Avances en IA, para revelar cómo funciona internamente el aprendizaje automático.

 A través de mecanismos de aprendizaje automático, los sistemas de inteligencia artificial hoy pueden gozar de cierta autonomía. Con un entrenamiento inicial, pueden adquirir la capacidad de resolver problemas y ejecutar tareas sin recibir órdenes específicas.

Si bien, es posible identificar ciertos aspectos y patrones del funcionamiento de estas instancias, parte del proceso ejecutado por los algoritmos en estos casos aún son un misterio. Un equipo de investigación presentó un importante avance centrado en este interés particular.

El profesor asistente del Laboratorio Cold Spring Harbor (CSHL), Peter Koo, presentó un nuevo método desarrollado por él, que sirve como herramienta de evaluación para un programa de aprendizaje automático, permitiendo indagar qué reglas aprendió de manera autónoma y si son correctas o no.

Aunque los sistemas de aprendizaje automático pueden trabajar sin haber órdenes explícitas de por medio, los mecanismos que desarrollan para funcionar se basan en una serie de reglas presentadas como orientación inicial para la definición de su propio modelo. 

«Si aprendes reglas generales sobre las matemáticas en lugar de memorizar las ecuaciones, sabes cómo resolver esas ecuaciones. Así que en lugar de simplemente memorizar esas ecuaciones, esperamos que estos modelos estén aprendiendo a resolverlas, para poder entregarle cualquier ecuación para resolver», señaló Koo.

Las aplicaciones de la IA, como hemos visto en otras ocasiones, son realmente amplias y diversas. 

En el caso de Koo, su trabajo guarda relación directamente con la biología. El docente e investigador del CSHL, desarrolló una red neuronal encargada de buscar patrones en hebra de ARN que aumentan la capacidad de una proteína para integrarse a ellos.

La IA de Koo fue entrenada con una colección de miles de secuencias ARN afines al patrón objetivo. Sin embargo, el investigador no contaba con la certeza de que su sistema estuviera tratando todas las variables adecuadamente. 

Incrementando la base de datos muestrales y aplicando un nuevo método de análisis, llamado Global Importance Analysis, creado con el propósito de probar qué reglas generó el algoritmo para hacer sus predicciones.

Con esta herramienta, Koo y su equipo de investigación identificaron que hubo ciertas variables en el proceso contempladas por la IA y no consideradas en principio al plantear el caso.

Refiriéndose a la utilidad de este avance, Koo la presentó como una alternativa virtual al trabajo en laboratorios. «La biología es súper anecdótica. Puedes encontrar una secuencia, puedes encontrar un patrón pero no sabes ‘¿Es ese patrón realmente importante?’ Tienes que hacer estos experimentos de intervención. En este caso, todos mis experimentos se hacen simplemente preguntando a la red neuronal», señaló.

Los avances detallados obtenidos con esta investigación se encuentran disponibles en una publicación y las herramientas utilizadas se encuentran disponibles para todo el mundo a través de la web.

 

Fuente: Whatsnew.com