23 de enero de 2017

Este tipo de avances en investigación sobre AI conllevan alguna que otra opinión escéptica que cuestiona la capacidad de que un software de estas características tenga la posibilidad de  realizar trabajos humanos. Aun así, los principales investigadores siguen trabajando por hacer un software que pueda aprender justo a hacer una de las partes más difíciles de sus propias tareas: diseñar un software de aprendizaje máquina.

En un experimento previo, los profesionales de Google Brain diseñaron un sistema de aprendizaje máquina para realizar una prueba de comparación con el software capaz de procesar el lenguaje. Las evidencias superaron los resultados publicados de software por humanos. 

Durante los últimos meses, otros grupos también han progresado en sus investigaciones para conseguir un software de aprendizaje que pueda construir softwares de aprendizaje. Entre ellos, destacan los de OpenAI (que fue co-fundado por Elon Musk); el MIT; la Universidad de California, Berkeley y el otro grupo de investigación de inteligencia artificial de Google, DeepMind.

Si finalmente estas técnicas de auto-puesta en marcha en relación al software en Inteligencia Artificial se vuelven prácticas, podrían incrementar el ritmo de implementación del software de aprendizaje automático en la economía de la empresa. Actualmente, estas deben pagar una prima por los expertos que trabajan en AI, dado que no existen muchos profesionales de este ámbito. En este sentido, Jeff Dean, director del grupo de investigación de Google Brain, comentó en una entrevista la semana pasada que parte del trabajo de estos expertos podría ser suplantado por el software de AI. Describió lo que denominó "aprendizaje automatizado de máquinas" como una de las vías de investigación más prometedoras que su equipo estaba explorando.

Por su parte, un conjunto de experimentos del grupo DeepMind de Google sugiere que lo que los investigadores denominan "aprender a aprender" también podría ayudar a disminuir el problema del software de aprendizaje máquina que necesita consumir grandes cantidades de datos sobre una tarea específica para poder realizarla correctamente. De esta manera, desafiaron su software para crear sistemas de aprendizaje para colecciones de múltiples problemas diferentes, pero relacionados, como navegar en laberintos. Plantearon diseños que mostraron una habilidad para generalizar y recoger nuevas tareas con menos entrenamiento adicional de lo que sería habitual.

Lo que los investigadores denominan "aprender a aprender" también podría ayudar a disminuir el problema del software de aprendizaje máquina que necesita consumir grandes cantidades de datos sobre una tarea específica para poder realizarla correctamente

Cabe destacar que una disminución de la carga sobre el científico de datos es una gran recompensa, ya que ello podría hacer al empleado más productivo y liberarlo para que pueda explorar ideas de nivel superior, así como hacer mejores modelos.