La investigación en el campo del aprendizaje automático y la IA, ahora una tecnología clave en prácticamente todas las industrias y empresas, es demasiado voluminosa para que alguien la lea en su totalidad. Esta columna, Perceptron (anteriormente Deep Science), tiene como objetivo recopilar algunos de los descubrimientos y artículos recientes más relevantes, particularmente en inteligencia artificial, entre otros, y explicar por qué son importantes.
Esta semana en AI, un equipo de ingenieros de la Universidad de Glasgow desarrolló una “piel artificial” que puede aprender a experimentar y reaccionar ante el dolor simulado. Por otra parte, los investigadores de DeepMind desarrollaron un sistema de aprendizaje automático que predice dónde correrán los jugadores de fútbol en un campo, mientras que grupos de la Universidad China de Hong Kong (CUHK) y la Universidad de Tsinghua crearon algoritmos que pueden generar fotos realistas, e incluso videos, de humanos. modelos
Según un comunicado de prensa, el equipo de Glasgow piel artificial aprovechó un nuevo tipo de sistema de procesamiento basado en “transistores sinápticos” diseñados para imitar las vías neuronales del cerebro. Los transistores, hechos de nanocables de óxido de zinc impresos en la superficie de un plástico flexible, se conectaron a un sensor de piel que registró cambios en la resistencia eléctrica.
Créditos de imagen: Universidad de Glasgow
Si bien la piel artificial se ha intentado antes, el equipo afirma que su diseño difería en que usaba un circuito integrado en el sistema para actuar como una “sinapsis artificial”, reduciendo la entrada a un pico de voltaje. Esto aceleró el procesamiento y permitió al equipo “enseñar” a la piel cómo responder al dolor simulado al establecer un umbral de voltaje de entrada cuya frecuencia variaba según el nivel de presión aplicado a la piel.
El equipo ve que la piel se usa en robótica, donde podría, por ejemplo, evitar que un brazo robótico entre en contacto con temperaturas peligrosamente altas.
Tangencialmente relacionado con la robótica, DeepMind afirma haber desarrollado un modelo de IA, Imputador gráfico, que puede anticipar hacia dónde se moverán los jugadores de fútbol utilizando grabaciones de cámara de solo un subconjunto de jugadores. Más impresionante aún, el sistema puede hacer predicciones sobre los jugadores más allá de la vista de la cámara, lo que le permite rastrear la posición de la mayoría de los jugadores, si no todos, en el campo con bastante precisión.
Créditos de imagen: Mente profunda
Graph Imputer no es perfecto. Pero los investigadores de DeepMind dicen que podría usarse para aplicaciones como modelar el control de lanzamiento, o la probabilidad de que un jugador pueda controlar la pelota suponiendo que está en un lugar determinado. (Varios equipos líderes de la Premier League usar modelos de control de campo durante los juegos, así como en el análisis previo y posterior al partido). Más allá del análisis de fútbol y otros deportes, DeepMind espera que las técnicas detrás de Graph Imputer sean aplicables a dominios como el modelado de peatones en carreteras y el modelado de multitudes en estadios.
Si bien la piel artificial y los sistemas de predicción de movimiento son impresionantes, sin duda, los sistemas de generación de fotos y videos están progresando a un ritmo rápido. Obviamente, hay trabajos de alto perfil como Dall-E 2 de OpenAI e Imagen de Google. Pero echa un vistazo a Texto2humanodesarrollado por el laboratorio multimedia de CUHK, que puede traducir una leyenda como “la dama usa una camiseta de manga corta con un patrón de color puro y una falda corta de mezclilla” en una imagen de una persona que en realidad no existe.
En asociación con la Academia de Inteligencia Artificial de Beijing, la Universidad de Tsinghua creó un modelo aún más ambicioso llamado CogVideo que puede generar videoclips a partir de texto (p. ej., “un hombre esquiando”, “un león está bebiendo agua”). Los clips están llenos de artefactos y otras rarezas visuales, pero teniendo en cuenta que son escenas completamente ficticias, es difícil criticar con demasiada dureza.
El aprendizaje automático se usa a menudo en el descubrimiento de fármacos, donde la variedad casi infinita de moléculas que aparecen en la literatura y la teoría deben clasificarse y caracterizarse para encontrar efectos potencialmente beneficiosos. Pero el volumen de datos es tan grande, y el costo de los falsos positivos potencialmente tan alto (es costoso y lleva mucho tiempo buscar clientes potenciales) que incluso una precisión del 99 % no es suficiente. Ese es especialmente el caso de los datos moleculares no etiquetados, con mucho, la mayor parte de lo que existe (en comparación con las moléculas que se han estudiado manualmente a lo largo de los años).
Créditos de imagen: CMU
investigadores de la UCM han estado trabajando para crear un modelo para clasificar miles de millones de moléculas no caracterizadas entrenándolo para que les dé sentido sin ninguna información adicional. Para ello, realiza ligeros cambios en la estructura de la molécula (virtual), como ocultar un átomo o eliminar un enlace, y observar cómo cambia la molécula resultante. Esto le permite aprender las propiedades intrínsecas de cómo se forman y se comportan tales moléculas, y lo llevó a superar a otros modelos de IA en la identificación de sustancias químicas tóxicas en una base de datos de prueba.
Las firmas moleculares también son clave en el diagnóstico de enfermedades: dos pacientes pueden presentar síntomas similares, pero un análisis cuidadoso de los resultados de laboratorio muestra que tienen condiciones muy diferentes. Por supuesto, esa es una práctica estándar de manipulación, pero a medida que se acumulan los datos de múltiples pruebas y análisis, se vuelve difícil rastrear todas las correlaciones. La Universidad Técnica de Munich está trabajando en una especie de meta-algoritmo clínico que integra múltiples fuentes de datos (incluidos otros algoritmos) para diferenciar ciertas enfermedades hepáticas con presentaciones similares. Si bien estos modelos no reemplazarán a los médicos, seguirán ayudando a lidiar con los crecientes volúmenes de datos que incluso los especialistas pueden no tener el tiempo o la experiencia para interpretar.
Source link