Los más importante en Inteligencia Artificial del 2019
- diciembre 16 2019
Descubra los avances en IA más significativos del 2019.
Lo más significativo en avances de Inteligencia Artificial de este año.
Muchos son los avances que nos han sorprendido desde el comienzo de la historia de la Inteligencia Artifial.
El 2019 también fue un año que nos hizo ser testigos de impresionantes innovaciones con sistemas impulsados con Inteligencia Artificial.
Hoy traemos los progresos en Inteligencia Artificial que asombraron al mundo durante el año 2019.
1. La mano robot que resuelve el cubo de Rubik
La compañía americana OpenAI presentó con éxito la mano robot Dactyl, una máquina entrenada con “aprendizaje por refuerzo que es capaz de resolver el cubo de Rubik con una soltura y una destreza extraordinarias.
Habitualmente, El aprendizaje por refuerzo es muy útil en entornos virtuales. Lo realmente fascinante es que en esta ocasión OpenAI y su robot Dactyl han conseguido que la preparación simulada se pueda replicar también en las condiciones del mundo real.
La lógica del “entrenamiento virtual para usos reales” no sólo aplica al modelo de aprendizaje de Dactyl. Según Marcin Andrychiwicz, de OpenAI, con este tipo de avances servirá para crear robots de uso general que podrán adaptarse a diferentes entornos, por ejemplo, los hogares.
2. Deepfakes - Dando vida a la imagen
En mayo, Samsung sacó a la luz un sistema que puede transformar imágenes faciales en secuencias de video. Utilizaron una Red generativa antagónica (en inglés: Generative Adversarial Network o GAN) para crear videos falsos con solo tomar como entrada una foto.
Los investigadores de Samsung usaron síntesis de imágenes naturales de alta fidelidad para permitir que los modelos de aprendizaje automático tengan una expresión humana realista súper realista.
Los sistemas DeepFake han reabierto una vez más el debate de la ética en la Inteligencia Artificial.
3. Texto sintético generado por IA
En febrero del 2019 OpenAI lanzó el sistema Generative Pre-Training (GPT), para generar texto sintético de forma automática y sin supervisión. En un principio, desde OpenAI, se dijo que su uso podría llegar a ser demasiado “peligroso para la humanidad”, por lo que no lo abrieron al público.
Pero, meses después, tan solo en noviembre, lanzaron la versión completa GPT-2. En esta ocasión abierta para que todo el mundo lo pueda utilizar. Después de algunos estudios, los investigadores decidieron que el modelo no era tan peligroso como habían prefijado.
4. Gamificación de recuerdos
En un reciente paper, publicado en noviembre de este año, DeepMind (también de Google) cambió la forma en la que su aprendizaje por refuerzo funcionaba para mejorar su memoria.
Los científicos de DeepMind lanzaron un sistema que da señales desde el futuro al pasado, es una especie de modelo teórico que predice cómo actúan las personas cuando aprenden de sus errores.
Para permitir que estos agentes, impulsados con Inteligencia Artificial, tomen las mejores decisiones en el presente, utilizan una técnica llama “Temporal Value Transport” (TVT), que es capaz de enviar las lecciones ya aprendidas.
Esto permitió al sistema comprender las consecuencias futuras que pueden traer consigo las decisiones tomadas en el presente. Aunque la metodología se llevó a cabo en un juego, no existían precedentes de este tipo en el panorama de la Inteligencia Artificial.
5. Resolviendo problemas de tres cuerpos
El problema de los tres cuerpos consiste en establecer en cualquier instante las posiciones y velocidades de 3 cuerpos, de cualquier masa, sometidos a una atracción gravitacional mutua y partiendo de unas posiciones y velocidades proporcionadas.
“Newton vs the Machine”, es el trabajo de Investigadores de las universidades de Edimburgo y de Cambridge, que fue publicado en octubre de este año. Los científicos utilizaron redes neuronales para determinar la futura ubicación de los cuerpos.
6. Upside Down Reinforcement Learning (Aprendizaje de refuerzo invertido)
Justo a primeros de diciembre, un equipo de Swiss AI Lab, liderado por Juergen Schmidhuber, introdujo una nueva metodología , denominada “Upside Down Reinforcement Learning (UDWL)”, para transformar el aprendizaje por refuerzo (Reinforcement Learning).
Los investigadores realizaron con éxito un modelo de aprendizaje reforzado con forma de aprendizaje supervisado. Esto permitió al equipo suministrar recompensas por aportación, que es lo contrario a cómo funciona el aprendizaje por refuerzo tradicional.
Dicha técnica también les permitió imitar y entrenar al sistema con el objetivo de llevar a cabo tareas extenuantes. La metodología, basada en comandos, ayuda a los modelos de aprendizaje automático a acelerar el proceso de capacitación y disminuye el tiempo requerido en los flujos de trabajo de la Inteligencia Artificial.
7. Inteligencia Artificial explicable (XAI)
Una Inteligencia Artificial es explicable cuando se entiende cómo y por qué un algoritmo toma determinadas decisiones o realiza las predicciones. AL mismo tiempo que también dispone de la capacidad necesaria para justificar los resultados producidos.
Lo cierto es que la IA está dando grandes pasos, pero comprender las metodologías dentro de la caja negra es en muchos casos difícil de explicar. Modificar eso será crucial para su impulso en los próximos años.
Por ese motivo, algunas compañías (Google, IBM, Microsoft, …) lanzaron diferentes servicios para permitir a otras empresas conocer los principales factores que conducen a los resultados de sus modelos de aprendizaje automático.
Por primera vez, las empresas pueden obtener información sobre el funcionamiento de las cajas negras. Aunque todavía no se pueden obtener todos los aspectos de las conclusiones tomadas por los modelos, esto tiene un papel realmente significativo para conseguir la democratización en la Inteligencia Artificial.
OPTIMICE SU NEGOCIO
Forme parte de las empresas que ya utilizan la tecnología de DAIL Software