Nuevos algoritmos ayudan a robots a corregir errores sobre la marcha y aprender unos de otros

Esto podría proporcionar esencialmente a los robots la capacidad de corregir los errores instantáneamente, es decir, "aprender" de sus errores sin dañar el conocimiento ya adquirido y, en última instancia, difundir nuevos conocimientos entre ellos.

Junto con socios de la compañía ARM, los algoritmos se combinan en un sistema, un corrector de Inteligencia Artificial, capaz de mejorar el rendimiento de los robots sobre la marcha.

"Múltiples versiones de analíticas de Big Data de Inteligencia Artificial se han desplegado hasta la fecha en millones de computadoras y gadgets en varias plataformas", explica el profesor Alexander Gorban, del Departamento de Matemáticas de la Universidad de Leicester, que añade que estas "están funcionando en redes no uniformes e interactúan".

"Gigantes tecnológicos industriales como Amazon, IBM, Google, Facebook, SoftBank, ARM y muchos otros están involucrados en el desarrollo de estos sistemas --agrega--. El rendimiento de ellos aumenta, pero a veces cometen errores como falsas alarmas, detecciones erróneas o predicciones erróneas. Los errores son inevitables debido a la incertidumbre inherente de Big Data.

"HASTA EL MOMENTO NO EXISTÍA TAL TECNOLOGÍA"

"Parece ser muy natural que los humanos puedan aprender de sus errores inmediatamente y no repetirlos (al menos, los mejores de nosotros). Es un gran problema cómo equipar la Inteligencia Artificial con esta habilidad". Pero, según Alexander Gorban, los investigadores han descubierto recientemente que es posible una solución a este problema.

"En este trabajo, demostramos que en altas dimensiones e incluso para muestras exponencialmente grandes, los clasificadores lineales en su forma clásica de Fisher son lo suficientemente poderosos como para separar los errores de las respuestas correctas con alta probabilidad y para proporcionar una solución eficiente al problema del corrector no destructivo", explica.

Los métodos iterativos de aprendizaje de la máquina nunca son baratos para el Big Data y los enormes sistemas de Inteligencia Artificial. Por este motivo, los investigadores sugieren que el corrector debe ser no-iterativo con los correctores reversibles necesarios para reconfigurar y fusionar las correcciones locales, ya que hay una necesidad desesperada en un procedimiento de corrección barato, rápido y local que no dañe habilidades importantes de los sistemas de IA en el curso de la corrección.

Tal y como afirma el doctor Ivan Tyukin, del Departamento de Matemáticas de la Universidad de Leicester, "a menudo es imposible volver a entrenar los sistemas por varias razones". Por un lado, porque a su juicio, "son enormes" y porque "el re-entrenamiento requiere recursos computacionales significativos o mucho tiempo, o bien ambos", además de que "puede ser imposible volver a entrenar el sistema localmente, en el punto donde ocurre el error".

"El desarrollo de grandes sistemas inteligentes sostenibles para el Big Data requiere la creación de tecnología y métodos para correcciones rápidas no destructivas, no iterativas y reversibles", señala Tyukin, que subraya que "hasta el momento no existía tal tecnología.

Así, los investigadores han descubierto y probado teoremas estocásticos de separación que proporcionan herramientas para la corrección de los grandes sistemas inteligentes de datos analíticos. Con este enfoque, el aprendizaje instantáneo en la Inteligencia Artificial podría ser posible, proporcionando a ésta la capacidad de volver a aprender siguiendo un error después de que éste haya ocurrido.