Un nuevo tipo de red neuronal que sea capaz de adaptar su comportamiento subyacente después de la fase de entrenamiento inicial podría ser la clave para grandes mejoras en situaciones en las que las condiciones pueden cambiar rápidamente, como la conducción autónoma, el control de robots o el diagnóstico de afecciones médicas. Estos supuestos Redes neuronales “líquidas” fueron ideados por Ramin Hasani del Laboratorio de Inteligencia Artificial y Ciencias de la Computación del MIT y su equipo en CSAIL, y tienen el potencial de expandir en gran medida la flexibilidad de la tecnología de inteligencia artificial después de la fase de capacitación, cuando están involucrados en el trabajo de inferencia práctica real realizado en el campo.
Por lo general, después de la fase de entrenamiento, durante la cual a los algoritmos de redes neuronales se les proporciona un gran volumen de datos de destino relevantes para perfeccionar sus capacidades de inferencia, y se les recompensa por las respuestas correctas para optimizar el rendimiento, son esencialmente fijos. Pero el equipo de Hasani desarrolló un medio por el cual su red neuronal “líquida” puede adaptar los parámetros de “éxito” a lo largo del tiempo en respuesta a nueva información, lo que significa que si una red neuronal encargada de la percepción en un automóvil autónomo va desde cielos despejados en nieve intensa, por ejemplo, es más capaz de lidiar con el cambio de circunstancias y mantener un alto nivel de rendimiento.
La principal diferencia en el método introducido por Hasani y sus colaboradores es que se enfoca en la adaptabilidad de series de tiempo, lo que significa que en lugar de estar construido sobre datos de entrenamiento que se componen esencialmente de una serie de instantáneas, o momentos estáticos fijados en el tiempo, el Las redes líquidas consideran inherentemente datos de series de tiempo, o secuencias de imágenes, en lugar de segmentos aislados.
Debido a la forma en que está diseñado el sistema, en realidad también está más abierto a la observación y el estudio por parte de los investigadores, en comparación con las redes neuronales tradicionales. Este tipo de IA generalmente se conoce como una “caja negra”, porque si bien quienes desarrollan los algoritmos conocen las entradas y los criterios para determinar y fomentar un comportamiento exitoso, generalmente no pueden determinar qué está sucediendo exactamente dentro de las redes neuronales. que conduce al éxito. Este modelo “líquido” ofrece más transparencia allí y es menos costoso en lo que respecta a la informática porque se basa en menos nodos informáticos, pero más sofisticados.
Mientras tanto, los resultados de rendimiento indican que es mejor que otras alternativas para la precisión en la predicción de los valores futuros de conjuntos de datos conocidos. El siguiente paso para Hasani y su equipo es determinar la mejor manera de mejorar aún más el sistema y prepararlo para su uso en aplicaciones prácticas reales.
Source link