Neurocientíficos diseñan un modelo para reflejar el aprendizaje visual humano

Al programar la inteligencia artificial (IA) basada en computadoras para utilizar una técnica más rápida para aprender nuevos objetos, la IA comienza a funcionar más como la inteligencia humana. Esto se debe a que dos neurocientíficos diseñaron un modelo para reflejar el aprendizaje visual humano.

La investigación de Maximillian Riesenhuber, PhD, profesor de neurociencia en el Centro Médico de la Universidad de Georgetown, y Joshua Rule, PhD, becario postdoctoral en la Universidad de California en Berkeley, se publicó en la revista Frontiers in Computational Neuroscience. 

La IA aprende nuevos conceptos visuales

Los neurocientíficos demostraron cómo el nuevo enfoque mejora la capacidad del software de IA para aprender nuevos conceptos visuales de manera rápida.

“Nuestro modelo proporciona una forma biológicamente plausible para que las redes neuronales artificiales aprendan nuevos conceptos visuales a partir de un pequeño número de ejemplos”, dice Riesenhuber. “Podemos hacer que las computadoras aprendan mucho mejor con pocos ejemplos aprovechando el aprendizaje previo de una manera que creemos que refleja lo que el cerebro está haciendo”.

Los humanos tienen la capacidad de aprender nuevos conceptos visuales a partir de datos escasos de manera muy rápida y precisa. Poseemos esta capacidad desde una edad muy temprana, de tan solo tres meses. Sin embargo, las computadoras requieren muchos ejemplos del mismo objeto para finalmente saber qué es.

“El poder computacional de la jerarquía del cerebro radica en el potencial para simplificar el aprendizaje aprovechando las representaciones previamente aprendidas de una base de datos, por así decirlo, llena de conceptos sobre objetos”, dice Riesenhuber.

Redes neuronales artificiales vs sistema visual humano

Riesenhuber y Rule encontraron que las redes neuronales artificiales pueden aprender nuevos conceptos visuales mucho más rápido, acercándose al nivel de la capacidad humana.

“En lugar de aprender conceptos de alto nivel en términos de características visuales de bajo nivel, nuestro enfoque los explica en términos de otros conceptos de alto nivel”, dice Rule. “Es como decir que un ornitorrinco se parece un poco a un pato, un castor y una nutria”.

El aprendizaje de conceptos visuales humanos depende en gran medida de las redes neuronales involucradas en el proceso de reconocimiento de objetos, y se cree que el lóbulo temporal anterior del cerebro tiene la capacidad de ir más allá de la forma en cuanto a representaciones de conceptos. Debido a que estas jerarquías neuronales involucradas en el reconocimiento visual son tan complejas, los humanos pueden aprender nuevas tareas y aprovechar el aprendizaje previo.

“Al reutilizar estos conceptos, puedes aprender nuevos conceptos, nuevos significados, como el hecho de que una cebra es simplemente un caballo de una raya diferente”, dice Riesenhuber.

La IA aún no ha alcanzado el mismo nivel que el sistema visual humano, que tiene una capacidad superior para generalizar a partir de pocos ejemplos, lidiar con variaciones de imágenes y comprender escenas. Sin embargo, los avances están acercándolos.

“Nuestros hallazgos no solo sugieren técnicas que podrían ayudar a las computadoras a aprender más rápido y de manera más eficiente, sino que también pueden conducir a mejores experimentos de neurociencia destinados a comprender cómo las personas aprenden tan rápido, lo que aún no se entiende bien”, dice Riesenhuber.