Al implementar una técnica de aprendizaje ágil en Inteligencia Artificial basada en computación, se descubrió una similitud interesante: la IA empieza a operar de manera similar a la inteligencia humana. Este avance se logró gracias a la creación de un innovador modelo elaborado por dos destacados neurocientíficos, diseñado para reproducir el proceso de aprendizaje visual humano.
El inédito estudio fue ejecutado por Maximillian Riesenhuber, PhD, docente de neurociencia en el Centro Médico de la Universidad de Georgetown, y Joshua Rule, PhD, postdoctorado en UC Berkeley. Los resultados de su investigación se han publicado en la reconocida revista Fronteras en neurociencia computacional.[automatic_youtube_gallery type="search" search="Científicos en Neurociencia diseñan un modelo que simula el aprendizaje visual humano" cache="2419200" per_page="1" thumb_excerpt="0" player_description="0"]
Decodificación del aprendizaje de conceptos visuales por IA
Los estudiosos del tema demostraron cómo este novedoso enfoque incrementa la capacidad del software de la IA para aprender de manera acelerada nuevos conceptos visuales.
«Nuestro modelo propone un delinear biológicamente factible para que las redes neuronales artificiales adquieran nuevos conceptos visuales a partir de una cantidad limitada de ejemplos», señala Riesenhuber. «Haciendo uso de los conocimientos previos, logramos que las computadoras aprendan mucho más a partir de pocos ejemplos, de una manera que creemos imita el funcionamiento del cerebro humano».
Los seres humanos poseemos la facultad de adquirir rápidamente y de forma precisa nuevos conceptos visuales, aunque la cantidad de información sea escasa. Esta capacidad la desarrollamos desde edades tempranas, incluso desde los tres meses de nacidos. Por el contrario, las computadoras requieren una multitud de ejemplos del mismo objeto para finalmente reconocerlo.
«La virtud computacional en la jerarquía cerebral reside en su capacidad para simplificar el aprendizaje aprovechando representaciones previamente asimiladas, de un repositorio de información, repleto de conceptos sobre objetos», explicó Riesenhuber.
Comparativa entre redes neuronales artificiales y el sistema visual humano
Riesenhuber y Rule descubrieron que las redes neuronales artificiales pueden aprender nuevos conceptos visuales mucho más rápido, emulando la eficiencia humana.
«En vez de aprender conceptos avanzados en términos de atributos visuales básicos, nuestro enfoque los interpreta en términos de otros conceptos avanzados», comparte Rule. «Es similar a afirmar que un ornitorrinco tiene ciertas similitudes con un pato, un castor y una nutria marina».
El aprendizaje de conceptos visuales en humanos depende mucho de las redes neuronales involucradas en el reconocimiento de objetos. Se piensa que el lóbulo temporal anterior del cerebro tiene la facultad de trascender la forma en las representaciones de conceptos. Gracias a la complejidad de estas jerarquías neuronales en el reconocimiento visual, los humanos somos capaces de aprender nuevas tareas y aprovechar el aprendizaje anterior.
«Al reutilizar estos conceptos, puedes aprender más eficientemente nuevos conceptos, nuevos significados, como el hecho de que una cebra es simplemente un tipo distinto de caballo», sostiene Riesenhuber.
La Inteligencia Artificial aún no ha igualado por completo las habilidades del sistema visual humano, que tienen una mayor capacidad para generalizar a partir de pocos ejemplos, manipular variaciones de imágenes y comprender escenas. Aun así, los avances actuales permiten vislumbrar que este hito no está demasiado lejos.
«Nuestros hallazgos no sólo apuntan a técnicas que podrían ayudar a las computadoras a aprender de manera más rápida y eficiente, sino que también podrían orientar a futuros experimentos de neurociencia que buscan entender cómo las personas logran aprender tan rápido, un fenómeno que todavía no se comprende totalmente», concluye Riesenhuber.