Un sesgo de aprendizaje encontrado en los niños podría ayudar a hacer A.I. mejor tecnología
La teoría detrás de las herramientas de aprendizaje automático que son como redes neuronales es que funcionan y, más específicamente, aprenden de una manera similar al cerebro humano. Así como descubrimos el mundo a través de prueba y error, también lo hace la inteligencia artificial moderna. En la práctica, sin embargo, las cosas son un poco diferentes. Hay aspectos del aprendizaje infantil que las máquinas no pueden replicar, y son una de las cosas que, en muchos dominios, hacen que los humanos sean superiores a los aprendices.
Investigadores de la Universidad de Nueva York están trabajando para cambiar eso. Los investigadores Kanishk Gandhi y Brenden Lake han explorado cómo algo llamado "sesgo de exclusividad mutua", que está presente en los niños, podría ayudar a mejorar la IA cuando se trata de aprender tareas como entender el lenguaje.
"Cuando los niños se esfuerzan por aprender una nueva palabra, confían en los sesgos inductivos para reducir el espacio de posibles significados", dijo Gandhi, un estudiante graduado en el Laboratorio de Aprendizaje de Máquinas y Humanos de la Universidad de Nueva York, a Digital Trends. “La exclusividad mutua (ME) es la creencia de que los niños tienen que si un objeto tiene un nombre, no puede tener otro. La exclusividad mutua nos ayuda a comprender el significado de una palabra novedosa en contextos ambiguos. Por ejemplo, [si] a los niños se les dice que 'me muestren el dax' cuando se les presenta un objeto familiar y un objeto desconocido, tienden a elegir el que no está familiarizado ".
Los investigadores querían explorar un par de ideas con su trabajo. Una era investigar si los algoritmos de aprendizaje profundo entrenados con paradigmas de aprendizaje comunes razonarían con la exclusividad mutua. También querían ver si el razonamiento por exclusividad mutua ayudaría a aprender algoritmos en tareas que comúnmente se abordan mediante el aprendizaje profundo.
Para llevar a cabo estas investigaciones, los investigadores primero capacitaron a 400 redes neuronales para asociar pares de palabras con sus significados. Las redes de neuronas fueron probadas en 10 palabras que nunca antes habían visto. Predijeron que las nuevas palabras probablemente corresponderían a significados conocidos en lugar de desconocidos. Esto sugiere que la IA no tiene un sesgo de exclusividad. A continuación, los investigadores analizaron conjuntos de datos que ayudan a AI a traducir idiomas. Esto ayudó a demostrar que el sesgo de exclusividad sería beneficioso para las máquinas.
"Nuestros resultados muestran que estas características no coinciden con la estructura de las tareas comunes de aprendizaje automático", continuó Gandhi. “La ME se puede utilizar como una señal para la generalización en tareas comunes de traducción y clasificación, especialmente en las primeras etapas de la capacitación. Creemos que exhibir el sesgo ayudaría a aprender algoritmos para aprender de manera más rápida y más adaptable ".
Mientras Gandhi y Lake escriben en un artículo que describe su trabajo: “Los fuertes sesgos inductivos permiten que los niños aprendan de maneras rápidas y adaptables … Hay un caso convincente para diseñar redes neuronales que razonan por exclusividad mutua, lo que sigue siendo un desafío abierto”.