La inteligencia artificial realmente autónoma ya llama a nuestra puerta

Actualizado hace 49 segundos

Un nuevo algoritmo, Torque Clustering, desarrollado en la Universidad de Tecnología de Sidney (UTS) mejora notablemente la forma en que los sistemas de inteligencia artificial (IA) aprenden y descubren patrones en los datos de forma independiente, sin guía humana, según un artículo publicado en la revista IEEE. La inteligencia artificial autonoma llega con paso firme.

Torque Clustering, a decir de sus creadores, se acerca mucho más a la inteligencia natural que los métodos actuales: puede analizar de forma eficiente y autónoma grandes cantidades de datos en campos como la biología, la química, la astronomía, la psicología, las finanzas y la medicina, revelando nuevos conocimientos como la detección de patrones de enfermedades, el descubrimiento de fraudes o la comprensión del comportamiento a partir de lo que llaman aprendizaje no supervisado.

Recreación de los dos hemiesferios cerebrales. Julien Tromeur/Freepik

Menos costes y tiempo

“En la naturaleza, los animales aprenden observando, explorando e interactuando con su entorno, sin instrucciones explícitas. El aprendizaje no supervisado pretende imitar este enfoque”, explica el profesor Chin-Teng Lin, de la UTS, un investigador líder en IA e interfaces cerebro-computador.

Casi todas las tecnologías de IA actuales se basan en el aprendizaje supervisado, un método de entrenamiento de IA que requiere que un humano etiquete e introduzca grandes cantidades de datos utilizando categorías o valores predefinidos, de modo que la IA pueda hacer predicciones y ver relaciones.

“El aprendizaje supervisado tiene una serie de limitaciones”, explica Chin-Teng. “El etiquetado de datos es costoso, lleva mucho tiempo y, a menudo, resulta poco práctico para tareas complejas o de gran escala. El aprendizaje no supervisado, por el contrario, funciona sin datos etiquetados, lo que permite descubrir las estructuras y los patrones inherentes a los conjuntos de datos”, explica.

Completamente autónomo

El algoritmo Torque Clustering supera a los métodos tradicionales de aprendizaje no supervisado y ofrece un posible cambio de paradigma. Es completamente autónomo, no tiene parámetros y puede procesar grandes conjuntos de datos con una eficiencia computacional excepcional.

Se ha probado rigurosamente en 1.000 conjuntos de datos diversos y ha logrado una puntuación media de información mutua ajustada (AMI, una medida de los resultados de la agrupación) del 97,7%. Otros métodos de última generación solo alcanzan el 80%.

“Lo que distingue a Torque Clustering es su base en el concepto físico de torque, lo que le permite identificar cúmulos de manera autónoma y adaptarse sin problemas a diversos tipos de datos, con diferentes formas, densidades y grados de ruido”, dijo el coautor Jie Yang, investigador postdoctoral asociado en la UTS y experto en aprendizaje no supervisado.

“Se inspiró en el equilibrio de torque en las interacciones gravitacionales cuando las galaxias se fusionan. Se basa en dos propiedades naturales del universo: la masa y la distancia. Esta conexión con la física agrega una capa fundamental de importancia científica al método.

Torque Clustering podría respaldar el desarrollo de la inteligencia artificial general, particularmente en campos como la robótica y los sistemas autónomos, al ayudar a optimizar el movimiento, el control y la toma de decisiones. Está destinado a redefinir el panorama del aprendizaje no supervisado, allanando el camino para una IA verdaderamente autónoma. El código fuente abierto se ha puesto a disposición de los investigadores.

Ventajas de la IA autónoma

Según explica el experto en IA Maximilian Scheneider, la mayor complejidad de la inteligencia artificial autónoma conduce a una mayor explotación del potencial de la IA a varios niveles:

Automatización de procesos en profundidad.: La IA autónoma puede ir más allá de tareas repetitivas e iniciar por su cuenta secuencias de decisiones a partir de los conocimientos adquiridos.

Mejora de la gestión de riesgos. Las secuencias de algoritmos más complejas consiguen una mayor precisión mediante la combinación de elementos individuales, modelos matemáticos mejorados y combinaciones de sensores más precisas.

Disponibilidad continua. Los sistemas autónomos no se cansan y pueden señalar posibles fuentes de error y las medidas de mantenimiento necesarias en una fase temprana.

Conectividad instantánea. En un mundo cada vez más conectado, la IA autónoma puede aumentar significativamente la velocidad de la comunicación y las transacciones entre individuos y entre sistemas.

Aumento muy elevado de la productividad. La IA autónoma puede identificar aún mejores oportunidades y hacer predicciones que pueden ser decisivas para que las empresas compitan.

De esta forma, a la inteligencia artificial autónoma se le puede dejar que resuelva por sí misma tareas repetitivas, mientras que los humanos pueden dirigir sus esfuerzos y centrarse en aquellas áreas, en aquellos planteamientos que realmente se presenten como innovadores y estratégicos, necesitando cualidades que vayan más allá de un algoritmo y de un patrón.