Los retos del Aprendizaje Profundo
A lo largo de los temas de este módulo ha quedado claro que el desarrollo de las redes neuronales profundas, a modo de alter ego de nuestro sistema neuronal, son una pieza clave para avanzar en la inteligencia artificial. Su funcionamiento es versátil con capacidad para adoptar el tamaño y la forma más adecuada a la necesidad. Además su potencia en este momento cuenta con el gran desarrollo de la capacidad de cálculo de los sistemas informáticos.
Fuente: Image: UC Business Analytics R Programming Guide
Este salto cualitativo parece que amplía de forma inimaginable las fronteras del aprendizaje profundo, de la capacidad de las máquinas de aprender de la experiencia, sin supervisión humana, es el propio algoritmo de la máquina el que plantea nuevos modelos de respuesta ante un problema. La aplicación de esta tecnología ha proporcionado avances increíbles en conducción autónoma, medicina personalizada, reconocimiento facial, etc.
Pero en esta tarea no toca hablar de la parte positiva, sino de los inconvenientes, de las críticas que actualmente recibe el aprendizaje profundo. Pues bien, tan sólo escribiendo la frase “críticas al aprendizaje profundo'' en google, en 0,51 segundos aparecen 11.300.000 referencias. Sin mucha selección, tan solo de la primera docena y media de resultados ya es posible atisbar una serie de ideas comunes que nos permiten reflexionar de forma crítica sobre el Deep Learning.
La primera sensación es algo que no deja de ser habitual en la puesta en marchas de tecnologías tan disruptivas: en un primer momento se difunden como “solución a todos los problemas” pero poco, después su desarrollo inicial y de su uso habitual, la utilidad queda matizada por las dificultades que plantean en un escenario de utilización real.
Estas dificultades tienen un buen ejemplo en los sistemas de conducción autónoma que a pesar de un buen periodo de años de desarrollo, resulta que según este artículo han demostrados tener problemas con situaciones impredecibles, con el azar, con lo inesperado. Las situaciones nuevas son tantas y tan variadas que el aprendizaje profundo requiere la recogida de tal cantidad de datos ¡¡Petabytes y petabytes!!. y es tan difícil gestionarlos que hasta les cuesta distinguir entre ciclistas y peatones en movimiento.
En esta búsqueda de las dificultades del deep learning me ha parecido curioso la cantidad de veces que se hace referencia a un documentos del investigador Gary Marcus https://arxiv.org/abs/1801.00631 , publicado en enero de 2018 en el que realiza una evaluación crítica de esta tecnología. El autor plantea una decena de retos del aprendizaje profundo en los que tendría que mejorar para seguir avanzando en el camino que pretende.
Carlos G. Gil Bellosta los resume de forma concisa en su blog https://www.datanalytics.com/2020/01/30/deep-learning-una-evaluacion-critica/
El deep learning:
- Necesita demasiados datos
- Apenas tiene capacidad de transferencia, de trasladar lo aprendido en un contexto a otro.
- No sabe gestionar sistemas jerárquicos
- No es bueno infiriendo
- No es lo suficientemente transparente
- No usa conocimiento previo
- No distingue correlación y causalidad
- Presume un mundo estable, inmutable
- Funciona bien como aproximación, pero no es enteramente fiable
- Plantea problemas de ingeniería, de integración con otros componentes para crear sistemas
Merece la pena revisar algunos matices de cada uno de los retos anteriores en otro interesante blog https://es.quish.tv/critical-appraisal-deep-learning
Y para terminar esta entrada, otra sorpresa, aunque el aprendizaje profundo podría parecer el final del camino en el desarrollo de la IA, lo cierto es que no parece que vaya a ser así. La inteligencia del ser humano, sin duda gracias a su capacidad de aprendizaje incremental, su capacidad de ir sumando conocimiento al conocimiento, de no dejar de hacerse preguntas, ya está trabajando en otro tipo de soluciones, tal y como podemos leer en el siguiente artículo con el sugerente título “Olvídese del aprendizaje profundo…” nos deja claro que Incluso sin llegar al final de las posibilidades del DL, ya está siendo desplazado por nuevas estrategias de aprendizaje de las máquinas
enlaces de interés
https://www.datanalytics.com/2020/01/30/deep-learning-una-evaluacion-critica/
https://es.quish.tv/critical-appraisal-deep-learning
https://elpais.com/retina/2017/04/14/tendencias/1492164762_707652.html
https://kryptonsolid.com/intel-neuroguru-critica-el-aprendizaje-profundo-realmente-no-aprende/
https://twitter.com/antor/status/1229530781653110786
https://telos.fundaciontelefonica.com/la-cofa/las-limitaciones-del-aprendizaje-profundo/
https://arxiv.org/abs/1801.00631
https://www.xataka.com/movilidad/conduccion-autonoma-quiere-triunfar-tiene-gran-reto-delante-dejar-atropellar-ciclistas
https://www.technologyreview.es/s/6656/olvidese-del-aprendizaje-profundo-el-nuevo-enfoque-de-google-funciona-mucho-mejor
iruzkinik ez:
Argitaratu iruzkina