4 Raons per no tenir por a l'aprenentatge profund (encara) | ben dickson

El 2012, un grup de científics de la Universitat de Toronto van fer un avenç en la classificació d’imatges.

A ImageNet, una competició anual d’intel·ligència artificial (AI) en què els concursants creen l’algorisme de classificació d’imatges més exacte, l’equip de Toronto va debutar AlexNet, "que va superar el camp amb un marge de 10, 8 punts percentuals excel·lent… 41 per cent millor que el següent millor ", segons Quartz.

L’aprenentatge profund, el mètode utilitzat per l’equip, va ser una millora radical respecte als enfocaments anteriors a l’IA i va suposar una nova era de la innovació. Des de llavors, s'ha trobat a l'educació, a la salut, a la ciberseguretat, als jocs de taula i a la traducció i ha recaptat milers de milions de dòlars en inversions a Silicon Valley.

Molts han lloat l’aprenentatge profund i el seu supermercat, l’aprenentatge automàtic, com la tecnologia de propòsit general de la nostra era i més profunda que l’electricitat i el foc. D’altres, però, adverteixen que l’aprenentatge profund acabarà essent millor als humans en cada tasca i es convertirà en el màxim assassí laboral. I l'explosió d'aplicacions i serveis impulsats per l'aprenentatge profund ha regnat els temors d'una apocalipsi AI, en què ordinadors superintel·ligents conquisten el planeta i condueixen els humans a l'esclavitud o l'extinció.

Però, malgrat el bombo, l’aprenentatge profund té alguns defectes que poden evitar que realitzi alguna de les seves promeses, tant positives com negatives.

L’aprenentatge profund depèn massa de les dades

L’aprenentatge profund i les xarxes neuronals profundes, que formen la seva estructura subjacent, sovint es comparen amb el cervell humà. Però les nostres ments poden aprendre conceptes i prendre decisions amb molt poques dades; L’aprenentatge profund requereix tones de mostres per realitzar la tasca més senzilla.

En el seu nucli central, l’aprenentatge profund és una tècnica complexa que mapeja les entrades a les sortides mitjançant la cerca de patrons comuns en dades etiquetades i utilitzant els coneixements per categoritzar altres mostres de dades. Per exemple, poseu una aplicació d'aprenentatge profund amb prou fotos de gats i podreu detectar si una foto conté un gat. Així mateix, quan un algorisme d’aprenentatge profund ingereix prou mostres sonores de paraules i frases diferents, pot reconèixer i transcriure la parla.

Però aquest enfocament només és eficaç quan teniu moltes dades de qualitat per alimentar els vostres algorismes. En cas contrari, els algorismes d’aprenentatge profund poden cometre errors salvatges (com confondre un rifle en un helicòpter). Quan les seves dades no són inclusives i diverses, els algorismes d’aprenentatge profund han demostrat fins i tot comportaments racistes i masclistes.

La confiança en les dades també causa un problema de centralització. Com que tenen accés a grans quantitats de dades, empreses com Google i Amazon estan en una posició millor per desenvolupar aplicacions d’aprenentatge profund molt eficients que les startups amb menys recursos. La centralització de l'AI en poques empreses pot dificultar la innovació i permetre a les empreses massa influència sobre els seus usuaris.

L’aprenentatge profund no és flexible

Els humans podem aprendre conceptes abstractes i aplicar-los a diverses situacions. Ho fem tot el temps. Per exemple, quan jugueu per primera vegada a un joc d’ordinador com Mario Bros., podeu utilitzar immediatament coneixements del món real, com ara la necessitat de saltar sobre fosses o esquivar pilotes ardents. Posteriorment, podeu aplicar els vostres coneixements sobre el joc a altres versions de Mario, com Super Mario Odyssey, o a altres jocs amb mecànics similars, com ara Donkey Kong Country i Crash Bandicoot.

Les aplicacions d’AI, però, han d’aprendre-ho tot des de zero. Una mirada sobre com un algorisme d’aprenentatge profund aprendre a jugar a Mario mostra com és diferent el procés d’aprenentatge d’una IA de la dels humans. Essencialment comença a no saber res sobre el seu entorn i poc a poc aprèn a relacionar-se amb els diferents elements. Però el coneixement que obté jugant a Mario serveix només del restringit domini d’aquest joc únic i no és transferible a altres jocs, ni tan sols a altres jocs de Mario.

Aquesta manca d’enteniment conceptual i abstracte manté les aplicacions d’aprenentatge profund centrades en tasques limitades i impedeix el desenvolupament d’intel·ligència artificial general, el tipus d’IA que pot prendre decisions intel·lectuals com els humans. No és necessàriament una debilitat; alguns experts defensen que la creació d'una IA general no és un objectiu inútil. Però, certament, és una limitació en comparació amb el cervell humà.

L’aprenentatge profund és opac

A diferència del programari tradicional, pel qual els programadors defineixen les regles, les aplicacions d'aprenentatge profund creen les seves pròpies regles processant i analitzant les dades de les proves. En conseqüència, ningú no sap realment com arriben a conclusions i decisions. Fins i tot els desenvolupadors d'algorismes d'aprenentatge profund solen trobar-se perplexos pels resultats de les seves creacions.

Aquesta manca de transparència podria constituir un obstacle important per a la IA i l’aprenentatge profund, ja que la tecnologia intenta trobar el seu lloc en àmbits delicats com el tractament del pacient, l’aplicació de la llei i els automòbils de conducció pròpia. Els algorismes d’aprenentatge profund poden ser menys propensos a cometre errors que els humans, però quan s’equivoquen, les raons d’aquests errors haurien de ser explicables. Si no podem entendre com funcionen les nostres aplicacions d'AI, no podrem confiar en elles amb tasques crítiques.

L'aprenentatge profund es podria superar

L’aprenentatge profund ja ha demostrat la seva pena en molts camps i continuarà transformant la manera de fer les coses. Malgrat els seus defectes i limitacions, l’aprenentatge profund no ens ha fallat. Però hem d’ajustar les nostres expectatives.

Com adverteix el Gary Marcus, un estudiós de l'AI, exagerar la tecnologia pot comportar un altre "hivern AI", un període en què les expectatives i el rendiment baixes són altament elevades i permeten decepcions generals i falta d'interès.

Marcus suggereix que l'aprenentatge profund no és "un solvent universal, sinó una eina entre molts", cosa que significa que mentre continuem explorant les possibilitats que ofereix l'aprenentatge profund, també hauríem de mirar altres enfocaments fonamentalment diferents per crear aplicacions AI.

Fins i tot el professor Geoffrey Hinton, que va ser pioner en el treball que va suposar la revolució d'aprenentatge profund, creu que probablement caldrà inventar mètodes completament nous. "El futur depèn d'algun estudiant graduat que sospiti profundament de tot el que he dit", va dir a Axios.