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, tiene como objetivo recopilar algunos de los descubrimientos y documentos recientes más relevantes, particularmente en inteligencia artificial, entre otros, y explicar por qué son importantes.
En las últimas semanas, los investigadores del MIT han detallado su trabajo en un sistema para rastrear la progresión de los pacientes de Parkinson al monitorear continuamente su velocidad de marcha. En otro lugar, Whale Safe, un proyecto encabezado por el Laboratorio de Ciencias Oceánicas de Benioff y sus socios, lanzado boyas equipadas con sensores alimentados por IA en un experimento para evitar que los barcos golpeen a las ballenas. Otros aspectos de la ecología y el mundo académico también vieron avances impulsados por el aprendizaje automático.
El esfuerzo de seguimiento del Parkinson del MIT tiene como objetivo ayudar a los médicos a superar los desafíos en el tratamiento de los aproximadamente 10 millones de personas afectadas por la enfermedad en todo el mundo. Por lo general, las habilidades motoras y las funciones cognitivas de los pacientes de Parkinson se evalúan durante las visitas clínicas, pero pueden verse sesgadas por factores externos como el cansancio. Agregue a ese hecho que viajar a una oficina es una perspectiva demasiado abrumadora para muchos pacientes, y su situación se vuelve más difícil.
Como alternativa, el equipo del MIT propone un dispositivo doméstico que recopila datos mediante señales de radio que se reflejan en el cuerpo de un paciente mientras se mueve por su casa. Aproximadamente del tamaño de un enrutador Wi-Fi, el dispositivo, que funciona todo el día, utiliza un algoritmo para seleccionar las señales incluso cuando hay otras personas moviéndose por la habitación.
En un estudio publicado en la revista Science Translational Medicine, los investigadores del MIT demostraron que su dispositivo pudo rastrear de manera efectiva la progresión y la gravedad del Parkinson en docenas de participantes durante un estudio piloto. Por ejemplo, demostraron que la velocidad de la marcha disminuyó casi el doble de rápido en las personas con Parkinson en comparación con las que no la tenían, y que las fluctuaciones diarias en la velocidad de la marcha de un paciente se correspondían con qué tan bien respondían a su medicación.
Pasando de la atención médica a la difícil situación de las ballenas, el proyecto Whale Safe, cuya misión declarada es “utilizar la mejor tecnología en su clase con estrategias de conservación de mejores prácticas para crear una solución para reducir el riesgo para las ballenas”, a fines de septiembre desplegó boyas equipadas con computadoras a bordo que pueden grabar sonidos de ballenas usando un micrófono submarino. Un sistema de inteligencia artificial detecta los sonidos de especies particulares y transmite los resultados a un investigador, de modo que la ubicación del animal, o animales, se puede calcular al corroborar los datos con las condiciones del agua y los registros locales de avistamientos de ballenas. Luego, las ubicaciones de las ballenas se comunican a los barcos cercanos para que puedan desviarse según sea necesario.
Las colisiones con barcos son una de las principales causas de muerte de las ballenas, muchas de las cuales están en peligro de extinción. De acuerdo a investigar llevado a cabo por la organización sin fines de lucro Friend of the Sea, los choques con barcos matan a más de 20,000 ballenas cada año. Eso es destructivo para los ecosistemas locales, ya que las ballenas juegan un papel importante en la captura de carbono de la atmósfera. Una sola gran ballena puede secuestrar alrededor 33 toneladas de dióxido de carbono en promedio.
Créditos de imagen: Laboratorio de Ciencias Oceánicas Benioff
Whale Safe actualmente tiene boyas desplegadas en el Canal de Santa Bárbara cerca de los puertos de Los Ángeles y Long Beach. En el futuro, el proyecto tiene como objetivo instalar boyas en otras áreas costeras estadounidenses, incluidas Seattle, Vancouver y San Diego.
