Una nueva herramienta de Inteligencia Artificial demostró capacidad para aprender nociones básicas de sentido común y así entender el comportamiento de algunos objetos o cómo interaccionan entre ellos en el mundo real.
El algoritmo llamado Plato fue desarrollado por investigadores de la compañía DeepMind y está inspirado en la cognición de los bebés.
Plato predice con éxito el resultado de algunas situaciones (por ejemplo si alguien deja caer unas llaves, estas se estrellarán contra el suelo) y hasta se "sorprende" cuando las expectativas que genera no se cumplen (por ejemplo: las llaves quedan suspendidas en el aire), de la misma forma que haría un niño de tres meses.
Predecir qué ocurrirá en situaciones cotidianas, es algo que los humanos hacen de forma continua y sin ningún esfuerzo. Sin embargo, esto supone un tremendo desafío para las máquinas en el que los científicos llevan trabajando décadas.
Los científicos de DeepMind partieron de los estudios de psicología del desarrollo sobre la cognición de los niños pequeños y diseñaron un sistema de aprendizaje profundo, un tipo de IA al que entrenaron enseñándole animaciones visuales que mostraban escenas muy simples, como una pelota que caía al suelo, o dos pelotas que chocaban una contra la otra y salían despedidas.
A partir de esas animaciones, Plato adquirió una compresión de la llamada física intuitiva, conceptos físicos muy básicos con los que los niños ya nacen, que les permiten generar expectativas y entender cualidades como la solidez de los objetos (una mesa no puede atravesar una puerta sin romperla) o la continuidad -(una pelota que se lanza y pasa detrás de una columna, desaparecerá un instante, pero volverá a aparecer).
Después de entrenar al algoritmo, los investigadores mostraron a Plato videos con escenas imposibles. Tal como reaccionaría un bebé pequeño al verlas, la IA también mostró sorpresa ante situaciones que no tenían sentido, como un objeto atravesando otro sin interaccionar con él, una pelota pasando a través de una mesa.
Según los investigadores, "el entrenamiento con animaciones visuales contribuyó de forma importante al proceso de aprendizaje",a la vez que subrayan que para que ese aprendizaje sea realmente efectivo, "se requiere un conocimiento innato previo".
Así fue como los científicos compararon la forma en la que el sistema aprendía en dos tipos de situaciones. En una había un conocimiento previo o innato sobre los objetos que aparecen en las escenas, en la otra no había conocimiento anterior y el algoritmo tenía que aprender las reglas físicas de cero. Y observaron que los primeros obtenían mejores resultados en las pruebas de comprensión y generación de expectativas de las situaciones que los segundos.
A pesar de que en los últimos años se produjo un avance exponencial de los sistemas de inteligencia artificial, la IA todavía es incapaz de capturar el conocimiento que guía las predicciones, las inferencias y las acciones en el mundo real.
"Nuestro modelo fue capaz de generar expectativas sobre lo que tenía que suceder cuando le presentamos un nuevo conjunto de objetos y de acciones que no había visto durante el entrenamiento. Fue capaz de mostrar aprendizaje con éxito, a pesar de que está entrenado con un conjunto relativamente pequeño de animaciones visuales", resaltó Luis Piloto, investigador de DeepMind.
Según este científico, este tipo de IA podría arrojar luz a los mecanismos subyacentes a cómo los humanos aprenden esa física intuitiva que integra el sentido común, según una nota del sitio lavanguardia.com