Cómo extrapolan los robots: así ayudan los físicos a pensar con menos datos

Uno de los retos a los que se enfrentan hoy día los investigadores de Inteligencia Artificial es descubrir la fórmula mágica que permita a los robots del futuro saber cómo han de actuar en situaciones de peligro que no tienen por qué haber vivido nunca. Bien porque en el día en el que se desarrollaron los ingenieros no contaban con los recursos suficientes para experimentar dichas situaciones. O bien porque el diccionario de posibles calamidades resulta tan extenso que es lógico no acordarse de alguna.

En el campo del aprendizaje de máquina (machine learning, en inglés) los científicos han conseguido grandes avances. Un programa inteligente puede hoy día reconocer el lenguaje natural, comprenderlo e imitarlo (prueba de ello, las llamadas que puede realizar el asistente digital de Google); detectar emociones y replicarlas; o conocer el entorno que le rodea y saber cómo actuar en dicha zona en caso de peligro.

Pero a lo que a nosotros nos resultaría sencillo – en este último caso, saber por ejemplo que si una persona mayor se cae en la sala de estar o mientras paseaba por la calle se debe llamar a una ambulancia -, los robots ni siquiera se lo podrían imaginar, ya que carecen de una habilidad (todavía) increíblemente humana: la extrapolación.

Aunque hay esperanza para las máquinas. Precisamente, un equipo de científicos del Instituto de Ciencia y Tecnología de Austria ha desarrollado un método de machine learning que permite usar observaciones realizadas bajo condiciones seguras y con las mismas predecir actuaciones o acciones que se rigen por la misma dinámica física – y de las que no se cuentan con datos-.

Así, cuando un robot esté aprendiendo cómo es su cuerpo y el ambiente que le rodea, con tan solo realizar un par de movimientos y aplicar dicho método (o algoritmo) logra preveer qué sucederá con movimientos más grandes y a velocidades más altas. Incluso cuando el ambiente en el que se halle resulte más peligroso o extremo.

¿Cómo lo hace exactamente? El algoritmo de los austriacos coge datos y devuelve ecuaciones que describen la física que hay detrás. «Si tu sabes estas ecuaciones», explica Georg Martius a Science Daily, «entonces puedes saber qué ocurrirá en todas esas situaciones, incluso si no las has visto aún».

Y aunque existen algoritmos que realizan la misma operación, la herramienta de estos investigadores extrae ecuaciones que son fáciles de interpretar y expone qué relación existe entre los condicionantes y los resultados. Porque, de acuerdo con los investigadores, si en otras áreas de investigación desarrollamos modelos que nos dicen por qué pasa qué cosa, en machine learning el patrón debería ser el mismo.

Los científicos han basado su nuevo método de aprendizaje en un marco de trabajo (framework) en el que, a diferencia de los anteriores, se requiere un menor volumen de datos. Y lo incluirán en la máquina que están diseñando.

«En el futuro el robot experimentaría con diferentes emociones y después será capaz de usar el machine learning para descubrir las ecuaciones que gobiernan su cuerpo y movimientos, lo que le hará evitar acciones o situaciones peligrosas», añade Martius.

Cómo extrapolan los robots: la física y el machine learning

Presentado en la pasada edición de la Conferencia Internacional para el Aprendizaje de Máquina, los investigadores austriacos han diseñado dicho método pensando en situaciones de la vida real con el fin de destapar la física que subyace en ellas y explicárselo a la máquina con descripciones simples e interpretables.

Una herramienta, por tanto, física que no es la única que emplean los ingenieros centrados en Inteligencia Artificial. Sirva de ejemplo la aplicación de Gibbs-Bogoliubov-Feynman, que se desarrolló en el campo de la física durante los años 60 y encontró su aplicación práctica en el mundo del aprendizaje de máquina en la década de los noventa, cuando lo empleó el equipo del investigador Michael Jordan en el Instituto Tecnológico de Massachusetts (MIT).

como extrapolan los robots profesor michael jordan

Y es que, como bien recuerda Roman Trusov, investigador en el departamento de Inteligencia Artificial de Facebook en el foro divulgativo Quora, el hecho de crear modelos para entender y trabajar con una gran cantidad de datos resulta para los físicos el pan nuestro de cada día. «Se puede decir que el aprendizaje de máquina fue descubierto por los físicos y mejorado por los programadores, [y esto] parece ser el orden natural de las cosas», añade. Un ejemplo más de que la unión hace la fuerza.

Posts relacionados

¡Hola, Aye! Escribiendo cartas al robot del futuro

Si tuvieras la oportunidad de escribirle una carta a un robot del futuro, ¿qué le escribirías? Esto mismo se preguntaron los creadores de Hi Aye , una página web que ofrece a usuarios de todo el mundo dejar sus mensajes a […]

Entre robots y literatura de ciencia ficción: conocemos Alethé en The Robot Museum

Es inusual que los robots que descansan en The Robot Museum (el museo del robot de Madrid) se muestren inquietos ante los visitantes de los eventos que allí se celebran. Se acostumbraron a ver cómo Pepper aspiraba a convertirse en […]

Aprender robótica desde cero: pasos a seguir para no perderse y divertirse

Aprender robótica desde cero resulta sencillo si sabes qué pasos has de seguir y qué proyectos puedes ir realizando para entretenerte durante el camino. Porque sin una guía, terminarías con un embrollo tecnológico en la cabeza y, sin práctica, seguramente […]

Sobre biohackers o cómo llevar la tarjeta de transporte siempre a mano

biohackers portada
Si hay algo por lo que destaca la tecnología ésa es, sin duda, la gran habilidad que tiene para promover cambios. Logró que nos comunicáramos los unos con los otros a miles y miles de kilómetros y de forma instantánea, […]

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *