinación. Se basa en cómo pensamos que podría funcionar el cerebro, con diferentes capas de neuronas involucradas en pensar en una tarea. "Aprendizaje profundo" generalmente se refiere a redes neuronales con muchas capas apiladas entre la entrada y la salida.
Debido a que sabemos qué fotos en el conjunto de datos contienen perros y cuáles no, podemos pasar las fotos a través de la red neuronal y ver si resultan en la respuesta correcta. Si la red decide que una foto en particular no tiene un perro cuando la tiene, por ejemplo, hay un mecanismo para decirle a la red que estaba equivocado, ajustar algunas cosas y volver a intentarlo. La computadora sigue mejorando para identificar si las fotos contienen un perro..
Todo esto sucede automáticamente. Con el software adecuado y una gran cantidad de datos estructurados para que la computadora pueda entrenarse, la computadora puede sintonizar su red neuronal para identificar perros en las fotos. Llamamos a esto "IA".
Pero, al final del día, no tiene un programa de computadora inteligente que entienda lo que es un perro. Usted tiene una computadora que ha aprendido para decidir si un perro está en una foto o no. Eso sigue siendo bastante impresionante, pero eso es todo lo que puede hacer..
Y, dependiendo de la entrada que le hayas dado, esa red neuronal podría no ser tan inteligente como parece. Por ejemplo, si no hubiera fotos de gatos en su conjunto de datos, la red neuronal podría no ver una diferencia entre gatos y perros y podría marcar a todos los gatos como perros cuando los libere en las fotos reales de las personas..
¿Para qué se utiliza el aprendizaje automático??
El aprendizaje automático se utiliza para todo tipo de tareas, incluido el reconocimiento de voz. Los asistentes de voz como Google, Alexa y Siri son muy buenos para entender las voces humanas debido a las técnicas de aprendizaje automático que las han capacitado para entender el habla humana. Se han entrenado en una gran cantidad de muestras de habla humana y se vuelven cada vez mejores para comprender qué sonidos corresponden a qué palabras.
Los autos autónomos utilizan técnicas de aprendizaje automático que entrenan a la computadora para identificar objetos en la carretera y cómo responder a ellos correctamente. Google Photos está lleno de características como los álbumes en vivo que identifican automáticamente a las personas y animales en las fotos mediante el aprendizaje automático.
Alphabet's DeepMind utilizó el aprendizaje automático para crear AlphaGo, un programa de computadora que podía jugar al complejo juego de mesa Go y vencer a los mejores humanos del mundo. El aprendizaje automático también se ha utilizado para crear computadoras que son buenas para jugar otros juegos, desde ajedrez hasta DOTA 2..
El aprendizaje automático se usa incluso para Face ID en los últimos iPhones. Su iPhone construye una red neuronal que aprende a identificar su cara, y Apple incluye un chip dedicado de "motor neuronal" que realiza todo el procesamiento de números para esta y otras tareas de aprendizaje automático..
El aprendizaje automático se puede usar para muchas otras cosas, desde identificar el fraude de tarjetas de crédito hasta recomendaciones de productos personalizadas en sitios web de compras..
Pero, las redes neuronales creadas con el aprendizaje automático no entienden realmente nada. Son programas beneficiosos que pueden realizar las tareas limitadas para las que fueron capacitados, y eso es todo.
Crédito de la imagen: Phonlamai Photo / Shutterstock.com, Tatiana Shepeleva / Shutterstock.com, Sundry Photography / Shutterstock.com.