La conservación de los bosques es otra área en la que se está poniendo en juego la tecnología. Las encuestas de terrenos forestales desde arriba que utilizan LIDAR son útiles para estimar el crecimiento y otras métricas, pero los datos que producen no siempre son fáciles de leer. Las nubes de puntos de LIDAR son solo mapas de altura y distancia no diferenciados: el bosque es una gran superficie, no un montón de árboles individuales. Esos tienden a tener que ser rastreados por humanos en el suelo.
investigadores de purdue han creado un algoritmo (no del todo AI, pero lo permitiremos esta vez) que convierte una gran cantidad de datos lidar 3D en árboles segmentados individualmente, lo que permite recopilar no solo datos de crecimiento y dosel, sino también una buena estimación de los árboles reales. Lo hace calculando el camino más eficiente desde un punto dado hasta el suelo, esencialmente lo contrario de lo que harían los nutrientes en un árbol. Los resultados son bastante precisos (después de ser verificados con un inventario en persona) y podrían contribuir a un seguimiento mucho mejor de los bosques y los recursos en el futuro.
Los autos sin conductor están apareciendo en nuestras calles con más frecuencia en estos días, incluso si todavía son básicamente pruebas beta. A medida que su número crece, ¿cómo deberían adaptarse a ellos los responsables políticos y los ingenieros cívicos? Los investigadores de Carnegie Mellon elaboraron un resumen de políticas que hace algunos argumentos interesantes.
Diagrama que muestra cómo la toma de decisiones en colaboración, en la que unos pocos automóviles optan por una ruta más larga, en realidad la hace más rápida para la mayoría.
La diferencia clave, argumentan, es que los vehículos autónomos conducen de manera “altruista”, lo que significa que deliberadamente acomodan a otros conductores, por ejemplo, siempre permitiendo que otros conductores se incorporen delante de ellos. Se puede aprovechar este tipo de comportamiento, pero a nivel de políticas debería recompensarse, argumentan, y los AV deberían tener acceso a cosas como carreteras de peaje y HOV y carriles para autobuses, ya que no los usarán “egoístamente”. ”
También recomiendan que las agencias de planificación tengan una vista real ampliada al tomar decisiones, involucrando otros tipos de transporte como bicicletas y scooters y observando cómo se debe requerir o aumentar la comunicación entre AV y entre flotas. Puedes lea el informe completo de 23 páginas aquí (PDF).
Pasando del tráfico a la traducción, Meta anunció la semana pasada un nuevo sistema, Universal Speech Translator, que está diseñado para interpretar lenguajes no escritos como Hokkien. Como pieza de Engadget en el sistema notas, miles de idiomas hablados no tienen un componente escrito, lo que plantea un problema para la mayoría de los sistemas de traducción de aprendizaje automático, que normalmente necesitan convertir el habla en palabras escritas antes de traducir el nuevo idioma y revertir el texto a habla.
Para sortear la falta de ejemplos de lenguaje etiquetados, Universal Speech Translator convierte el habla en “unidades acústicas” y luego genera formas de onda. Actualmente, el sistema es bastante limitado en lo que puede hacer: permite a los hablantes de Hokkien, un idioma que se usa comúnmente en el sureste de China continental, traducir al inglés una oración completa a la vez. Pero el equipo de investigación de Meta detrás de Universal Speech Translator cree que seguirá mejorando.
Ilustración para AlphaTensor
En otra parte del campo de la IA, los investigadores de DeepMind detallaron AlphaTensor, que según el laboratorio respaldado por Alphabet es el primer sistema de inteligencia artificial para descubrir algoritmos nuevos, eficientes y “probablemente correctos”. AlphaTensor fue diseñado específicamente para encontrar nuevas técnicas para la multiplicación de matrices, una operación matemática que es fundamental para la forma en que funcionan los sistemas modernos de aprendizaje automático.
Para aprovechar AlphaTensor, DeepMind convirtió el problema de encontrar algoritmos de multiplicación de matrices en un juego para un solo jugador donde el “tablero” es una matriz tridimensional de números llamada tensor. Según DeepMind, AlphaTensor aprendió a sobresalir en ello, mejorando un algoritmo descubierto por primera vez hace 50 años y descubriendo nuevos algoritmos con una complejidad “de última generación”. Un algoritmo que descubrió el sistema, optimizado para hardware como la GPU V100 de Nvidia, era entre un 10 % y un 20 % más rápido que los algoritmos de uso común en el mismo hardware.
Source link