Evaluación del uso de tecnologías de inteligencia autónoma

Completado

El aprendizaje automático (ML) y el aprendizaje profundo (DL) han alcanzado el nivel de paridad humana (funcionan tan bien como humanos en una tarea) para muchas aplicaciones, como el reconocimiento de objetos, el reconocimiento de voz, la comprensión de lectura, la traducción automática y el procesamiento general del lenguaje; y casi la paridad humana para la síntesis de voz. Sin embargo, los algoritmos de aprendizaje automático y de aprendizaje profundo sufren debido a limitaciones de los datos, es decir, los resultados solo serán tan buenos como la calidad de los datos de entrada y el sesgo se amplificará. También son cajas negras que no tienen ninguna o una explicación reducida, y por lo tanto no son de confianza, especialmente en la configuración industrial. También tienen errores (falsos positivos y falsos negativos) que no son errores similares a los humanos y son inesperados (cada inferencia puede ser un error).

Los algoritmos de aprendizaje de refuerzo profundo (DRL) tienen muchos "superpoderes": pueden cambiar de comportamiento como respuesta a las condiciones cambiantes; puede aprender relaciones complejas y no lineales que requieren que se tomen decisiones en relaciones aproximadas y no lineales entre variables, tránsitos del estado del entorno; actuar en función de la percepción compleja; responder a los cambios del entorno que no se miden directamente; y la más importante, aprender estrategia.

Sin embargo, el aprendizaje de refuerzo profundo también tienen limitaciones: no tiene ningún conocimiento previo de la tarea en cuestión, lo que significa que tiene que aprender todo mediante un gran número de iteraciones de prueba y error. Este proceso es ineficiente si tiene que navegar por un espacio de estado muy grande. Afortunadamente, es posible reducir la complejidad del aprendizaje de refuerzo profundo mediante la introducción del conocimiento del dominio para reducir el espacio de búsqueda.

En la tabla siguiente se resumen los puntos fuertes y las limitaciones de las dos tecnologías principales incluidas en la inteligencia autónoma: ML y DRL.

¿Qué es? ¿Cuándo debería usarlo? ¿Cuáles son las limitaciones?
- Machine Learning (ML)
- Redes neuronales (NN)
- Aprendizaje automático profundo (DML)
Red de nodos interconectados que aprenden de los datos para reconocer patrones o replicar el comportamiento - Cuando necesite una percepción anticipada: visión informática, procesamiento de lenguaje natural, sonido, etc.
- Clasificación
- Prediction (Predicción)
- Difícil de entrenar
- Capacidad de explicación limitada o no intuitiva (caja negra)
- Fácilmente pirateable
- Cada inferencia puede ser un falso positivo o negativo
- Baja confiabilidad, no determinista
- No procesable, difícil de integrar en un proceso industrial
- Cuando necesite una percepción anticipada: visión informática, procesamiento de lenguaje natural, sonido, etc.
- Clasificación
- Baja capacidad de adopción
- Aprendizaje de refuerzo (RL)
- Aprendizaje de refuerzo profundo (DRL)
Un aprendizaje automático que practica en la simulación o el mundo real - Evaluación de estado difícil, entornos dinámicos no lineales.
- Cuando necesite una percepción anticipada: visión informática, procesamiento de lenguaje natural, sonido, etc.
- Clasificación
- Cuando necesitamos aprender estrategia a nivel humano
- Difícil de entrenar.
- Capacidad de explicación limitada o no intuitiva (caja negra).
- Difícil de integrar en un proceso industrial.
- Cuando necesite una percepción anticipada: visión informática, procesamiento de lenguaje natural, sonido, etc.
- Clasificación
- No hay conocimientos previos de la tarea en cuestión.