INSTITUTO TECNOLÓGICO SUPERIOR

DE ALVARADO - Campus Medellín

Materia:
Inteligencia Artificial
Semestre - Grupo - Sistema:
8° Semestre – “YM” – Escolarizado.
.

Producto Académico:
U1 – “Ensayo”.
Presenta:
Reyes Velázquez Miguel Ángel – 156Z0628.

Docente:
I.S.C. Francisco Fernando Mayorga Guittins

Fecha de Entrega:
13 – Febrero -2019

Medellín de Bravo, Ver. Feb. – Jun. 2018

Las grandes innovaciones para la inteligencia artificial en cuestión de educacion
son:
 Meta-aprendizaje.
 Modelos generativos aplicados a otros sectores.
 Grandes avances en auto-aprendizaje en juegos.
 Máquinas intuitivas resolviendo el reto de la semántica.
 La imposible “explicabilidad”.
 Incremento de estudios científicos en Deep Learning.
 Nuevos entornos de aprendizaje profundo.
 Cognición conversacional.
1.- Meta-aprendizaje
Aprender a aprender. Al dar capacidades de meta-aprendizaje, puede ser posible
que las máquinas mejoren continuamente sobre sí mismas, ya que podrán entender
el concepto de aprendizaje. Hasta ahora, el aprendizaje profundo se queda en el
entorno para el que se ha diseñado. Tenemos que crear la capacidad de que las
máquinas entiendan qué es aprender, para poder expandir sus fronteras más allá
de lo inicial.
Parece que el concepto del meta-aprendizaje va a ser una de las claves del año. El
problema es que estamos entrando en el farragoso mundo de comprender qué es
el lenguaje, qué es razonar, qué es aprender… lo cual puede que tampoco lo
tengamos muy claro los humanos. Y es que como ya os comentamos en otro
artículo, nuestros desarrollos en inteligencia artificial nos van a ayudar a
entendernos mejor a nosotros mismos.
2.- Modelos generativos aplicados a otros sectores
Los modelos generativos se van a aplicar en muchísimos nuevos campos.
Actualmente, la mayoría de las investigaciones se realizan en el campo de
generación de imágenes y voz. Sin embargo, veremos cómo estos métodos se
incorporan en herramientas que buscan modelizar sistemas complejos. Una de las
áreas donde se verá más actividad es en la aplicación del aprendizaje profundo a
modelos económicos.
3.- Grandes avances en auto-aprendizaje en juegos
Los juegos son un escenario perfecto para desarrollar la inteligencia. Tienen reglas
concretas, suponen competitividad para encontrar una estrategia ganadora y los
objetivos son claros, por lo que podemos medir la eficacia de las acciones.
La capacidad de AlphaGo Zero y AlfaZero para “aprender de cero” ha supuesto un
salto brutal en Inteligencia Artificial. Algunos opinan que está al mismo nivel de
impacto que el descubrimiento del propio aprendizaje profundo. La capacidad para
auto-aprender a jugar es el primer paso en el camino de desarrollar verdadera IA.
Es curioso, por cierto, que el equipo de DeepMind no tenga una palabra para esto,
pero otro grupo de investigación lo llama “ExIt“.
Como apuesta personal y que ya os avanzamos anteriormente, este año
probablemente veamos a la IA ganando a los humanos en el juego Starcraft, pero
también, no nos podemos olvidar, seguro que veremos la aplicación de esta
capacidad en otros recursos muy dispares, más allá de los videojuegos.
4. Máquinas intuitivas resolviendo el reto de la semántica
Digamos que hay dos tipos de caminos en IA: máquinas racionales y máquinas
intuitivas. Eran dos ramas de investigación diferentes, y desde luego se ha
avanzado mucho más en la primera. Ahora esperamos que los caminos de ambas
se encuentren.
La noción de la intuición artificial dejará de ser un concepto marginal y será una idea
más comúnmente aceptada en 2018. Entenderemos que la inteligencia no es sólo
razonar, si es que no nos habíamos dado cuenta aún, y experimentaremos en
profundidad con Procesos Duales mucho más complejos.
5.- La imposible “explicabilidad”
Las redes neuronales, así como todos los cada vez más complejos modelos que las
rodean, tienen un pequeño problema: son como una caja negra. Esto quiere decir
que cuando la máquina da una solución a un problema, es muy complicado conocer
cuáles son sus “razonamientos” para llegar a dicha solución. En parte porque no los
hay; pero sin ir a tecnicismos ni a cuestiones filosóficas, el problema es que no
podemos saber de la máquina su explicación para llegar a una respuesta. Puede
parecer que no importa, pero claro, cuando uno quiere aplicar IA a sus negocios,
necesita controlar muy bien por qué se están tomando unas decisiones y no otras.
Muchas investigaciones actuales buscan desarrollar métodos que permitan a las
máquinas explicar sus “razonamientos”, mostrar algún tipo de “informe” del proceso,
