El problema de la caja negra

[center][/center]

[b]El aprendizaje automático se está extendiendo tanto en el ámbito de la investigación básica como en el de la industria. Sin embargo, para que los científicos confíen en él, primero necesitan comprender qué hacen las máquinas.[/b]

Tras varias iteraciones, la imagen de Deep Dream empieza a parecerse a una alucinación en la cual surgen rostros animales por doquier. Otras redes producirán imágenes en las que brotan ojos, edificios o frutas. [NIK SPENCER, NATURE]

Dean Pomerleau aún recuerda su primera pelea con el problema de la caja negra. Corría el año 1991 y llevaba a cabo un intento pionero por conseguir algo que en la actualidad es común en el campo de la investigación sobre vehículos autónomos: enseñar a un ordenador a conducir.

Para ello se ponía al volante de un vehículo militar Humvee especialmente equipado y lo guiaba por las calles de la ciudad, explica Pomerleau, que por entonces cursaba un doctorado en robótica en la Universidad Carnegie Mellon. En el Humvee llevaba un ordenador que había programado para escrutar a través de una cámara, interpretar lo que ocurría en la calzada y memorizar cada movimiento que efectuaba como respuesta. Esperaba que, con el tiempo, la máquina establecería suficientes asociaciones para conducir por sí sola.

En cada viaje, Pomerleau entrenaba al sistema durante unos pocos minutos y luego lo soltaba para que prosiguiera solo. Todo parecía ir bien hasta que, un día, el coche se acercó a un puente y de repente viró bruscamente hacia un costado. El hombre evitó un accidente porque pudo agarrar rápidamente el volante y recuperar el control.

De vuelta en el laboratorio, Pomerleau trató de entender dónde se había equivocado el ordenador. «Una parte de mi tesis consistía en abrir la caja negra y averiguar qué estaba pensando», explica. Pero ¿cómo? Lo había programado para que actuara como una «red neuronal», un tipo de inteligencia artificial (IA) inspirada en el cerebro y que prometía comportarse mejor que los algoritmos estándar a la hora de lidiar con situaciones complejas del mundo real. Por desgracia, estas redes se muestran tan opacas como el cerebro. En lugar de almacenar lo que han aprendido en un bloque ordenado de memoria digital, esparcen la información de un modo que resulta sumamente difícil de descifrar. Descubrió la causa del error de conducción tras analizar exhaustivamente las respuestas del software a varios estímulos visuales: la red había utilizado la hierba que crecía al borde de las carreteras para determinar la dirección, de manera que la aparición del puente la había confundido.

Veinticinco años más tarde, el problema de la caja negra se ha tornado exponencialmente más difícil y urgente. La complejidad y las aplicaciones de la tecnología misma se han disparado. Pomerleau, que en la actualidad imparte clases de robótica a tiempo parcial en Carnegie Mellon, describe su pequeño sistema como «la versión barata» de las enormes redes neurales que se implementan en las máquinas de hoy en día. Y la técnica del aprendizaje profundo, en la cual las redes se entrenan sobre archivos inmensos de datos, está encontrando aplicaciones comerciales que abarcan desde automóviles que se conducen solos hasta sitios web que recomiendan productos a los usuarios basándose en su historial de navegación.

Además, también promete invadir el mundo de la investigación científica. Los futuros observatorios de radioastronomía necesitarán el aprendizaje profundo para localizar señales que merezcan la pena entre cantidades de datos de otro modo inmanejables; los detectores de ondas gravitacionales lo emplearán para discernir y eliminar las fuentes de ruido más sutiles; y los editores lo usarán para rastrear y etiquetar millones de libros y artículos de investigación. Algunos investigadores creen que, con el tiempo, los ordenadores dotados de sistemas de aprendizaje profundo podrían incluso manifestar imaginación y creatividad. «Se aportarán datos a las máquinas y estas devolverán como respuesta las leyes de la naturaleza», augura Jean-Roch Vlimant, físico del Instituto de Tecnología de California.

[center]


[spoiler="Feliz Jueves de Ciencia"]
[/spoiler]


Hoy @Revan90 se me adelantado, que marrón. xP

[/center]