Robótica, lo nuevo de Google

Google dice haber creado una inteligencia artificial capaz de diseñar otros modelos de inteligencia artificial superiores a los modelos creados por los humanos. Se trata de un nuevo avance de su AutoML, un sistema de aprendizaje automático con el que el equipo de Google Brain pretendía ver si eran capaces de crear una IA capaz de diseñar y entrenar otras IA sin intervención humana.

Según Google dice: Al aprender Arquitecturas transferibles para el Reconocimiento de imágenes escalable , aplicamos AutoML a la clasificación de imágenes ImageNet y al conjunto de datos de detección de objetos COCO , dos de los conjuntos de datos académicos a gran escala más respetados en visión por computadora. Estos dos conjuntos de datos son un gran desafío para nosotros porque son órdenes de magnitud mayores que los conjuntos de datos CIFAR-10 y Penn Treebank. Por ejemplo, ingenuamente aplicar AutoML directamente a ImageNet requeriría muchos meses de entrenamiento de nuestro método. 

Para poder aplicar nuestro método a ImageNet, hemos modificado el enfoque de AutoML para que sea más manejable con los conjuntos de datos a gran escala:

· Rediseñamos el espacio de búsqueda para que AutoML pueda encontrar la mejor capa que luego se puede apilar varias veces de manera flexible para crear una red final.

· Realizamos la búsqueda de arquitectura en CIFAR-10 y transferimos la mejor arquitectura aprendida a la clasificación de imágenes ImageNet y la detección de objetos COCO.

Con este método, AutoML pudo encontrar las mejores capas que funcionan bien en CIFAR-10, pero funcionan bien en la clasificación de ImageNet y detección de objetos COCO. Estas dos capas se combinan para formar una nueva arquitectura, que llamamos "NASNet" .

Nuestra arquitectura NASNet está compuesta por dos tipos de capas: capa normal (izquierda) y capa de reducción (derecha). Estas dos capas están diseñadas por AutoML. 

En la clasificación de imágenes ImageNet, NASNet logra una precisión de predicción del 82.7% en el conjunto de validación, superando todos los modelos Inception anteriores que construimos [2, 3, 4]. Además, NASNet tiene un desempeño 1.2% mejor que todos los resultados publicados anteriormente y está a la par con el mejor resultado no publicado reportado en arxiv.org [5]. Además, NASNet se puede redimensionar para producir una familia de modelos que logran buenas precisiones a la vez que tienen costos computacionales muy bajos. Por ejemplo, una versión pequeña de NASNet logra una precisión del 74%, que es un 3,1% mejor que los modelos de última generación de tamaño equivalente para plataformas móviles. El NASNet grande logra precisión de última generación mientras reduce a la mitad el costo computacional del mejor resultado informado en arxiv.org (es decir, SENet) [5].

Precisión de NASNet y modelos innovadores inventados por humanos en varios tamaños de modelos en la clasificación de imágenes ImageNet. 

También transferimos las características aprendidas de ImageNet a la detección de objetos. En nuestros experimentos, la combinación de las características aprendidas de la clasificación ImageNet con el marco Faster-RCNN [6] superó el rendimiento predecible previo y publicado en la tarea de detección de objetos COCO, tanto en los modelos más grandes como en los optimizados para dispositivos móviles. . Nuestro modelo más grande logra el 43.1% de mAP, que es un 4% mejor que el estado anterior de la técnica anterior.

Ejemplo de detección de objetos usando Faster-RCNN con NASNet. 

Sospechamos que las características de la imagen aprendidas por NASNet en ImageNet y COCO pueden reutilizarse para muchas aplicaciones de visión por computadora. Por lo tanto, tenemos NASNet de fuente abierta para la inferencia en la clasificación de imágenes y para la detección de objetos en los repositorios Slim y Object Detection TensorFlow. Esperamos que la comunidad más grande de aprendizaje automático pueda basarse en estos modelos para abordar multitud de problemas de visión artificial que aún no hemos imaginado.

Qué dicen las tres leyes de la robótica de Isaac Asimov

Haber creado una inteligencia artificial capaz de dar a luz otra de una forma eficiente sin duda va a poner nerviosas a muchas personas. Celebridades como Elon Musk, Stephen Hawking o François Chollet, llevan tiempo avisando de la posibilidad de que las máquinas se revelen contra los humanos, sobre todo si empiezan a utilizarse en sectores militares.

Y está claro que si alguien empieza a pensar en la posibilidad de una rebelión de las máquinas, el que estas sean capaces de replicarse sería un primer paso lógico antes de hacerlo. 

La ONU ya dijo hace un año que iba a plantearse la prohibición de utilizar IAs en armamento, pero todavía no se han tomado medidas definitivas.