Periodista por un día > Curiosidad en los sistemas de Inteligencia Artificial
Publicado el 22 de enero de 2022
Curiosidad en los sistemas de Inteligencia Artificial
Los Mecanismos de Aprendizaje impulsados por la curiosidad podrían contribuir significativamente en los sistemas de IA, Curiosity-Driven Learning
imagen : Curiosity driven reinforcement learning for motion planning on humanoids, Mikhail Frank, J. Leitner, Marijn F. Stollenga, A. Förster, J. Schmidhuber, Published 6 January 2014, Computer Science, Medicine, Psychology Frontiers in Neuroroboti
La neurociencia ha inspirado varias arquitecturas y algoritmos en el aprendizaje automático para producir de forma autónoma comportamientos similares a los humanos en agentes artificiales. Como resultado se han obtenido buenos resultados computacionales, sin embargo para obtener mérito en comparación con la inteligencia humana deben mejorar la funcionalidad biológica, psicológica y la cognición, la adaptación rápida, la alta eficiencia , y la interpretación confiable de las muestras son algunos aspectos donde aún no hay buenos resultados.
La curiosidad proporciona orgánicamente una motivación intrínseca que impulsa a los seres humanos a explorar el mundo descubriendo información interesante y útil. Como elemento básico de la cognición se encuentra la curiosidad: muchas teorías psicológicas han revelado que los comportamientos exploratorios, como la búsqueda de información no estratégica, son estimulados por curiosidad interna. Como resultado, la curiosidad puede afectar la ansiedad, la preferencia por la novedad y la habituación.
La demanda insaciable de información eventualmente puede remodelar e impulsar el aprendizaje, la toma de decisiones y un desarrollo saludable. Estudios empíricos indican una fuerte asociación entre la curiosidad y la activación en las regiones de la memoria en el cerebro del ser humano, lo que beneficia el aprendizaje de nueva información.
En investigaciones recientes, se ha convertido en un tendencia emergente para incorporar mecanismos de curiosidad en la comunidad de IA, donde el aprendizaje impulsado por la curiosidad (CDL- Curiosity-Driven Learning) se explota para mejorar dramáticamente el rendimiento del aprendizaje.
En varias tareas de IA, existen muchos desafíos en el aprendizaje efectivo y la evolución autoconsciente, lo que indica las brechas entre la inteligencia basada en máquinas y la inteligencia a nivel humano. Durante el proceso de aprendizaje un hecho crucial es que no todas las muestras son igualmente importantes de aprender, seleccionar los datos más representativos, y extraer patrones significativos se ha convertido en la clave para reducir los costos computacionales y mejorar la eficiencia.
Aunque las máquinas han exhibido ventajas de alta velocidad de procesamiento y modelado estadístico, no son capaces de explicar detalladamente la interacción hombre-máquina. Más específicamente, los usuarios no pueden interpretar la salida del modelo de forma intuitiva. En aplicaciones como recomendaciones y juegos, donde se llevan a cabo extensas simulaciones de comportamiento psicológico humano, se espera que las máquinas puedan modelar y describir de cerca el procesamiento cognitivo de los humanos para tomar decisiones similares a las humanas. Sin una comprensión profunda de dicho mecanismo, las recomendaciones o interacciones realizadas por IA se desviarán mucho del comportamiento humano real.
Los investigadores han comenzado a incorporar CDL en varias aplicaciones de IA donde esencialmente se esfuerzan por combinar los méritos de la motivación intrínseca y fomentar la exploración espontánea. Además, se han propuesto diferentes tipos de aprendizaje impulsado por la curiosidad (CDL) o algoritmos de aprendizaje basados en la curiosidad donde el objetivo final es mejorar la eficiencia en el aprendizaje y potencialmente permitir que los agentes inteligentes aprendan de una manera similar a la humana.
Impulsados por la curiosidad, los agentes pueden explorar el entorno y aprender diversas habilidades que pueden ser incluso útiles en situaciones implícitas, demostrando la característica más deseable de los comportamientos exploratorios similares a los humanos. Aunque las aplicaciones de CDL son amplias.
Fuentes:
- From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks, CHENYU SUN, HANGWEI QIAN, and CHUNYAN MIAO, Nanyang Technological University, Singapore
- https://arxiv.org/pdf/2201.08300.pdf
Adaptado :
Rapallini Ulises M. A.
Email: ulises.rapallini@ieee.org
IEEE CIS Argentina
Editado :
Dr. Casanova Pietroboni, Carlos Antonio
Email: carlos.casanova16@gmail.com
IEEE CIS Argentina
