Mejoran la forma en que la inteligencia artificial aprende a ver

Investigadores han desarrollado un nuevo método que mejora la forma en que la inteligencia artificial (IA) aprende a ver, ayudando en el desarrollo de lo que se conoce como “IA explicable“, útil para aplicaciones de IA de alta seguridad.

Científicos del Departamento de Ciencias de la Computación de UTSA, han conseguido cambiar el enfoque convencional empleado para explicar las diferentes decisiones de aprendizaje automático que se basa en una única inyección de ruido en la capa de entrada de una red neuronal.

Los expertos han mostrado que añadir ruido, también conocido como pixelación, a lo largo de muchas capas de una red, proporcionaría una representación muchísimo más sólida de una imagen reconocida por la inteligencia artificial (IA), creando explicaciones más solidas para las decisiones tomadas por esta.

Este trabajo sería de utilidad a la hora de ayudar en el desarrollo de lo que se conoce en la actualidad como “IA explicable”, que busca habilitar aplicaciones de inteligencia artificial de alta seguridad, como conducción autónoma o imágenes médicas.

Como indica Sumit Jha, uno de los responsables del estudio, “se trata de inyectar ruido en cada capa”.

Debido a ello, “la red ahora se ve obligada a aprender una representación mucho más sólida de la entrada en todas sus capas internas.

Si cada capa experimenta más perturbaciones en cada uno de los entrenamientos, entonces la representación de la imagen será más sólida y no verá que la IA falla simplemente porque cambia algunos pixeles de la imagen de entrada”.

El trabajo realizado por el equipo de la Universidad de Florida Central, el Laboratorio de Investigación de la Fuerza Aérea y SRI International es un avance importante con respecto al trabajo anterior llevado a cabo en este campo.

Ya en el año 2019 demostraron cómo las malas condiciones presentes en la naturaleza podían conducir a una red neuronal peligrosa.

En ese momento, los investigadores pidieron a un sistema de visión por computador que reconociera un vehículo ubicado en una carretera, y lo hizo correctamente.

Luego, el equipo añadió una pequeña cantidad de niebla, volviendo a plantear la misma cuestión a la red.

La inteligencia artificial, sin embargo, lo identificó como una fuente.

La visión por computador, que es entendida como la capacidad de reconocer imágenes, tiene muchísimas aplicaciones comerciales, ya que permite, por ejemplo, identificar mejor algunas áreas en el hígado y el cerebro de los pacientes con cáncer, las cuales tienden a preocupar bastante a los médicos.

Pero este tipo de aprendizaje automático también puede ser empleado en muchísimas otras industrias.

Los drones pueden usarlos para ayudar a detectar fugas en las tuberías, a la vez que los agricultores ya lo estarían utilizando para detectar las primeras señales de enfermedades de los cultivos, mejorando así sus rendimientos.

Por otro lado, a través del aprendizaje profundo, una computadora está capacitada para llevar a cabo distintos comportamientos, como hacer predicciones, reconocer el habla o incluso identificar imágenes.

En lugar de organizar los datos para la ejecución de ecuaciones establecidas, el aprendizaje profundo tiende a funcionar dentro de una serie de parámetros básicos sobre un determinado conjunto de datos, entrenando a la computadora para que aprenda por sí sola reconociendo una serie de patrones usando muchas capas de procesamiento.

Fuente: Muy Interesante