“Robots humanos”

CIENCIA UANL / AÑO 20, No. 83, ENERO-MARZO 2017

¿Te imaginas un robot que aprenda como los humanos? Es decir, que no sea necesario darle un montón de datos para que funcione, sino que lo haga como tú y yo con base en ejemplos anteriores o en conocimiento previo. Pues bien, un equipo de científicos de EE.UU. y Canadá ha desarrollado un algoritmo que captura nuestra capacidad de aprendizaje y permite a los ordenadores reconocer y extraer conceptos visuales sencillos de la forma en la que lo hacen las personas. Los resultados del estudio se publican en la revista Science.

Según  destaca Brenden Lake, autor principal e investigador de Moore-Sloan Data Science en la Universidad de Nueva York, el trabajo trata de hacer más corto el proceso de aprendizaje de nuevos conceptos y ampliar la aplicación de las máquinas a tareas más creativas, como el dibujo, la pintura, entre otras.

Cuando tú y yo nos encontramos ante un nuevo concepto –por ejemplo, echar a andar un  nuevo electrodoméstico, aprender un nuevo paso de baile o una letra de un alfabeto diferente– necesitamos sólo unos pocos ejemplos para entender el funcionamiento y reconocer nuevos casos. Los ordenadores actuales, en cambio, necesitan cientos o miles de instrucciones para operar con una precisión similar a la nuestra.

Para aproximarse a la manera humana de aprender, los investigadores han desarrollado un programa bayesiano de aprendizaje (BLP, por sus siglas en inglés), en el que los conceptos se representan como programas informáticos sencillos.

Por ejemplo, la letra ‘A’ se representa por un código que genera ejemplos de esa letra cuando se ejecuta. Sin embargo, no se requiere un programador durante el proceso de aprendizaje, ya que el algoritmo se programa a sí mismo construyendo un código para producir la letra que ve.

También, a diferencia de los programas estándar de ordenador que producen el mismo resultado cada vez que se ejecutan, estos programas probabilísticos producen diferentes salidas en cada ejecución. Esto les permite captar cómo varían las manifestaciones de un mismo concepto, por ejemplo, las diferentes maneras en que dos personas dibujan la letra ‘A’.

Mientras que los algoritmos de reconocimiento de patrones estándar representan conceptos como configuraciones de píxeles o colecciones de características, el enfoque BPL aprende ‘modelos generativos’ de procesos reales, lo que permite utilizar los datos de manera más eficiente.

Referencia bibliográfica: Brenden M. et al. (2016). Human-level concept learning through probabilistic program induction. Science.