#1 No. Nada que ver. No se trata de una búsqueda en absoluto.
Se trataría más bien de un conjunto de funciones matemáticas que dan como resultado un efecto similar al del funcionamiento de las neuronas en los animales.
#7 Yo no llamaría "búsqueda" a un cálculo matemático.
Cuando tu haces una multiplicación, no te pones a recorrer una lista de números buscando la respuesta correcta. Simplemente la obtienes mediante una operación.
Con las IAs pasa lo mismo. No tienen una "tabla" con conocimientos que deban consultar. Es más bien una reacción a un estímulo, igual que pasa con las neuronas en un animal.
#10 Si tienen una tabla con conocimientos a consultar. Una tabla que se retroalimenta conforme se encuentran nuevos resultados válidos. Tu no lo llamarías búsqueda, pero es una búsqueda heurística.
#11Si tienen una tabla con conocimientos a consultar.
A ver... tiene una tabla con cálculos matemáticos... No es una lista con datos como si fuera una enciclopedia o algo.
Una tabla que se retroalimenta conforme se encuentran nuevos resultados válidos
Eso durante la etapa de aprendizaje. Una vez ajustados los parámetros de cada neurona ya no hace falta más aprendizaje.
#16 Y yo te hablo de la IA en general, lo que estudié yo a finales de los 90.... programacion en LISP, uso de busquedas ida, ida*, búsqueda heurística, etc.
Dale una mirada a lo que está pasando en los últimos años. Ha sido una revolución impresionante. Sobre todo lo que se aprendió con Alpha Zero.
Alpha Go aprendió a jugar observando partidas humanas, y logró por primera vez ganar a un humano en el Go. Pero después crearon Alpha Zero y en lugar de entrenarlo aprendiendo de humanos, lo entrenaron jugando contra copias de sí mismo dándole como única entrada las reglas del juego. El resultado fue completamente inesperado. En una fracción ínfima del tiempo que le tomó a Alpha Go, ya lo había superado.
Cuando hicieron que Alpha Zero aprendiera ajedrez ocurrió lo mismo. En poquísimo tiempo pudo superar a los mejores programas de ajedrez. Yo he visto videos de youtube de ajedrecistas analizando la forma de jugar de Alpha Zero y dicen que es algo totalmente nuevo y nunca visto. Que sus estrategias parecen incomprensibles, casi como si no supiera jugar, y sin embargo al cabo de unas cuantas después queda claro que no era una jugada cualquiera sin sentido sino que tenía un objetivo claro. Una estrategia que a ningún humano se le había ocurrido antes.
Después tienes Alpha Fold. Resulta que desde hace años los biólogos estudian la forma en que se pliegan las proteínas en el ADN. Es importante porque la distribución espacial determina la expresión de los genes. Hasta ahora la única forma de analizarlo era por prueba y error con simulaciones y tomaba muchísimo tiempo de cómputo. Ahora Alpha Fold ha aprendido de los ejemplos ya conocidos de plegamientos y de alguna manera "intuye" cuál será la forma de plegarse para una cadena nueva con mucha más rapidez que los métodos antiguos y con un porcentaje de aciertos similar.
De hecho, hoy en día existe toda una rama de estudio que se dedica a analizar de qué manera la red neural aprende. De qué manera simplifica tanto la información para convertir algo complejo que recibe en algunos datos mucho más sencillos y que aún así representan lo que recibió.
O sea... imagina una red neural que aprende a diferenciar fotos de gatitos de fotos de perritos. Como entrada recibe millones de números (los pixels de la foto). Pero paso a paso va reduciendo esa información a unos pocos cientos o incluso decenas de números. Si analizas qué contienes esos números, tal vez descubras que responden a la forma de las orejas o el tamaño del hocico. La red neural aprende por sí sola a descartar la información irrelevante y quedarse sólo con "la escencia del problem". Puede que en este caso sea bastante obvio porque sabemos bastante bien qué es lo que diferencia a un perro de un gato, pero hay otros casos más complejos donde se puede aprender cosas muy interesantes de la manera en que analizan la información.
