Lograr que una computadora pueda aprender tal y como lo hace un ser vivo, es uno de los mayores retos de los investigadores en el campo de la inteligencia artificial. Desde que Alan Turing creó lo que ahora se llama la Prueba de Turing, ha habido grandes avances en el mundo de la IA.
Sin embargo, las máquinas aún luchan por dominar una de las habilidades fundamentales de los humanos y otros seres vivos: el aprendizaje permanente. En otras palabras: aprender y adaptarse mientras se está haciendo una tarea sin olvidar tareas anteriores. Así como transferir intuitivamente el conocimiento obtenido de una tarea a otra área.
Pero, ahora con el apoyo del programa DARPA Lifelong Learning Machines (L2M). Los investigadores de USC Viterbi han colaborado con colegas de instituciones de todo EE. UU. y el mundo en un nuevo recurso para el futuro del aprendizaje de IA. Que espera definir cómo los sistemas artificiales pueden pensar con éxito, actuar y adaptarse al mundo real, de la misma manera que lo hacen los seres vivos.
El artículo fue escrito en coautoría por la profesora de ingeniería eléctrica e informática de Dean, Alice Parker. También con el profesor de ingeniería biomédica, y de biokinesiología y fisioterapia, Francisco Valero-Cuevas y sus equipos de investigación. El artículo se publicó en Nature Machine Intelligence, en colaboración con la profesora Dhireesha Kudithipudi en la Universidad de Texas en San Antonio, junto con otras 22 universidades.
¿Cuál es el objetivo de esta investigación sobre el aprendizaje de la inteligencia artificial?
De acuerdo con Valero-Cuevas, el objetivo de esta investigación es servir como recurso de referencia para los investigadores de IA en las próximas décadas, centrándose en el concepto de aprendizaje permanente en sistemas artificiales. El proyecto delineará el desarrollo de un nuevo tipo de inteligencia artificial que será fundamental para la tecnología de próxima generación. Algunas de ellas serán automóviles autónomos, robots, drones autónomos, prótesis inteligentes, exoesqueletos y dispositivos portátiles.
De acuerdo con la investigación, ¿qué es necesario para que la IA logre un aprendizaje permanente?
Valero-Cuevas dice que “hay una diferencia muy clara entre el entrenamiento y la implementación. Cuando se implementa una máquina, no necesariamente se está aprendiendo. Y si quieres enseñarle algo nuevo, por lo general tienes que borrarle la memoria y olvida cómo hacerlo”.
Este es un problema conocido como “olvido catastrófico”, y es una de las deficiencias clave de los sistemas de IA actuales que destaca la investigación y su nuevo plan.
Además de superar el factor del olvido catastrófico, el plan de los investigadores describió otras competencias que serán necesarias para que la inteligencia artificial logre dominar el aprendizaje permanente de la misma manera que los seres vivos. Estos incluyen:
- Transferencia y adaptación: la capacidad de transferir y reutilizar el conocimiento y adaptarse a nuevos entornos.
- Explotación de la similitud de tareas: aprender múltiples tareas y transferir ese conocimiento entre ellas.
- Aprendizaje agnóstico de tareas: comprender cuándo durante el entrenamiento es necesario cambiar de una tarea a otra sin que se lo indiquen.
- Tolerancia al ruido: ser capaz de completar la misma tarea en un escenario del mundo real cuando las condiciones son diferentes a las del período de entrenamiento (operar durante la noche en lugar de hacerlo durante el día).
- Eficiencia y sostenibilidad de los recursos: garantizar que el aprendizaje permanente no afecte negativamente la capacidad de almacenamiento y reduzca su tiempo de respuesta.
Los investigadores esperan lograr descubrir pronto cómo transferir el aprendizaje permanente de los seres biológicos a la inteligencia artificial. De seguro será un trabajo arduo, pero en algún momento hallarán una respuesta.