En un estudio que aparece hoy en Nature Machine Intelligence, los investigadores del CWI Bojian Yin y Sander Bohté demuestran un paso significativo hacia la inteligencia artificial (IA) podría aprender de similar manera como un cerebro humano, pudiéndose utilizar en dispositivos locales como teléfonos inteligentes y en aplicaciones similares a la realidad virtual, al tiempo que protege la privacidad.
Los investigadores del Centrum Wiskunde & Informática (centro nacional de investigación de matemáticas y ciencias de la computación en los Países Bajos) Bojian Yin y Sander Bohté muestran cómo las neuronas similares al cerebro combinadas con nuevos métodos de aprendizaje permiten entrenar redes neuronales rápidas y energéticamente eficientes a gran escala.
Las aplicaciones potenciales van desde la IA portátil hasta el reconocimiento de voz generalizado y la realidad aumentada.
Si bien las redes neuronales artificiales son la columna vertebral de la actual revolución de la IA, solo se inspiran libremente en redes de neuronas biológicas reales como nuestro cerebro. Sin embargo, el cerebro es una red mucho más grande y puede responder ultrarrápido cuando se activa por eventos externos.
También es mucho más eficiente energéticamente: las neuronas de nuestro sistema nervioso se comunican intercambiando pulsos eléctricos, y lo hacen con moderación. Las redes neuronales Spiking son un tipo especial de redes neuronales artificiales que imitan estas propiedades de las neuronas biológicas más de cerca.
Implementadas en chips, llamados hardware neuromórfico, tales redes neuronales tienen la promesa de acercar los programas de IA a los usuarios en sus propios dispositivos.
Estas soluciones locales son beneficiosas para la privacidad, la solidez y la capacidad de respuesta. Las aplicaciones van desde el reconocimiento de voz en juguetes y electrodomésticos, el monitoreo de la atención médica y la navegación con drones hasta la vigilancia local.
Al igual que las redes neuronales artificiales estándar, las redes neuronales de picos deben ser entrenadas para realizar bien sus tareas. Sin embargo, la forma en que tales redes se comunican plantea serios desafíos.
“Los algoritmos necesarios para esto requieren mucha memoria de computadora, lo que nos permite entrenar solo modelos de red pequeños principalmente para tareas más pequeñas. Esto frena muchas aplicaciones prácticas de IA hasta ahora”, dice Sander Bohté del grupo de aprendizaje automático de CWI.
Imitando el cerebro de aprendizaje
El aspecto de aprendizaje de estos algoritmos es un gran desafío, y no pueden igualar la capacidad de aprendizaje de nuestro cerebro. El cerebro puede aprender fácilmente de nuevas experiencias de inmediato, cambiando las conexiones o incluso haciendo otras nuevas.
El cerebro también necesita muchos menos ejemplos para aprender algo y funciona de manera más eficiente energéticamente comparado con una IA.
“Queríamos desarrollar algo más cercano a la forma en que nuestro cerebro aprende”, dice Bojian Yin.
Yin explica cómo funciona esto: si cometes un error durante una lección de conducción, aprendes de ello inmediatamente. Usted corrige su comportamiento de inmediato, y no una hora después. “Aprendes, por así decirlo, mientras asimilas la nueva información.
Queríamos imitar eso dando a cada neurona de la red neuronal un poco de información que se actualiza constantemente.
De esa manera, la red aprende cómo cambia la información y no tiene que recordar toda la información anterior. Esta es la gran diferencia con las redes actuales, que tienen que trabajar con todos los cambios anteriores. La forma actual de aprendizaje requiere una enorme potencia informática y, por lo tanto, mucha memoria y energía”.
Seis millones de neuronas PARA LA IA
El nuevo algoritmo de aprendizaje en línea hace posible aprender directamente de los datos, lo que permite redes neuronales de picos mucho más grandes.
Junto con investigadores de TU Eindhoven y el socio de investigación Holst Centre, Bohté y Yin demostraron esto en un sistema diseñado para reconocer y localizar objetos.
Para su estudio, utilizaron imágenes en tiempo real de una calle concurrida en Ámsterdam: la red neuronal subyacente, SPYv4, ha sido entrenada de tal manera que puede distinguir ciclistas, peatones y automóviles e indicar exactamente dónde están.
“Anteriormente, podíamos entrenar redes neuronales con hasta 10.000 neuronas, ahora podemos hacer lo mismo con bastante facilidad para redes con más de seis millones de neuronas”, dice Bohté. “Con esto, podemos entrenar redes neuronales de picos altamente capaces como nuestro SPYv4”.
Futuro
¿Y a dónde conduce todo esto? Ahora que tienen soluciones de IA tan poderosas basadas en redes neuronales de punta, llegando a en corto tiempo ser similares a las del cerebro humano, se están desarrollando chips que pueden ejecutar estos programas de IA a muy baja potencia.
En última instancia, aparecerán en muchos dispositivos inteligentes, como audífonos y gafas de realidad aumentada o virtual.
Fuente de estudio Nature Machine Intelligence: ‘Entrenamiento preciso en línea de redes neuronales dinámicas a través de la propagación directa a través del tiempo’.
Financiado por el programa NWO Perspectief ‘Efficient Deep Learning’ y el proyecto SGA3 del cerebro humano de la UE. Autores: Bojian Yin, Sander Bohté y Federico Corradi (Universidad Tecnológica de Eindhoven, Stichting IMEC Países Bajos).
Con información de Centrum Wiskunde & Informatica, Países Bajos.
More Stories
Thales Alenia Space: Desarrollo de Galileo de segunda generación
Descubrimiento con Webb: Atmósfera en exoplaneta rocoso
El Atlas Lunar más detallado hecho por China ahora publicado