Publicado 15/04/2020 13:19:13 +02:00CET

Portaltic.-La IA de Google aprende a evolucionar sus propios algoritmos sin ayuda humana

La IA de Google aprende a evolucionar sus propios algoritmos sin ayuda humana
La IA de Google aprende a evolucionar sus propios algoritmos sin ayuda humana - PIXABAY - Archivo

   MADRID, 15 Abr. (Portaltic/EP) -

   Google ha dotado a su mecanismo de Inteligencia Artificial (IA) AutoML de la capacidad de desarrollar algoritmos de aprendizaje automático y evolucionarlos de forma completamente independiente, sin necesidad de intervención de seres humanos.

   La nueva variante AutoML-Zero ha sido capaz de replicar décadas de investigación humana en IA en apenas unos días y ha utilizado para ello un enfoque similar al de la evolución de las especies de Darwin, como explican los investigadores de Google Brain en un estudio académico presentado recientemente y recoge la revista Science.

   Habitualmente, el desarrollo de algoritmos de aprendizaje automático, como por ejemplo las redes neuronales -que replican el funcionamiento de neuronas-, requiere un entrenamiento de datos en el que las conexiones entre las redes tienen que ser decididas por personas.

   En la actualidad, los mecanismos más recientes aceleran el entrenamiento de la IA pero siguen utilizando circuitos diseñados por humanos, y por ello pueden incluir cierto tipo de sesgos o limitaciones.

   Desde cero, la herramienta de Google es capaz de "descubrir algoritmos de aprendizaje automático completos solo utilizando operaciones matemáticas básicas como crear bloques", según el estudio.

   "Nuestro objetivo último es desarrollar nuevos conceptos de aprendizaje automático que incluso los investigadores no podrían encontrar", como ha explicado el científico informático de Google So Quoc Le, uno de los autores.

   El programa de Google desarrolla nuevos algoritmos aplicando un enfoque de evolución inspirado en las teorías de Charles Darwin, en el que se crean primero una serie de algoritmos candidatos a través de operaciones matemáticas de combinación aleatorias.

   Posteriormente, estos algoritmos candidatos se ponen a prueba midiendo su rendimiento en unas tareas binarias de clasificación de imágenes de CIFAR-10, una colección de imágenes pequeñas etiquetadas según el tipo de objetos que muestran.

   Una vez analizados todos los algoritmos, escogen al más adecuado en función de sus resultados, comparándolos con otros algoritmos ya existentes. Además, AutoML es capaz de modificar partes del código de los algoritmos descubiertos para evolucionarlos más por sí solo.