En estos momentos, las aplicaciones potenciales de la inteligencia artificial abarcan no solo campos obvios como la robótica, sino también otros menos obvios como la medicina e incluso la política.

Para todas estas aplicaciones, se busca entrenar a sistemas de inteligencia artificial para que sean capaces de tomar decisiones.

Por desgracia, enseñar a un sistema de inteligencia artificial a tomar buenas decisiones no es una labor fácil.

Los métodos empleados comúnmente para adiestrar a estas inteligencias artificiales no suelen servir cuando dichas inteligencias deben enfrentarse a situaciones distintas a aquellas para las que fueron entrenadas, aunque tales diferencias sean pequeñas.

Para superar estas limitaciones, Jung-Hoon Cho, Vindula Jayawardana, Sirui Li y Cathy Wu, todos del Instituto Tecnológico de Massachusetts (MIT) en Estados Unidos, han recurrido al uso de un algoritmo más eficiente para entrenar a inteligencias artificiales.

El algoritmo selecciona estratégicamente las mejores tareas para entrenar a una inteligencia artificial de modo que pueda realizar eficazmente esas y otras muchas tareas.

En las pruebas realizadas, los investigadores comprobaron que su algoritmo, llamado MBTL, era entre 5 y 50 veces más eficiente que los métodos tradicionales de entrenamiento.

Esto significa que con este algoritmo es posible llegar al mismo resultado práctico al que se llega con los métodos tradicionales pero empleando para el entrenamiento una cantidad de datos muy inferior a la requerida por esos métodos.

Por ejemplo, el algoritmo MBTL podía ser entrenado con dos tareas y lograba el mismo rendimiento que un método estándar que utiliza datos de cien tareas.

Fuente: MIT