Redes neuronales líquidas. Parece una idea exótica, y sí, en cierto modo lo es. El MIT (Instituto Tecnológico de Massachusetts) trabaja en ellas junto a otras universidades muy reputadas, como el Instituto de Ciencia y Tecnología de Austria, al menos desde principios de esta década. Y está obteniendo resultados muy prometedores. Entender qué es una red neuronal no es difícil si esquivamos los detalles más complejos. Al fin y al cabo es un programa informático inspirado en la estructura y el funcionamiento del cerebro humano con el propósito de procesar información e inferir nuevo conocimiento.
Una red neuronal artificial está constituida por varias capas de unos objetos lógicos conocidos como nodos o neuronas artificiales. Cada nodo tiene entidad propia y es capaz de procesar información para obtener un resultado y entregárselo a uno o varios nodos de la siguiente capa de la red neuronal. Hay varios tipos diferentes de redes neuronales, pero todos ellos persiguen un mismo objetivo: procesar información para generar nuevo conocimiento. Las redes neuronales convolucionales, por ejemplo, se utilizan para identificar patrones, reconocer imágenes, interpretar la voz o implementar algoritmos de visión artificial.
No obstante, hay un componente muy importante de esta tecnología en el que aún no hemos indagado: el entrenamiento. Este procedimiento requiere, sencillamente, entregar información a la red neuronal para que sea procesada, pero no con el propósito de que nos devuelva uno o varios resultados, sino para que aprenda a trabajar con este tipo de información y sea capaz de elaborar predicciones o clasificaciones cuando le suministremos posteriormente los datos que necesitamos analizar. Esta descripción es un poco burda, pero nos resulta útil para entender de qué estamos hablando sin complicar demasiado este artículo.
Las redes neuronales líquidas son las mejores aliadas de la inteligencia artificial que viene
A diferencia de los demás tipos de redes neuronales, que, como acabamos de ver, han sido diseñados para aprender durante la fase de entrenamiento a partir de una entrada prefijada, las redes neuronales líquidas también aprenden durante el análisis de la información que se les entrega con el propósito de inferir nuevo conocimiento. Esto significa, sencillamente, que son capaces de adaptarse continuamente a los nuevos datos de entrada que reciben con el propósito de aprender de forma dinámica e ininterrumpida. Como veis, suena muy bien.
Las redes neuronales líquidas son más eficientes que otras redes neuronales artificiales y tienen una mayor expresividad
Los investigadores que han diseñado estas redes neuronales artificiales han elegido el adjetivo 'líquidas' precisamente para sugerir su flexibilidad y su capacidad de adaptación constante. No obstante, su propuesta tiene dos cualidades más que merece la pena que no pasemos por alto: presumiblemente son más eficientes que otras redes neuronales artificiales y tienen una mayor expresividad.
Según Ramin Hasani, que es uno de los investigadores del MIT especializado en redes neuronales líquidas, la expresividad describe la facilidad con la que los ingenieros pueden actuar sobre el rendimiento de la red neuronal modificando la representación de las neuronas artificiales. Esta característica, de nuevo según Hasani, permite a estas redes abordar niveles de complejidad que no son manejables con otras estructuras de procesamiento de la información.
Aún nos falta explorar algo muy importante acerca de estas redes neuronales. Lo más importante, en realidad: sus campos de aplicación. Los ingenieros del MIT ya las han utilizado con éxito para implementar un algoritmo de navegación autónoma para drones que es capaz de adaptarse en tiempo real a los espacios de navegación más complejos. No obstante, esta aplicación no es más que el preludio de lo que en teoría pueden hacer las redes neuronales líquidas.
Y es que sus diseñadores esperan que a corto plazo puedan ser utilizadas para catapultar la conducción autónoma de los coches, elaborar sistemas de diagnóstico médico mucho más precisos, procesar vídeo en tiempo real o analizar grandes volúmenes de datos financieros, entre otras aplicaciones. Si finalmente demuestran ser tan flexibles y capaces como defienden sus creadores podríamos estar en las puertas de un gran salto en el ámbito de la inteligencia artificial.
Imagen de portada: Google DeepMind
Más información: MIT
via Robótica e IA - Xataka https://ift.tt/kb7nwqL
No hay comentarios:
Publicar un comentario