Investigadores de Google Crean Sistema Para Evolucionar Nuevos Algoritmos de IA A Partir de Bloques Matemáticos

El aprendizaje automático permite que una aplicación informática se vuelva experta en una amplia variedad de tareas, pero a menudo lleva mucho tiempo diseñar una arquitectura de aprendizaje automático desde cero y luego entrenar ese algoritmo. Según informa ScienceAlert, los investigadores de Google Brain han experimentado recientemente con nuevas formas de crear programas de IA, empleando técnicas basadas en mutaciones que permiten a las IA “evolucionar” de manera orgánica.

El sistema AutoML de Google ha estado creando automáticamente programas de IA durante un tiempo, y muchos de estos programas logran un mejor rendimiento que los modelos diseñados por ingenieros humanos. Sin embargo, los investigadores de Google pudieron expandir este sistema, publicando una investigación que implica que el sistema podría utilizarse para “descubrir” nuevos algoritmos más eficientes y potentes a través de un proceso que imita la evolución. Este proceso se basa en la mutación de funciones matemáticas y también podría ayudar a reducir el sesgo humano que a menudo se encuentra en los sistemas de IA a través de los datos.

El equipo de investigación de Google publicó un artículo el mes pasado en arXiv, titulado “Evolucionando Algoritmos de Aprendizaje Automático Desde Cero”. En él, el equipo de investigación discute su nuevo sistema, llamado AutoML-Zero. Auto-ML Zero opera ajustando operaciones matemáticas básicas, utilizando ellas como los bloques de construcción para nuevos algoritmos sofisticados. Los sistemas diseñados con AutoML-Zero podrían ser más potentes y precisos que muchos otros sistemas de IA, pero el equipo de investigación probó el proceso con un objetivo específico en mente: la corrección del sesgo humano en los modelos y conjuntos de datos de aprendizaje automático genéricos. Los investigadores describen el problema en su artículo de investigación:

“Los componentes diseñados por humanos sesgan los resultados de la búsqueda a favor de los algoritmos diseñados por humanos, lo que puede reducir el potencial de innovación de AutoML. La innovación también se limita al tener menos opciones: no se puede descubrir lo que no se busca”.

AutoML-Zero opera con un enfoque de tres pasos: configuración, predicción y aprendizaje. AutoML-Zero comienza tomando 100 algoritmos creados a través de la combinación aleatoria de operaciones matemáticas simples, luego los algoritmos se enfrentan entre sí. Una vez que se identifican los algoritmos que mejor funcionan, se realizan pequeños ajustes en estos algoritmos y luego se lleva a cabo otra ronda de pruebas. Este proceso de competencia y mutación imita un proceso de “supervivencia del más apto”.

Según informes, todo el proceso se puede realizar bastante rápido, ya que el sistema es capaz de procesar hasta 10,000 algoritmos posibles por segundo por procesador. También puede realizar estas pruebas más o menos las 24 horas del día, los 7 días de la semana, continuando con la experimentación con muy poca entrada de los operadores humanos.

Muchos de los sistemas algorítmicos más impresionantes de hoy en día son solo variaciones ligeras de algoritmos que tienen una larga historia en la informática y la IA, escalados. Según Haran Jackson, citado por Newsweek, lo más interesante del nuevo artículo es que el sistema podría potencialmente descubrir algoritmos completamente nuevos que difieren radicalmente de los que se utilizan más comúnmente.

“Hay un sentido entre muchos miembros de la comunidad de que los logros más impresionantes de la inteligencia artificial solo se lograrán con la invención de nuevos algoritmos que sean fundamentalmente diferentes a los que hemos ideado como especie”, dijo Jackson. “Es lo que hace que el artículo mencionado sea tan interesante. Presenta un método por el cual podemos construir y probar automáticamente algoritmos de aprendizaje automático completamente nuevos”.

AutoML-Zero todavía se encuentra en la fase de concepto de prueba y se necesitará mucho más trabajo en él antes de que sea capaz de producir algoritmos que sean tan útiles como los que impulsan las aplicaciones de IA más avanzadas de hoy en día. Sin embargo, la investigación realizada en el sistema podría ser útil incluso antes de que AutoML-Zero esté terminado, informando cómo se diseñan otros algoritmos por los ingenieros.