pero en esencia son trucos o engaños.
Muy probablemente, tengamos que vivir con esta incertidumbre, al menos por
muchos años. Las máquinas resolverán problemas cada vez más complejos pero,
en esencia, tendremos que vivir con la situación de no saber cómo.
6.- Incremento de estudios científicos en Deep Learning
El año pasado, sólo en la conferencia de Deep Learning ICLR, se presentaron unos
4000 papers. Se va a dar una paradoja en 2018 y es que para poder revisar todos
los artículos científicos sobre Deep Learning, vamos a necesitar aplicar Deep
Learning. No hay manera humana de revisar tanta información en tan poco tiempo.
Si queremos mantener el ritmo de investigación que demandan los científicos,
necesitamos a las máquinas para que nos ayuden.
Además, muchos de los papers son complejos, con matemática muy avanzada
detrás. Revisar y calificar estos estudios es muy difícil y requiere conocimientos
matemáticos que no todos los investigadores tienen.
Los estudios científicos en Deep Learning puede que se multipliquen por 3 o por 4
en el año 2018. ¿Podrá el Deep Learning entender y estudiar las investigaciones en
Deep Learning?
7.- Nuevos entornos de aprendizaje profundo
El camino hacia un desarrollo más previsible y controlado de los sistemas de
aprendizaje profundo pasa por el desarrollo de nuevos entornos de aprendizaje.
Los sistemas biológicos aprenden de la interacción con el medio ambiente; no
pueden aprender de forma aislada. Hemos estado desarrollando algoritmos de auto-
aprendizaje, como antes comentábamos, pero necesitamos entornos ricos de
experiencias, donde las máquinas puedan aprender de verdad por interacción.
El procedimiento de entrenamiento de aprendizaje profundo actual es uno de los
métodos de enseñanza más brutos que uno pueda imaginar. Se basa en la
presentación repetitiva y aleatoria de hechos sobre el mundo, con la esperanza de
que el estudiante (es decir, la red neuronal) sea capaz de desenredar y crear
suficientes abstracciones de ello. Ni los peores profesores nos han enseñado así.
8.- Cognición conversacional
Volvamos al objetivo de los desarrollos de alto nivel en inteligencia artificial:
buscamos una Inteligencia Artificial General. Este es un asunto que hemos tratamos
muchas veces en Puentes Digitales.
Para más inri, lo que nosotros entendemos por inteligencia es básicamente la
inteligencia humana, por lo que intentamos que las máquinas sean inteligentes, o
mejor dicho, humanamente inteligentes.
Sabemos que el lenguaje y la interacción conversacional es uno de nuestros pilares
de la inteligencia. De hecho, una discusión antropológica histórica es si el lenguaje
provocó nuestro aumento cognitivo o si nuestro aumento cognitivo derivó en
lenguaje.
Donde quiera que se encuentren los procesos y fenómenos socio-cognitivos del
desarrollo, el lugar para su descubrimiento es el contexto conversacional. Debemos
dar a las máquinas la capacidad de aprender por medio de la conversación. Hasta
ahora el Deep Learning aplicado a Chatbot se queda reducido, no hay un
aprendizaje cognitivo detrás y estamos perdiendo una oportunidad de oro. La
cantidad de información que pueden recopilar las máquinas por medio de la
conversación es enorme, sobretodo porque es una información muy rica. Nuestros
propios razonamientos, nuestra inteligencia, se plasma en palabras. Cuando
hablamos a Siri, Google o Alexa, podemos estar ayudándoles a aprender.
Algunos otros de los avances en cuestión de la Inteligencia Artificial va por parte de
IBM que ha mostrado su interés hacia ello.
Avances de la IA
1.- AI que realmente escucha lo que estás diciendo: IBM Research AI presentó
una nueva capacidad de máquina que comprende lo que escucha para contenido
argumentativo. Partiendo de nuestro trabajo en el Project Debater, esta
funcionalidad extiende las capacidades actuales de comprensión del habla de la IA
más allá de las simples tareas de respuesta a las preguntas, permitiendo a las
máquinas comprender mejor cuando las personas están haciendo argumentos.
2.- Si ha visto uno, los ha visto todos: los métodos de la IA de hoy en día a
menudo requieren miles o millones de imágenes etiquetadas para entrenar con
precisión un modelo de reconocimiento visual, IBM Research AI desarrolló un nuevo
método de aprendizaje de “pocos tiros” que puede reconocer con precisión nuevos
objetos desde un solo ejemplo, sin necesidad de datos adicionales. Esta capacidad
extiende la aplicabilidad de la IA a dominios restringidos por datos.
