A medida que la inteligencia artificial se vuelve más sofisticada, gran parte de la atención pública se ha centrado en cuán exitosamente estas tecnologías pueden competir contra los humanos en el ajedrez y otros juegos de estrategia. Un filósofo de la Universidad de Houston ha adoptado un enfoque diferente, deconstruyendo las complejas redes neuronalesutilizado en el aprendizaje automático para arrojar luz sobre cómo los humanos procesan el aprendizaje abstracto.
"A medida que confiamos cada vez más en estos sistemas, es importante saber cómo funcionan y por qué", dijo Cameron Buckner, profesor asistente de filosofía y autor de un artículo que explora el tema publicado en la revista Síntesis . Una mejor comprensión de cómo funcionan los sistemas, a su vez, lo llevó a comprender la naturaleza del aprendizaje humano.
Los filósofos han debatido los orígenes del conocimiento humano desde los días de Platón: ¿es innato, basado en la lógica o el conocimiento proviene de la experiencia sensorial en el mundo?
Las redes neuronales convolucionales profundas, o DCNN, sugieren que el conocimiento humano proviene de la experiencia, una escuela de pensamiento conocida como empirismo, concluyó Buckner. Estas redes neuronales: redes neuronales artificiales de varias capas, con nodos que replican cómo las neuronas procesan y transmiten informaciónen el cerebro: demuestre cómo se adquiere el conocimiento abstracto, dijo, haciendo de las redes una herramienta útil para campos como la neurociencia y la psicología.
En el documento, Buckner señala que el éxito de estas redes en tareas complejas que implican percepción y discriminación a veces ha superado la capacidad de los científicos para comprender cómo funcionan.
Si bien algunos científicos que construyen sistemas de redes neuronales han hecho referencia al pensamiento del filósofo británico John Locke y otros teóricos influyentes, su atención se ha centrado en los resultados en lugar de comprender cómo las redes se cruzan con los relatos filosóficos tradicionales de la cognición humana. Buckner se propuso llenarese vacío, teniendo en cuenta el uso de IA para el razonamiento abstracto, que abarca desde juegos de estrategia hasta el reconocimiento visual de sillas, obras de arte y animales, tareas que son sorprendentemente complejas teniendo en cuenta las muchas variaciones potenciales en el punto de vista, el color, el estilo y otros detalles.
"Los investigadores de visión artificial y aprendizaje automático han notado recientemente que las categorías cotidianas de triángulos, sillas, gatos y otras son muy difíciles de reconocer porque se pueden encontrar en una variedad de diferentes poses u orientaciones que no son mutuamente similares en términosde sus propiedades perceptivas de bajo nivel ", escribió Buckner ..." una silla vista desde el frente no se parece mucho a la misma silla vista desde atrás o desde arriba; de alguna manera debemos unificar todas estas perspectivas diversas para construir una silla confiable.detector."
Para superar los desafíos, los sistemas deben controlar la llamada variación molesta, o el rango de diferencias que comúnmente afectan la capacidad de un sistema para identificar objetos, sonidos y otras tareas: tamaño y posición, por ejemplo, o tono ytono. La capacidad de explicar y digerir esa diversidad de posibilidades es un sello distintivo del razonamiento abstracto.
Los DCNN también han respondido a otra pregunta persistente sobre el razonamiento abstracto, dijo Buckner. Los empiristas de Aristóteles a Locke han recurrido a una facultad de abstracción para completar sus explicaciones de cómo funciona la mente, pero hasta ahora, no ha habido un buenexplicación de cómo funciona ". Por primera vez, los DCNN nos ayudan a comprender cómo funciona realmente esta facultad", dijo Buckner.
Comenzó su carrera académica en ciencias de la computación, estudiando enfoques basados en la lógica de la inteligencia artificial. Las marcadas diferencias entre la IA temprana y las formas en que los animales y los humanos realmente resuelven los problemas impulsaron su cambio a la filosofía.
Hace menos de una década, dijo, los científicos creían que los avances en el aprendizaje automático no llegarían a la capacidad de producir conocimiento abstracto. Ahora que las máquinas están superando a los humanos en juegos estratégicos, se están probando automóviles sin conductor en todo el mundo y sistemas de reconocimiento facialse implementan en todas partes, desde teléfonos celulares hasta aeropuertos, encontrar respuestas se ha vuelto más urgente.
"Estos sistemas tienen éxito donde otros fallaron", dijo, "porque pueden adquirir el tipo de conocimiento sutil, abstracto e intuitivo del mundo que llega automáticamente a los humanos pero que hasta ahora ha demostrado ser imposible de programar en las computadoras".
Fuente de la historia :
Materiales proporcionado por Universidad de Houston . Original escrito por Jeannie Kever. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :