¿Serán los algoritmos inteligentes del futuro como robots de uso general que pueden manejar conversaciones y lectura de cartas tan bien como tareas de cocina? ¿O nuestros asistentes digitales se verán más como aparatos especializados, es decir, no será un chef hablador, sino una cocina llena de electrodomésticos?
Si un algoritmo intenta hacer demasiado, comienzan los problemas. La siguiente receta fue creada por una red neuronal artificial, un tipo de inteligencia artificial que aprende con el ejemplo. Este algoritmo estudió cuidadosamente alrededor de 30,000 recetas, desde sopas y pasteles hasta parrilladas, y luego trató de dar su propia receta. El resultado es, digamos, poco ortodoxo.
Pasta de pollo con arroz
2 libras de corazones pelados
1 taza de pastel de menta o frambuesa fresca picada
1/2 taza de katrimas ralladas
1 cucharada de aceite vegetal
1 sal
1 pimiento
2 1/2 cucharadas de azúcar
Mezcle sin hojas y revuelva hasta que la mezcla se espese. Agregue los huevos, el azúcar, la miel, las semillas de alcaravea y cocine a fuego lento. Agregue jarabe de maíz, orégano, romero y pimienta blanca. Agregue la crema al calentar. Prepárese para agregar la cucharadita restante de levadura y sal. Cocine a 350 ° F durante 2 a 1 hora. Servir caliente
Para 6 porciones.
Y aquí hay un ejemplo de una receta creada por el mismo algoritmo, pero solo en lugar de estudiar todas las recetas seguidas, entrenó solo en pasteles. La receta no es perfecta, pero es mucho mejor que la anterior.
Pastel de zanahoria
1 paquete de mezcla de pastel amarillo
3 tazas de harina
1 cucharadita de levadura en polvo
1 1/2 cucharaditas de refresco
1/4 cucharadita de sal
1 cucharadita de canela
1 cucharadita de jengibre
1/2 cucharadita de clavo
1 cucharadita de levadura en polvo
1/4 cucharadita de sal
1 cucharadita de vainilla
1 huevo a temperatura ambiente
1 taza de azúcar
1 cucharadita de vainilla
1 taza de nueces picadas
Precaliente el horno a 350 grados. Engrase una bandeja para hornear de 9 pulgadas.
Batir los huevos rápidamente hasta el amarillo oscuro. Ponga a un lado. Batir las claras a dureza en una taza separada. Acelere la primera mezcla en la forma preparada y ablande el aceite. Hornee en el horno durante 40 minutos hasta que un palillo insertado en el centro del pastel permanezca limpio. Refrigerar en forma de 10 minutos. Coloque un soporte de alambre hasta que se enfríe.
Retira el pastel del molde hasta que esté completamente frío. Servir tibio.
Para 16 porciones.
Por supuesto, si observa de cerca las instrucciones, quedará claro que a la salida recibirá solo una yema de huevo al horno. Pero esto sigue siendo una mejora. Cuando se permitió que la IA se limitara a una especialización específica, la cantidad de lo que necesitaba ser monitoreado simplemente disminuyó. No tenía que elegir cuándo usar chocolate y cuándo: papas, cuándo hornear y cuándo hervir. Si el primer algoritmo intentó ser una caja mágica capaz de entregar arroz, helado y pasteles, el segundo intentó ser algo parecido a una tostadora, un dispositivo especializado para una tarea.
Los desarrolladores que entrenan algoritmos de aprendizaje automático han descubierto que a menudo tiene sentido crear tostadoras en lugar de cajas mágicas. Esto puede no parecer intuitivo, ya que la IA en la ficción occidental se parece más a C-3PO de Star Wars o WALL-E de la película del mismo nombre. Estos son ejemplos de inteligencia artificial de propósito general (ION), autómatas capaces de interactuar con el mundo como las personas y realizar muchas tareas diferentes. Sin embargo, muchas empresas silenciosamente, y con éxito, utilizan el aprendizaje automático para lograr objetivos mucho más limitados. Un algoritmo podría ser un bot de chat que atienda un número limitado de preguntas básicas de los clientes sobre una factura telefónica. Otro puede dar predicciones sobre lo que la persona que llama quiere discutir y mostrar estas predicciones en la pantalla para la persona que contesta la llamada. Estos son ejemplos de inteligencia artificial de especialización estrecha (IIMS), limitada por un conjunto muy pequeño de funciones. Por otro lado, Facebook retiró recientemente su chat bot "M", que no pudo hacer frente a las reservas de hotel, entradas para el teatro y más.
La razón por la que tenemos un IIMS en lugar de un IALL del nivel WALL-E es que cualquier algoritmo que intente generalizar tareas comienza a enfrentarse peor con las tareas que se le asignan. Por ejemplo,
hay un algoritmo entrenado para producir imágenes basadas en la descripción. Está tratando de crear una imagen del texto: "es un pájaro amarillo con manchas negras en la cabeza y un pico muy corto". Cuando fue entrenado en un conjunto de datos compuesto únicamente por pájaros, se las arregló bastante bien (sin tener en cuenta un cuerno extraño):
Pero cuando se le indicó que creara cualquier cosa, desde señales de alto y botes hasta vacas y personas, tuvo dificultades. Aquí está el resultado de intentar dibujar una "imagen de una niña que come una porción de pizza":
No estamos acostumbrados a pensar que existe una brecha tan grande entre un algoritmo que hace una cosa bien y un algoritmo que hace muchas cosas bien. Pero las capacidades mentales de nuestros algoritmos actuales son muy limitadas en comparación con el cerebro humano, y cada nueva tarea las carga aún más. Imagine un dispositivo doméstico del tamaño de una tostadora: es fácil hacer un par de ranuras en él, instalar bobinas de calentamiento y freír pan. Pero después de eso, hay poco más que hacer. Si intenta agregar una olla arrocera y una máquina para hacer helados allí, tendrá que abandonar al menos las ranuras, y este dispositivo probablemente no podrá funcionar bien.
Los programadores usan diferentes trucos para exprimir el máximo rendimiento de los algoritmos de IMS. Una es la capacitación transmitida: entrene el algoritmo para trabajar con una tarea, y aprenderá a realizar otra, estrechamente relacionada con esta tarea, después de un sobreentrenamiento mínimo. Las personas usan el aprendizaje transmitido para entrenar algoritmos de reconocimiento de imágenes. El algoritmo, que aprendió a reconocer a los animales, ya ha recopilado mucha información sobre la determinación de contornos y análisis de textura, que puede transferirse a la tarea de determinar la fruta. Pero al sobreentrenar el algoritmo para el reconocimiento de frutas, el algoritmo sufrirá un "olvido catastrófico", es decir, ya no recordará cómo identificar animales.
Otro enfoque de los algoritmos actuales es la modularidad. En lugar de convertirse en un algoritmo único que pueda resolver cualquier problema, la IA en el futuro probablemente será un conjunto de herramientas altamente especializadas. El algoritmo, aprendido a jugar Doom, tendrá un sistema separado para visión, control y memoria por computadora. Los módulos interconectados pueden proporcionar redundancia para evitar fallas y un mecanismo de votación para la mejor solución al problema basado en varios enfoques. Puede haber una forma de detectar y corregir errores de algoritmo. Por lo general, es bastante difícil entender cómo un algoritmo particular toma decisiones, pero si la decisión se tomó a través de la interacción de los algoritmos, podemos estudiar el resultado de cada uno de ellos.
Quizás no deberíamos imaginar los algoritmos del futuro lejano en forma de WALL-E y C-3PO. En cambio, podemos imaginar algo así como un teléfono inteligente lleno de todo tipo de aplicaciones, o una encimera de cocina cargada de gadgets. Al prepararse para un mundo lleno de algoritmos, debe asegurarse de que planeemos reunirnos no pensando en cajas mágicas de propósito general que tal vez nunca aparezcan, sino con tostadoras altamente especializadas.