3.- El estudiante se convierte en maestro: dos cabezas son a menudo mejores
que una y lo mismo se puede decir de los agentes de inteligencia artificial. Este año,
los investigadores de IBM presentaron un marco y algoritmo de primera clase para
permitir que los agentes de inteligencia artificial aprendan a enseñarse unos a otros
y trabajen en equipo. Al intercambiar conocimientos, los agentes pueden aprender
significativamente más rápido que los métodos anteriores y, en algunos casos,
pueden aprender a coordinar dónde fallan los métodos existentes.
4.-Preguntas y respuestas: IBM Research AI ha detallado una mejora significativa
en los enfoques de respuesta a preguntas de dominio abierto (QA), con un nuevo
método que reordena y agrega evidencia a través de múltiples pasajes para producir
respuestas más precisas. El equipo ha logrado mejoras sustanciales con respecto
a los anteriores enfoques de vanguardia en conjuntos de datos de control de calidad
de dominio abierto públicos.
Confianza en la IA
1.- La batalla para eliminar el sesgo: dado que los sistemas de IA se utilizan cada
vez más para apoyar la toma de decisiones, es imperativo que los sistemas de IA
sean justos e imparciales. Sin embargo, eliminar el sesgo es un desafío, ya que los
datos utilizados para entrenar los sistemas de IA a menudo contienen correlaciones
institucionales y sociales intrínsecas que los métodos de aprendizaje estadístico
capturan y recapitulan. IBM Research AI construyó un nuevo enfoque para combatir
el sesgo, en el que los datos de entrenamiento se transforman para minimizarlo, de
manera que cualquier algoritmo de IA que luego se aprende, perpetuará la menor
inequidad posible. Al aplicar este método a dos grandes conjuntos de datos
públicos, nuestro equipo pudo reducir sustancialmente la discriminación, sin una
reducción significativa en la precisión del sistema.
2.- Desglosando la “caja negra”: las redes neuronales profundas son, en muchos
aspectos, cajas negras: incluso cuando una red llega a una decisión correcta, a
menudo es difícil entender por qué se tomó esa decisión. Esta falta de explicación
inherente presenta una barrera para la confianza del usuario en los sistemas de IA
y hace que sea difícil razonar acerca de los modos de falla potencial. Para abordar
estos problemas, los científicos de IBM Research AI desarrollaron una nueva
metodología de aprendizaje automático llamada ProfWeight, que investiga una red
profunda y construye un modelo más simple que puede alcanzar un rendimiento
similar al de la red original. En virtud de su complejidad reducida, estos modelos
más simples pueden proporcionar información sobre cómo funcionó la red original
y por qué tomó una decisión en lugar de otra. Al probar esta metodología en dos
conjuntos de datos masivos, el modelo ProfWeight fue capaz de producir decisiones
más explicables, al tiempo que mantenía un alto nivel de precisión.
3.- Anticipando ataques adversos: los modelos modernos de aprendizaje
automático pueden lograr una precisión de predicción sin precedentes, pero
también son sorprendentemente vulnerables a ser engañados por insumos
maliciosos cuidadosamente diseñados llamados “ejemplos adversos”. Por ejemplo,
un hacker puede alterar imperceptiblemente una imagen tal que un modelo de
aprendizaje profundo se engaña al clasificarlo en cualquier categoría que el
atacante desee. Cada día se desarrollan nuevos ataques de este tipo en una amplia
gama de tareas, desde el reconocimiento de voz hasta el procesamiento del
lenguaje natural. Como un paso clave para protegerse contra estos ataques, IBM
Research AI ha propuesto una nueva medida de robustez certificada y sin agresión
de ataques llamada CLEVER, que se puede utilizar para evaluar la robustez de una
red neuronal contra ataques. La puntuación de CLEVER calcula la “fuerza” mínima
de ataque necesaria para que un ataque pueda engañar a un determinado modelo
de red profunda, facilitando el razonamiento acerca de la seguridad de los modelos
de IA, y brindando instrucciones para detectar y defenderse contra ataques en
sistemas implementados.
Escalando la IA
1.- La precisión de 8 bits acelera el entrenamiento: los modelos de aprendizaje
profundo son extremadamente poderosos, pero entrenarlos requiere enormes
recursos computacionales. En 2015, IBM presentó un documento histórico que
describe cómo entrenar modelos de aprendizaje profundo con una precisión de 16
bits (la mitad de la precisión de 32 bits más utilizada normalmente) sin pérdida de
precisión. Los investigadores de IBM ahora han demostrado por primera vez la