Por ejemplo, Google ha descubierto que no suele ser necesario más de 12 capas para resolver cualquier problema del mundo real. ¿Será porque la física que rige el mundo no pasa de ese límite de complejidad nunca?
#8 En el caso del ejemplo (la IA con prejuicios raciales), aprendió por sí misma recorriendo internet.
Recuerda que una IA no es un conjunto de "if/then/else" que alguien programe. Una IA aprende a partir de un conjunto de ejemplos reales que se le ofrecen.
"la técnica IA también ha demostrado una y otra vez los prejuicios contra el género o la etnia de las personas. Tay, el chatbot de Microsoft, imitó en corto tiempo el lenguaje racista de los usuarios, las tecnologías de vigilancia clasifican los “barrios negros” como distritos problemáticos y las plataformas de búsqueda de empleo muestran a usuarios masculinos aquellas ofertas mejor remuneradas"
Posiblemente descubra como es la realidad y la imite y no entienda que a los humanos no les guste reconocer.
#4 A ver, la IA simplemente aprende de los humanos.
Que la gran mayoría estemos de acuerdo en que el racismo es incorrecto no significa que no exista o que no esté generalizado. Diría que los humanos somos prejuiciosos por naturaleza y necesitamos hacer un esfuerzo consciente para no discriminar. La IA simplemente ha aprendido la realidad humana. Ahora le falta aprender lo que es incorrecto y no hacerlo.
Comentarios
¿Una rubia teñida de moreno?
conjunto de algoritmos de búsqueda recursiva basada en una base de datos de conocimiento y un conjunto de reglas que la retroalimenta.
#1 No. Nada que ver. No se trata de una búsqueda en absoluto.
Se trataría más bien de un conjunto de funciones matemáticas que dan como resultado un efecto similar al del funcionamiento de las neuronas en los animales.
#5 un conjunto de funciones matemáticas cuya función es la búsqueda. Ida, ida*, fringe ....
#7 Yo no llamaría "búsqueda" a un cálculo matemático.
Cuando tu haces una multiplicación, no te pones a recorrer una lista de números buscando la respuesta correcta. Simplemente la obtienes mediante una operación.
Con las IAs pasa lo mismo. No tienen una "tabla" con conocimientos que deban consultar. Es más bien una reacción a un estímulo, igual que pasa con las neuronas en un animal.
#10 Si tienen una tabla con conocimientos a consultar. Una tabla que se retroalimenta conforme se encuentran nuevos resultados válidos. Tu no lo llamarías búsqueda, pero es una búsqueda heurística.
#11 Si tienen una tabla con conocimientos a consultar.
A ver... tiene una tabla con cálculos matemáticos... No es una lista con datos como si fuera una enciclopedia o algo.
Una tabla que se retroalimenta conforme se encuentran nuevos resultados válidos
Eso durante la etapa de aprendizaje. Una vez ajustados los parámetros de cada neurona ya no hace falta más aprendizaje.
#13 estás mezclando cosas. Hay IA's sin redes neuronales.
#15 Ah... bueno... yo estoy hablando de las IAs más usadas últimamente, que están basadas en redes neurales, aprendizaje automático, etc.
#16 Y yo te hablo de la IA en general, lo que estudié yo a finales de los 90.... programacion en LISP, uso de busquedas ida, ida*, búsqueda heurística, etc.
#17 ¡Ahh! ¡claro!
Dale una mirada a lo que está pasando en los últimos años. Ha sido una revolución impresionante. Sobre todo lo que se aprendió con Alpha Zero.
Alpha Go aprendió a jugar observando partidas humanas, y logró por primera vez ganar a un humano en el Go. Pero después crearon Alpha Zero y en lugar de entrenarlo aprendiendo de humanos, lo entrenaron jugando contra copias de sí mismo dándole como única entrada las reglas del juego. El resultado fue completamente inesperado. En una fracción ínfima del tiempo que le tomó a Alpha Go, ya lo había superado.
Cuando hicieron que Alpha Zero aprendiera ajedrez ocurrió lo mismo. En poquísimo tiempo pudo superar a los mejores programas de ajedrez. Yo he visto videos de youtube de ajedrecistas analizando la forma de jugar de Alpha Zero y dicen que es algo totalmente nuevo y nunca visto. Que sus estrategias parecen incomprensibles, casi como si no supiera jugar, y sin embargo al cabo de unas cuantas después queda claro que no era una jugada cualquiera sin sentido sino que tenía un objetivo claro. Una estrategia que a ningún humano se le había ocurrido antes.
Después tienes Alpha Fold. Resulta que desde hace años los biólogos estudian la forma en que se pliegan las proteínas en el ADN. Es importante porque la distribución espacial determina la expresión de los genes. Hasta ahora la única forma de analizarlo era por prueba y error con simulaciones y tomaba muchísimo tiempo de cómputo. Ahora Alpha Fold ha aprendido de los ejemplos ya conocidos de plegamientos y de alguna manera "intuye" cuál será la forma de plegarse para una cadena nueva con mucha más rapidez que los métodos antiguos y con un porcentaje de aciertos similar.
De hecho, hoy en día existe toda una rama de estudio que se dedica a analizar de qué manera la red neural aprende. De qué manera simplifica tanto la información para convertir algo complejo que recibe en algunos datos mucho más sencillos y que aún así representan lo que recibió.
O sea... imagina una red neural que aprende a diferenciar fotos de gatitos de fotos de perritos. Como entrada recibe millones de números (los pixels de la foto). Pero paso a paso va reduciendo esa información a unos pocos cientos o incluso decenas de números. Si analizas qué contienes esos números, tal vez descubras que responden a la forma de las orejas o el tamaño del hocico. La red neural aprende por sí sola a descartar la información irrelevante y quedarse sólo con "la escencia del problem". Puede que en este caso sea bastante obvio porque sabemos bastante bien qué es lo que diferencia a un perro de un gato, pero hay otros casos más complejos donde se puede aprender cosas muy interesantes de la manera en que analizan la información.
Por ejemplo, Google ha descubierto que no suele ser necesario más de 12 capas para resolver cualquier problema del mundo real. ¿Será porque la física que rige el mundo no pasa de ese límite de complejidad nunca?
#6 La IA no aprende de los humanos. Lo que pasa es que los que programan las reglas de la IA si son humanos, con sus sesgos.
#8 En el caso del ejemplo (la IA con prejuicios raciales), aprendió por sí misma recorriendo internet.
Recuerda que una IA no es un conjunto de "if/then/else" que alguien programe. Una IA aprende a partir de un conjunto de ejemplos reales que se le ofrecen.
#9 y en base a unas reglas if-then-else que alguien programa.
#12 Que no!! Que una red neural no es una lista de reglas if/then/else!
"la técnica IA también ha demostrado una y otra vez los prejuicios contra el género o la etnia de las personas. Tay, el chatbot de Microsoft, imitó en corto tiempo el lenguaje racista de los usuarios, las tecnologías de vigilancia clasifican los “barrios negros” como distritos problemáticos y las plataformas de búsqueda de empleo muestran a usuarios masculinos aquellas ofertas mejor remuneradas"
Posiblemente descubra como es la realidad y la imite y no entienda que a los humanos no les guste reconocer.
#4 A ver, la IA simplemente aprende de los humanos.
Que la gran mayoría estemos de acuerdo en que el racismo es incorrecto no significa que no exista o que no esté generalizado. Diría que los humanos somos prejuiciosos por naturaleza y necesitamos hacer un esfuerzo consciente para no discriminar. La IA simplemente ha aprendido la realidad humana. Ahora le falta aprender lo que es incorrecto y no hacerlo.
Riesgos: Terminator, Matrix. Beneficios: Yogur al poder (Love, Dead and Robots)