MADRID, 12 Feb. (EUROPA PRESS) -
Un nuevo algoritmo mejora significativamente la forma en que los sistemas de Inteligencia Artificial (IA) aprenden y descubren patrones en los datos de forma independiente, sin guía humana.
Llamado Torque Clustering, que se acerca mucho más a la inteligencia natural que los métodos actuales: puede analizar de forma eficiente y autónoma grandes cantidades de datos en campos como la biología, la química, la astronomía, la psicología, las finanzas y la medicina, revelando nuevos conocimientos como la detección de patrones de enfermedades, el descubrimiento de fraudes o la comprensión del comportamiento.
"En la naturaleza, los animales aprenden observando, explorando e interactuando con su entorno, sin instrucciones explícitas. La próxima ola de IA, el 'aprendizaje no supervisado', pretende imitar este enfoque", explica en un comunicado el profesor Chin-Teng Lin de la Universidad de Tecnología de Sídney (UTS), un investigador líder en IA e interfaces cerebro-computadora, que participó en la investigación.
Casi todas las tecnologías de IA actuales se basan en el 'aprendizaje supervisado', un método de entrenamiento de IA que requiere que un humano etiquete grandes cantidades de datos utilizando categorías o valores predefinidos, de modo que la IA pueda hacer predicciones y ver relaciones.
AHORRO DE COSTES Y TIEMPO
"El aprendizaje supervisado tiene una serie de limitaciones. El etiquetado de datos es costoso, lleva mucho tiempo y, a menudo, resulta poco práctico para tareas complejas o de gran escala. El aprendizaje no supervisado, por el contrario, funciona sin datos etiquetados, lo que permite descubrir las estructuras y los patrones inherentes a los conjuntos de datos", explicó.
Se acaba de publicar un artículo que detalla el método Torque Clustering en la revista IEEE Transactions on Pattern Analysis and Machine Intelligence.
COMPLETAMENTE AUTÓNOMO
El algoritmo Torque Clustering supera a los métodos tradicionales de aprendizaje no supervisado y ofrece un posible cambio de paradigma. Es completamente autónomo, no tiene parámetros y puede procesar grandes conjuntos de datos con una eficiencia computacional excepcional.
Se ha probado rigurosamente en 1.000 conjuntos de datos diversos y ha logrado una puntuación media de información mutua ajustada (AMI), una medida de los resultados de la agrupación, del 97,7 %. En comparación, otros métodos de última generación solo alcanzan puntuaciones en el rango del 80 %.
"Lo que distingue a Torque Clustering es su base en el concepto físico de torque, lo que le permite identificar grupos de manera autónoma y adaptarse sin problemas a diversos tipos de datos, con diferentes formas, densidades y grados de ruido", dijo el primer autor, el coautor Jie Yang, investigador postodoctoral asociado en la UTS y experto en aprendizaje no supervisado.
"Se inspiró en el equilibrio de torque en las interacciones gravitacionales cuando las galaxias se fusionan. Se basa en dos propiedades naturales del universo: masa y distancia. Esta conexión con la física agrega una capa fundamental de importancia científica al método.
"El Premio Nobel de Física del año pasado se otorgó por descubrimientos fundamentales que permiten el aprendizaje automático supervisado con redes neuronales artificiales. El aprendizaje automático no supervisado, inspirado en el principio de torque, tiene el potencial de tener un impacto similar", dijo el Dr. Yang.
Torque Clustering podría respaldar el desarrollo de la inteligencia artificial general, particularmente en robótica y sistemas autónomos, al ayudar a optimizar el movimiento, el control y la toma de decisiones. Está destinado a redefinir el panorama del aprendizaje no supervisado, allanando el camino para una IA verdaderamente autónoma. El código fuente abierto se ha puesto a disposición de los investigadores.