La inteligencia artificial basada en ordenadores puede funcionar más como la inteligencia humana si se programa para utilizar una técnica mucho más rápida de aprendizaje de nuevos objetos, afirman dos neurocientíficos que diseñaron un modelo de este tipo destinado a reflejar el aprendizaje visual humano.

En la revista Frontiers in Computational Neuroscience, el doctor Maximilian Riesenhuber, profesor de neurociencia del Centro Médico de la Universidad de Georgetown, y el doctor Joshua Rule, becario postdoctoral de la Universidad de California en Berkeley, explican cómo el nuevo enfoque mejora enormemente la capacidad del software de IA para aprender rápidamente nuevos conceptos visuales.

“Nuestro modelo proporciona una forma biológicamente plausible para que las redes neuronales artificiales aprendan nuevos conceptos visuales a partir de un pequeño número de ejemplos”, dice Riesenhuber. “Podemos conseguir que los ordenadores aprendan mucho mejor a partir de pocos ejemplos aprovechando el aprendizaje previo de una forma que creemos que refleja lo que hace el cerebro”.

Los seres humanos pueden aprender rápidamente y con precisión nuevos conceptos visuales a partir de datos escasos, a veces con un solo ejemplo. Incluso los bebés de tres o cuatro meses pueden aprender fácilmente a reconocer cebras y distinguirlas de gatos, caballos y jirafas. Pero los ordenadores suelen necesitar “ver” muchos ejemplos del mismo objeto para saber de qué se trata, explica Riesenhuber.

El gran cambio que se necesitaba era diseñar un software que identificara las relaciones entre categorías visuales completas, en lugar de intentar el enfoque más estándar de identificar un objeto utilizando sólo información intermedia y de bajo nivel, como la forma y el color, dice Riesenhuber.

“El poder computacional de la jerarquía del cerebro reside en el potencial de simplificar el aprendizaje aprovechando las representaciones previamente aprendidas de un banco de datos, por así decirlo, lleno de conceptos sobre los objetos”, afirma.

Riesenhuber y Rule descubrieron que las redes neuronales artificiales, que representan los objetos en términos de conceptos previamente aprendidos, aprendían nuevos conceptos visuales con mucha más rapidez.

Rule explica: “En lugar de aprender conceptos de alto nivel en términos de características visuales de bajo nivel, nuestro enfoque los explica en términos de otros conceptos de alto nivel. Es como decir que un ornitorrinco se parece un poco a un pato, un castor y una nutria marina”.

La arquitectura cerebral que subyace al aprendizaje de conceptos visuales en el ser humano se basa en las redes neuronales implicadas en el reconocimiento de objetos. Se cree que el lóbulo temporal anterior del cerebro contiene representaciones conceptuales “abstractas” que van más allá de la forma. Estas complejas jerarquías neuronales de reconocimiento visual permiten a los humanos aprender nuevas tareas y, sobre todo, aprovechar el aprendizaje previo.

“Al reutilizar estos conceptos, se pueden aprender más fácilmente nuevos conceptos, nuevos significados, como el hecho de que una cebra es simplemente un caballo de una raya diferente”, dice Riesenhuber.

A pesar de los avances de la IA, el sistema visual humano sigue siendo el estándar de oro en cuanto a la capacidad de generalizar a partir de unos pocos ejemplos, de tratar con solidez las variaciones de la imagen y de comprender las escenas, dicen los científicos.

“Nuestros hallazgos no sólo sugieren técnicas que podrían ayudar a los ordenadores a aprender más rápida y eficazmente, sino que también pueden conducir a mejorar los experimentos de neurociencia destinados a comprender cómo las personas aprenden tan rápidamente, algo que todavía no se entiende bien”, concluye Riesenhuber.

Este trabajo ha sido financiado en parte por el Laboratorio Nacional Lawrence Livermore y por las becas de investigación para graduados de la National Science Foundation (1026934 y 1232530).

Fuente: Science Daily