Avance en sistemas de aprendizaje
En los últimos veinte años más o menos, muchos de los avances clave de la investigación en inteligencia artificial se han materializado merced al aprendizaje automático, con el que los ordenadores aprenden a efectuar predicciones a través de la estrategia de buscar patrones en grandes conjuntos de datos con los que adiestrarse.
Bookmark and Share
Un nuevo enfoque llamado programación probabilística hace que sea considerablemente más simple edificar un sistema de aprendizaje automático, mas solo es útil para un conjunto de inconvenientes parcialmente pequeño. Ahora, unos estudiosos del MIT han descubierto de qué manera extender el enfoque a una clase de inconvenientes mucho mayor, con implicaciones para temas tan diferentes como la ciencia cognitiva, el análisis financiero y la epidemiología.
Históricamente, edificar un sistema de aprendizaje automático capaz de aprender una nueva labor le acostumbra a llevar a un estudiante de posgrado desde ciertas semanas hasta múltiples meses. Un conjunto de nuevos lenguajes de programación probabilísticos y experimentales, uno de los que, Church, fue desarrollado en el MIT, promete acortar ese tiempo hasta un mero lapso de ciertas horas.
En el corazón de cada uno de ellos de estos nuevos lenguajes está un algoritmo de inferencia, que señala al sistema de aprendizaje automático de qué forma llegar a conclusiones desde los datos presentados. El carácter generalista de estos algoritmos de inferencia es lo que proporciona potencia a los lenguajes: Exactamente el mismo algoritmo debe ser capaz de guiar un sistema que esté aprendiendo a reconocer objetos en imágenes digitales, o bien a filtrar correo spam, o bien a aconsejar películas en DVD basándose en las alquiladas a veces precedentes, o bien a efectuar cualquier otra cosa que se le pueda solicitar a un programa de inteligencia artificial.
Los algoritmos de inferencia empleados en la actualidad en la programación probabilística dan buenos resultados manejando datos del tipo que en matemáticas reciben el nombre de Datos Prudentes, mas les resulta bastante difícil trabajar con información más compleja, del tipo que en matemáticas se conoce como Datos Continuos.
En consecuencia, los diseñadores de lenguajes de programación probabilísticos tienen mucho interés en saber de ser posible diseñar un algoritmo de inferencia útil general que pueda manipular datos continuos. Desafortunadamente, la contestación semeja ser No.
No obstante, asimismo hay buenas noticias: Daniel Roy y Cameron Freer, del MIT, han probado que existen grandes clases de inconvenientes en los que intervienen datos continuos que son susceptibles de ser adecuadamente procesados a través de una solución general. Además de esto, estos estudiosos han descrito un algoritmo de inferencia que puede tratarlos. Un lenguaje de programación probabilístico con el nuevo algoritmo incorporado facilitaría el veloz desarrollo de una pluralidad considerablemente mayor de sistemas de aprendizaje automático.