{"id":6966,"date":"2017-10-30T16:14:27","date_gmt":"2017-10-30T22:14:27","guid":{"rendered":"http:\/\/cienciauanl.uanl.mx\/?p=6966"},"modified":"2017-10-30T16:14:27","modified_gmt":"2017-10-30T22:14:27","slug":"robots-humanos","status":"publish","type":"post","link":"https:\/\/cienciauanl.uanl.mx\/?p=6966","title":{"rendered":"\u201cRobots humanos\u201d"},"content":{"rendered":"

\"\"<\/p>\n

CIENCIA UANL \/ A\u00d1O 20, No. 83, ENERO-MARZO 2017<\/p>\n

\u00bfTe imaginas un robot que aprenda como los humanos? Es decir, que no sea necesario darle un mont\u00f3n de datos para que funcione, sino que lo haga como t\u00fa y yo con base en ejemplos anteriores o en conocimiento previo. Pues bien, un equipo de cient\u00edficos de EE.UU. y Canad\u00e1 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.<\/p>\n

Seg\u00fan\u00a0 destaca Brenden Lake, autor principal e investigador de Moore-Sloan Data Science en la Universidad de Nueva York, el trabajo trata de hacer m\u00e1s corto el proceso de aprendizaje de nuevos conceptos y ampliar la aplicaci\u00f3n de las m\u00e1quinas a tareas m\u00e1s creativas, como el dibujo, la pintura, entre otras.<\/p>\n

Cuando t\u00fa y yo nos encontramos ante un nuevo concepto \u2013por ejemplo, echar a andar un\u00a0 nuevo electrodom\u00e9stico, aprender un nuevo paso de baile o una letra de un alfabeto diferente\u2013 necesitamos s\u00f3lo 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 precisi\u00f3n similar a la nuestra.<\/p>\n

Para aproximarse a la manera humana de aprender, los investigadores han desarrollado un programa bayesiano de aprendizaje (BLP, por sus siglas en ingl\u00e9s), en el que los conceptos se representan como programas inform\u00e1ticos sencillos.<\/p>\n

Por ejemplo, la letra \u2018A\u2019 se representa por un c\u00f3digo 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 s\u00ed mismo construyendo un c\u00f3digo para producir la letra que ve.<\/p>\n

Tambi\u00e9n, a diferencia de los programas est\u00e1ndar de ordenador que producen el mismo resultado cada vez que se ejecutan, estos programas probabil\u00edsticos producen diferentes salidas en cada ejecuci\u00f3n. Esto les permite captar c\u00f3mo var\u00edan las manifestaciones de un mismo concepto, por ejemplo, las diferentes maneras en que dos personas dibujan la letra \u2018A\u2019.<\/p>\n

Mientras que los algoritmos de reconocimiento de patrones est\u00e1ndar representan conceptos como configuraciones de p\u00edxeles o colecciones de caracter\u00edsticas, el enfoque BPL aprende \u2018modelos generativos\u2019 de procesos reales, lo que permite utilizar los datos de manera m\u00e1s eficiente.<\/p>\n

Referencia bibliogr\u00e1fica: Brenden M. et al. (2016). Human-level concept learning through probabilistic program induction. Science.<\/p>\n","protected":false},"excerpt":{"rendered":"

CIENCIA UANL \/ A\u00d1O 20, No. 83, ENERO-MARZO 2017 \u00bfTe imaginas un robot que aprenda como los humanos? Es decir, que no sea necesario darle un mont\u00f3n de datos para que funcione, sino que lo haga como t\u00fa y yo con base en ejemplos anteriores o en conocimiento previo. Pues bien, un equipo de cient\u00edficos de EE.UU. y Canad\u00e1 ha […]<\/p>\n","protected":false},"author":2,"featured_media":6967,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[21],"tags":[],"class_list":["post-6966","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia-en-breve"],"_links":{"self":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/6966","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=6966"}],"version-history":[{"count":1,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/6966\/revisions"}],"predecessor-version":[{"id":6968,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/6966\/revisions\/6968"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/media\/6967"}],"wp:attachment":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=6966"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=6966"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=6966"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}