DeepMind, el equipo de desarrollo de tecnologías relacionadas con la inteligencia artificial y el deep learning perteneciente a Google, ha dado a conocer otro gran avance en su campo de estudio. La iniciativa ya se ha hecho popular en ocasiones anteriores gracias a sus destacadas participaciones en el uno de la IA y los juegos virtuales (Go, ajedrez, damas, etc.).

Sin embargo, también ha logrado tener sus momentos destacados en el mundo de la medicina. Como cuando recientemente anunciaron que su IA era capaz de detectar el cáncer de mamá con más eficiencia que los humanos.

Ahora, el mundo voltea la mirada hacia ellos nuevamente por sus investigaciones y lo que ellas han sido capaces de revelar para el mundo no solo de la IA sino también de la neurociencia. En pocas palabras, sus dos recientes trabajos publicados en la revista Nature, han dado un paso más tanto en perfeccionar las capacidades de la inteligencia artificial como en el eterno deseo de comprender cómo funciona verdaderamente la mente humana.

La detección y proyección de recompensas

En uno de los estudios una de las primeras comparaciones que se llevaron a cabo tuvo que ver con la capacidad del cerebro de proyectar las posibles recompensas a sus actos. En un principio, se creía que estas debían presentarse como un promedio.

Sin embargo, luego se pudo determinar que ello en realidad se realizaba a través de un sistema de probabilidades. En las que, cada una de las posibles recompensas se presenta como una probabilidad en simultáneo en el cerebro a la hora de tomar una decisión.

El papel de las neuronas en el reforzamiento del aprendizaje

Por otra parte, en el otro estudio otro dato relevante que se dio a conocer tuvo que ver con la forma en la que la mente aprende. En la naturaleza, el aprendizaje se maneja a través de refuerzos positivos o negativos que ayudan a comprender adoptar o no una conducta. Para ello, las neuronas y los neurotransmisores como la dopamina juegan un papel crucial en la conducción veloz de información e impusos.

La forma de reproducir esto tiene que ver con la posibilidad de usar el proceso antes mencionado para prever futuros resultados. Luego se compara el esperado con el real para determinar si fue acertado y si la recompensa fue la esperada, en caso de no serlo, entonces el algoritmo debe ajustarse.

Google suspende lanzamiento virtual de Android 11 hasta nuevo aviso

Ahora, para que esto reproduzca el pensamiento natural, se es necesario realizar un análisis distribucional. Con este, no solo se reproduce un espectro de probabilidades, sino todos los posibles. Lo que permite medir con mayor exactitud los posibles resultados de una acción. Ya que, aunque algunas de las predicciones serán erradas, el sistema ya también contará con aquellas acertadas que recibirán un refuerzo y se harán cada vez más exactas.

Para poder determinar su exactitud, al menos en la naturaleza, la dopamina es crucial ya que se trata de aquella que realiza la medición comparativa entre la proyección y la realidad. Cuando la recompensa es exactamente la esperada, entonces el error registrado por los neurotransmisores sería el equivalente a cero.

La predicción en la formación de proteínas

Como sabemos, las proteínas son las encargadas de crear tejidos y dar el impulso necesario al cuerpo para que realice todos los procesos necesarios. Por lo que, aunque las proteínas se encuentran en todo el organismo, no todas son iguales.

Ello se debe a que estas se desarrollan y se forman en diferentes formas dependiendo de la función que van a cumplir en el organismo. Sin embargo, predecir la forma en la que estas se manifestarán no es una tarea fácil. Es allí donde DeepMind ha vuelto a hacer presencia con el proceso de ensamblaje fragmentado de AlphaFold.

Este programa permite utilizar las probabilidades y todos los procesos antes descritos para predecir de la forma más efectiva posible la forma que cobrará finalmente una formación de proteínas.

Lo más importante

Todo este conocimiento no solo es vital para desarrollar modelos de IA más similares al pensamiento humano. Sino que, también se vuelven cruciales dentro de la medicina. Comprender el comportamiento de las proteínas y la forma en la que reaccionan las neuronas y neurotransmisores puede der el primer paso en la carrera por avanzar en el campo de la medicina molecular.

Referencias:

A distributional code for value in dopamine-based reinforcement learning: https://doi.org/10.1038/s41586-019-1924-6

Improved protein structure prediction using potentials from deep learning: https://doi.org/10.1038/s41586-019-1923-7

Más en TekCrispy