La inteligencia artificial basada en computadora puede funcionar más como la inteligencia humana cuando se programa para usar una técnica mucho más rápida para aprender nuevos objetos, dicen dos neurocientíficos que diseñaron un modelo que fue diseñado para reflejar el aprendizaje visual humano.
En la revista Frontiers in Computational Neuroscience , Maximilian Riesenhuber, PhD, profesor de neurociencia, en el Centro Médico de la Universidad de Georgetown, y Joshua Rule, PhD, becario postdoctoral en UC Berkeley, explican cómo el nuevo enfoque mejora enormemente la capacidad del software de IA para rápidamente aprender nuevos conceptos visuales.
«Nuestro modelo proporciona una forma biológicamente plausible para que las redes neuronales artificiales aprendan nuevos conceptos visuales a partir de una pequeña cantidad de ejemplos», dice Riesenhuber. «Podemos hacer que las computadoras aprendan mucho mejor a partir de unos pocos ejemplos aprovechando el aprendizaje previo de una manera que creemos que refleja lo que está haciendo el cerebro».
Los seres humanos pueden aprender de forma rápida y precisa nuevos conceptos visuales a partir de datos escasos, a veces con un solo ejemplo. Incluso los bebés de tres a cuatro meses pueden aprender fácilmente a reconocer las cebras y distinguirlas de los gatos, los caballos y las jirafas. Pero las computadoras normalmente necesitan «ver» muchos ejemplos del mismo objeto para saber qué es, explica Riesenhuber.
El gran cambio necesario fue diseñar software para identificar relaciones entre categorías visuales completas, en lugar de intentar el enfoque más estándar de identificar un objeto utilizando solo información de bajo nivel e intermedia, como la forma y el color, dice Riesenhuber.
«El poder computacional de la jerarquía del cerebro radica en el potencial de simplificar el aprendizaje aprovechando las representaciones aprendidas previamente de un banco de datos, por así decirlo, lleno de conceptos sobre objetos», dice.
Riesenhuber y Rule encontraron que las redes neuronales artificiales, que representan objetos en términos de conceptos previamente aprendidos, aprendieron nuevos conceptos visuales significativamente más rápido.
Rule explica: «En lugar de aprender conceptos de alto nivel en términos de características visuales de bajo nivel, nuestro enfoque los explica en términos de otros conceptos de alto nivel. Es como decir que un ornitorrinco se parece un poco a un pato, un castor, y una nutria marina «.
La arquitectura del cerebro que subyace al aprendizaje del concepto visual humano se basa en las redes neuronales involucradas en el reconocimiento de objetos. Se cree que el lóbulo temporal anterior del cerebro contiene representaciones de conceptos «abstractos» que van más allá de la forma. Estas complejas jerarquías neuronales para el reconocimiento visual permiten a los humanos aprender nuevas tareas y, lo que es más importante, aprovechar el aprendizaje previo.
«Al reutilizar estos conceptos, puede aprender más fácilmente nuevos conceptos, nuevos significados, como el hecho de que una cebra es simplemente un caballo de una raya diferente», dice Riesenhuber.
A pesar de los avances en la inteligencia artificial, el sistema visual humano sigue siendo el estándar de oro en términos de capacidad para generalizar a partir de unos pocos ejemplos, tratar de manera sólida las variaciones de imagen y comprender escenas, dicen los científicos.
«Nuestros hallazgos no solo sugieren técnicas que podrían ayudar a las computadoras a aprender de manera más rápida y eficiente, sino que también pueden conducir a experimentos de neurociencia mejorados destinados a comprender cómo las personas aprenden tan rápido, lo que aún no se comprende bien», concluye Riesenhuber.
Este trabajo fue financiado en parte por el Laboratorio Nacional Lawrence Livermore y por la Fundación Nacional de Ciencias (1026934 y 1232530) Becas de investigación para graduados.
