La intel·ligència artificial i les limitacions de l'aprenentatge profund

Durant els últims sis anys l'aprenentatge profund s'ha convertit en titular de diaris i objecte d'innombrables articles en mitjans tecnològics i generalistes, convertint-se en la tècnica de moda de la intel·ligència artificial. The New York Times va arribar a afirmar en 2016 que l'aprenentatge profund estava preparat per reinventar la ciència computacional ( The Great AI Awakening ).

La popularitat del terme deep learning o aprenentatge profund desenganxa el 2012 gràcies a treballs com el dels professors de la Universitat de Toronto Alex Krizhevsky, lyaSutskever i Geoffrey E. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, que posen en evidència la capacitat de les xarxes neuronals per classificar objectes. En aquest cas, els autors van aconseguir que el seu sistema classifiqués 1,2 milions d'imatges d'alta resolució en 1.000 categories diferents, dins el concurs d'algoritmes ImageNet Large Scale Visual Recognition Competition (ILSVRC) .

No obstant això, hi ha científics com Gary Marcus que rebaixen les expectatives del deep learning, no negant la seva utilitat i valor, però assenyalant les seves limitacions i la necessitat de combinar-ho amb altres tècniques d'intel·ligència artificial perquè aquesta realment pugui assolir tot el seu potencial. Marcus és expert en psicologia cognitiva i professor a la Universitat de Nova York. Ha plasmat la seva visió sobre les limitacions de l'aprenentatge profund en el paper Deep Learning: A Critical Appraisal , que ha generat un encès debat entre els experts en intel·ligència artificial des que va ser publicat al gener.

La seva tesi és que l'aprenentatge profund ha collit grans èxits en camps com el reconeixement del llenguatge natural, el reconeixement d'imatges, la traducció i també juga un paper important en el funcionament de nombroses aplicacions de la intel·ligència artificial que estan desenvolupant-se en l'actualitat, però, al seu parer, l'evolució del deep learning s'està acostant a un mur.

Establint un paral·lelisme amb la neurologia, les xarxes neuronals de la intel·ligència artificial permeten generar sistemes que imiten el funcionament del cervell en la forma en què aquest classifica la informació rebuda, per exemple, identificant objectes en funció dels trets que contenen. Es tracta de programes que realitzen els seus diagnòstics o prediccions basant-se en la probabilitat. La seva forma d'aprenentatge contempla la retroalimentació; en successives voltes reben el grau d'encert dels seus dictàmens i realitzen les correccions oportunes. Un sistema de prova i error de l'estil que fem servir els humans en fer una tasca nova. El concepte d'aprenentatge profund o deep learning fa referència al fet que les xarxes neuronals tenen una estructura basada en nombroses capes, en general més de 10, encara que actualment estan en proves algunes amb més de 100.

Gary Marcus afirma que l'aprenentatge profund és utilitzat especialment com un sistema de classificació, de manera que la xarxa neuronal ha de decidir a quina categoria o grup de categories pertany un determinat element. Per exemple, en el reconeixement del llenguatge natural, la xarxa d'associar grups de sons de la parla humana amb categories com poden ser paraules o fonemes. En el cas del reconeixement d'objectes, el sistema aprèn a relacionar una sèrie d'imatges amb les seves etiquetes o categories, per exemple, la imatge d'un cotxe amb l'etiqueta "automòbil".

Però Marcus pensa que l'abast del deep learning és limitat, precisament perquè s'alimenta de quantitats immenses d'informació i aquesta és un bé escàs. En la mesura que un sistema s'enfronti a un input del qual no ha tingut un exemple previ, per exemple, una foto o una paraula, i es veu obligat a extrapolar a partir de dades genèrics, els resultats que ofereixi poden resultar més imprecisos . Pot ser, per exemple, una determinada pronunciació que un sistema de reconeixement del llenguatge no té registrada i que li faci confondre una paraula o expressió per una altra.