Una técnica de "caja negra" puede conducir a una Inteligencia Artificial más potente

Una técnica de “caja negra” puede conducir a una Inteligencia Artificial más potente

Comparta este Artículo en:

Esta estrategia de caja negra es más fácil, más rápida y más flexible.

No es fácil entrenar una red neuronal.

Incluso si no son difíciles de implementar, puede tomar horas para que estén listas, no importa cuánto poder de cómputo se pueda utilizar.

Investigadores de OpenAI pueden tener una mejor solución: olvidando muchas de las reglas habituales.

Han desarrollado una estrategia de evolución (no, no se relaciona mucho con la evolución biológica) que promete sistemas de Inteligencia Artificial más potentes.

En lugar de utilizar el entrenamiento de refuerzo estándar, crean una “caja negra” donde se olvidan de que el medio ambiente y las redes neuronales están incluso involucrados.

Se trata de optimizar una función determinada de forma aislada y compartirla según sea necesario.

El sistema comienza con muchos parámetros aleatorios, hace conjeturas y, a continuación, ajusta las suposiciones de seguimiento para favorecer a los candidatos más exitosos, reduciendo gradualmente las cosas a la respuesta ideal.

Usted puede comenzar con un millón de números, pero terminará con sólo uno al final.

Suena un poco misterioso, pero los beneficios son fáciles de entender.

La técnica elimina una gran parte del tradicional código complejo en el entrenamiento de redes neuronales, haciendo que el código sea más fácil de implementar y aproximadamente dos o tres veces más rápido.

Y cuando los “trabajadores” en este esquema sólo necesitan compartir pequeños bits de datos entre sí, el método escala elegantemente más núcleos de procesador que emplea en un problema.

En las pruebas, un supercomputador grande con 1.440 núcleos podría entrenar a un humanoide para caminar en 10 minutos frente a 10 horas para una configuración típica, e incluso un sistema “humilde” de 720 núcleos podría hacer en 1 hora lo que un sistema de 32 núcleos le tomaría un día completo para lograr.

Hay un largo camino por recorrer antes de ver el enfoque de la caja negra utilizado en la Inteligencia Artificial del mundo real.

Sin embargo, las implicaciones prácticas son claras: los operadores de redes neuronales podrían dedicar más tiempo a utilizar sus sistemas en lugar de capacitarlos.

Y a medida que las computadoras se vuelven cada vez más rápidas, esto aumenta la probabilidad de que este tipo de aprendizaje pueda suceder efectivamente en tiempo real.

Usted podría eventualmente ver robots que sean muy rápidos para adaptarse a nuevas tareas y aprender de los errores.

Fuente: Engadget

Print Friendly, PDF & Email

Artículos relacionados: