Findeton escribió:La IA/Machine/Deep Learning es un campo en auge por méritos propios. No es cierto que las redes neuronales sean las mismas que las de los años 80: los algoritmos han mejorado cualitativamente. Eso ha sido necesario porque ahora sí tenemos la potencia y los datos para poder exprimir más las redes neuronales. Por ejemplo el deep learning es posible porque se modifican las redes neuronales (añadiéndoles memoria a largo plazo por ej) para solucional el problema del vanishing gradient.
Ahora mismo la IA se utiliza para reemplazar trabajos que por otro lado serían arduos, aunque no exentos de cierta creatividad.
El mayor problema que le veo a los sistemas de IA actuales es que son bastante específicos para cada tipo de problema. La configuración de dichas redes neuronales todavía depende de los especialistas, de lo contrario es demasiado ineficiente generalmente. El día que la topografía de las redes neuronales se configure autónomamente quizás consigamos acercarnos a una IA más generalista.
El problema no es tanto de técnica, pues como dije funciona, y al igual que salvo ciertos campos (normalmente análisis de imagen) no ha demostrado superioridad sobre los métodos convencionales, estos tampoco tienen superioridad sobre la IA.
Pero esto sólo cuando se aplica cuando toca, por ejemplo, en muestras pequeñas, donde no se debería de usar (pero se está haciendo) una estadística frecuentista o bayesiana te va a dar mejores resultados con muchísimos menos recursos.
Es como hacer bootstrap para sacar los intervalos de confianza de una regresión lineal, por el mero hecho de ser una técnica relativamente novedosa, que ha demostrado funcionar mucho mejor en ciertos casos concretos. Vas a invertir muchos recursos y tiempo, cuando habrías obtenido una respuesta exacta en vez de aproximada, en menos de una décima de segundo y con una patata de ordenador por la vía convencional.
El como se entrena la IA también es importante, aquí una IA que consiguió detectar fracturas de cadera en radiografías:
https://arxiv.org/pdf/1811.03695.pdf... hasta que miraron qué estaba utilizando el algoritmo para sus conclusiones y las variables más precisas fueron: marca y modelo del escáner, es decir dos variables que no tienen nada que ver con la radiografía en sí. Un poco por detrás, el haber catalogado la radiografía como "urgente". Este al menos sí tiene sentido, pero creo que se entiende por donde voy. Es lo que comentaban más arriba de ojo con el unsupervised learning.
Otro ejemplo muy curioso de task failed succesfully:
https://www.youtube.com/watch?time_cont ... =emb_titleUn juego de carreras que tal y como lo han implementado, la IA consigue más puntos poniéndose a dar vueltas para coger los turbos nada más salgan, que completando la carrera. Ha cumplido perfectamente con su objetivo, de forma totalmente inútil.
![[poraki]](/images/smilies/nuevos/dedos.gif "por aquí!")
) y no realiza búsquedas de patrones predefinidas, si no que se adapta y lleva años evolucionando jugando contra seres humanos y aprendiendo diferentes reacciones y estrategias. Además, está capada sólo para ver la parte del mapa que los humanos podrían ver y limitadas las acciones a las que podría un humano gestionar mierdas con ratón y teclado.