capacidad de entrenar modelos de aprendizaje profundo con solo 8 bits de
precisión, al tiempo que conservan completamente la precisión del modelo en todas
las categorías principales de conjuntos de datos de IA, incluyendo imagen, voz y
texto. Estas técnicas aceleran el tiempo de entrenamiento para redes neuronales
profundas de 2 a 4 veces en los sistemas actuales de 16 bits. Aunque anteriormente
no se consideraba factible reducir aún más la precisión de la capacitación,
esperamos que nuestra plataforma de capacitación de 8 bits se convierta en un
estándar industrial ampliamente adoptado en los próximos años.
2.- El nuevo enfoque de la red neuronal en Bloque: BlockDrop, una nueva forma
de acelerar la inferencia en redes neuronales muy profundas, aprende a elegir qué
capas o “bloques” de la red profunda se deben omitir, reduciendo el cálculo total y
manteniendo la precisión. Usando BlockDrop, se obtiene un aumento de velocidad
de inferencia del 20% en promedio, llegando a un máximo de 36% para algunas
entradas, al tiempo que se mantiene la misma precisión de primer nivel en
ImageNet.
3.- Diseño al alcance: los investigadores de IBM desarrollaron una nueva técnica
de búsqueda de arquitectura neuronal que reduce el trabajo pesado requerido para
diseñar una red neuronal. El método define la repetición de patrones de arquitectura
neuronal denominados “neurocélulas”, que posteriormente se mejoran a través de
un proceso evolutivo. Esta evolución puede diseñar arquitecturas neuronales que
logran una precisión de predicción de vanguardia en las tareas de clasificación de
imágenes, sin intervención humana, en algunos casos alcanzando una aceleración
de hasta 50,000 veces en comparación con los métodos anteriores para la
búsqueda de arquitectura neuronal.
Por mucho que vimos avances importantes en 2018, sabemos que el próximo año
traerá aún más progreso para la industria de inteligencia artificial. Aquí hay tres
tendencias por las que estamos esperando:
1.- La causalidad reemplazará cada vez más las correlaciones: todo el mundo
sabe que el canto del gallo al amanecer no “causa” que salga el sol, y que a la
inversa, al encender un interruptor sí se enciende una luz. Si bien estas intuiciones
sobre la estructura causal del mundo son parte integral de nuestras acciones y
juicios cotidianos, la mayoría de nuestros métodos de inteligencia artificial actuales
se basan fundamentalmente en las correlaciones y carecen de una comprensión
profunda de la causalidad. Los métodos de inferencia causal emergentes nos
permiten inferir estructuras causales a partir de datos, seleccionar intervenciones
de manera eficiente para probar relaciones causales putativas y tomar mejores
decisiones aprovechando el conocimiento de la estructura causal. En 2019, se
espera que las técnicas de modelado causal emerjan como actores centrales en el
mundo de la IA.
2.- IA de confianza ocupará un lugar central: este año, varias organizaciones
respondieron a las violaciones de datos y las preocupaciones de privacidad del
consumidor mediante el establecimiento de juntas consultivas de ética y hemos visto
una mayor inversión en investigación en los “pilares de la confianza” (equidad
algorítmica, explicabilidad, solidez , transparencia), junto con mayores esfuerzos en
el despliegue de IA para el bien social. En 2019, comenzaremos a ver que estos
esfuerzos se vuelven fundamentales para la forma en que las compañías
construyen, entrenan y despliegan tecnologías de inteligencia artificial. Esperamos
ver un enfoque especial en la transferencia de avances de investigación en este
espacio a productos y plataformas reales, junto con un énfasis en fomentar la
diversidad y la inclusión en equipos técnicos, para garantizar que muchas voces y
perspectivas guíen el progreso tecnológico.
3.- Quantum podría brindar asistencia a la IA: en 2019 veremos una aceleración
de la tracción en la investigación y experimentación cuántica, y una nueva
investigación sobre cómo la computación cuántica puede potencialmente
desempeñar un papel en la capacitación y ejecución de modelos de IA. Un elemento
central de los algoritmos cuánticos es la explotación de espacios de estados
cuánticos exponencialmente grandes a través de enredos e interferencias
controlables. A medida que crece la complejidad de los problemas de la IA, la
computación cuántica, a la que miles de organizaciones ya están accediendo a
través de los servicios de computación cuántica en la nube de IBM, podría cambiar
la forma en que abordamos las tareas computacionales de la IA.