Puntos clave: Las cinco tribus del aprendizaje automático—simbolistas, conexionistas, bayesianos, evolutivos y análogos—ofrecen metodologías únicas para avanzar en la inteligencia artificial. Cada tribu utiliza enfoques distintos para desarrollar modelos de IA y contribuye al crecimiento general del campo.
- Los simbolistas se centran en la lógica y en sistemas basados en reglas.
- Los conexionistas modelan redes neuronales basándose en funciones cerebrales.
- Los bayesianos enfatizan la inferencia probabilística.
- Los evolucionistas se concentran en los procesos de aprendizaje adaptativo.
- Los análogos predicen los resultados basándose en similitudes de clase.
El aprendizaje automático está multifacético. Los mecanismos de aprendizaje son resultando increíblemente útiles para muchas disciplinas. Cuando el aprendizaje automático se aplica a una disciplina, como la Biología o la Psicología, por ejemplo, la metodología suele adoptar una forma alineada con esa disciplina.
En el libro de Pedro Domingos , The Master Algorithm: How The Quest for the Ultimate Learning Machine Will Remake Our World, clasifica los tipos de algoritmos de aprendizaje automático en cinco clases, a las que llama las tribus del aprendizaje automático. Cada grupo apoya un conjunto de principios y, a partir de ellos, derivan diferentes modelos de aprendizaje automático.
De muchos a uno, su enfoque termina diciendo que todas las tribus se centrarán en un único algoritmo maestro para saberlo todo. Este último algoritmo de aprendizaje automático, el Algoritmo Maestro, sería la inteligencia artificial general que muchos predicen que están por venir. Para Obtén ese punto, Domingos quiere tomar un poco de cada una de estas cinco tribus y mezclarlas.
Las 5 tribus del aprendizaje automático:
- Simbolistas
- Conexionistas
- Bayesianos
- Evolucionistas
- Analogizadores
Los simbolistas se centran en la lógica. Desarrollan sistemas formales para Crea una IA. Desde los años 50 hasta los 80, la IA simbólica fue el paradigma dominante. La mayoría de los ordenadores se basaban en este tipo de pensamiento y, durante décadas, fue la más accesible para el código. Los simbolistas utilizan tecnologías que siguen un camino rígido para Haz decisiones basadas en la lógica. Sus reglas codificadas serían algo así como: "Siempre gira a la izquierda cuando te encuentres con una señal de stop".
Los sistemas que generan este tipo de toma de decisiones incluyen:
- Árboles de decisión
- Bosques de decisión aleatoria
- Sistemas de reglas de producción
- Programación lógica inductiva
Connectionistas (Neurociencia)
Los conexionistas son el grupo que Crea modelos basados en el cerebro. Les encanta señalar que las redes neuronales, una parte clave de su arquitectura interna de aprendizaje automático, se modelaron según la forma en que funcionan las neuronas en el cerebro. Utilizan modelos como:
- Redes neuronales artificiales
- Aprendizaje por refuerzo
- Aprendizaje profundo
Cuando hablan de conexiones, no se refieren a conexiones como analogías, como un gatito está para un gato como un cachorro está para un perro. Para los conexionistas, utilizan conexiones para denominar las señales que pasan de una neurona a otra. Son las fortalezas de las señales y el número de señales.
Un gran problema que la gente tiene con el marco conexionista están que la forma en que se toman son las decisiones está oculta a la vista—la proverbial caja negra. Cada paso de una decisión tomada en un árbol de decisiones está conocido. En el conexionismo, una entrada puede tener una salida, pero el camino que esa entrada tomó para Obtén a esa salida pasa desapercibido. Una persona no puede preguntarse: "¿Cómo llegó el modelo a esa conclusión?"
Bayesianos (estadísticos)
La tribu bayesiana valora la estadística. Está una forma diferente de lógica, que existe en resultados probabilísticos, y no en resultados codificados o de una cosa u otra. Para los bayesianos, el aprendizaje automático es una forma de inferencia probabilística. Dada una entrada, está cierta posibilidad de que la salida están Y. Nada está determinado; los posibles resultados tienen alguna probabilidad de ocurrir.
Los bayesianos pueden utilizar métodos conexionistas o simbolistas para generar modelos de decisión, pero el enfoque en su pensamiento reside únicamente en obtener resultados probabilísticos. La infraestructura para Obtén de X a Y no es tan importante como la forma en que se está interpretado el resultado. No obstante, los bayesianos utilizan modelos como:
- Cadenas ocultas de Markov
- Modelos gráficos
- Inferencia causal
Evolucionistas (biólogos)
A los evolucionistas les gusta pensar en las cosas, no en infraestructuras, ni en resultados determinados, ni siquiera en las interpretaciones de los resultados. Estos son los tipos de la teoría del proceso. Se preocupan por los pasos e iteraciones.
Mirando el aprendizaje automático desde una postura de biólogo, son preocupados por la evolución de una IA. Les interesa saber cómo crece, cómo muta... cómo se convierte. De forma similar a cómo evolucionan las personas en cada mutación, el genoma humano tiene cierta capacidad para conoce y adaptarse, produciendo un humano mejor preparado para navegar en su entorno en cada paso, los evolucionistas quieren Crea modelos de aprendizaje automático que también conocen y se adapten.
Los evolucionarios utiliza algoritmos genéticos y la programación evolutiva. Una aplicación común de la IA evolutiva están en tareas de aprendizaje. A continuación, el equipo de DeepMind creó un pequeño objeto de monigotes con patas, le dio un entorno y una física sencilla, y se propuso avanzar. Tras muchas iteraciones de prueba y error, la inteligencia de la figura evolucionó para poder saltar sobre los objetos y avanzar. Los algoritmos evolutivos son usados mucho en el juego. Serán uno de los modelos principales que Obtén coches conduciendo de forma autónoma.
Análogos (psicólogos)
Los analogizadores suelen son los narradores. Pueden Crear clases de entidades. Si una entrada, antigua o nueva, se está identificada como parte de una de esas clases, entonces los analogizadores creen que pueden predecir el resultado de la entrada como similar al resultado de esa clase.
Los problemas que son abordados con este enfoque son los sistemas de recomendación. Por ejemplo, si un usuario viera una comedia romántica en Netflix, el Analogizer dirá: "Dado tu comportamiento de visualización y que te gustó esta comedia romántica, te gustarán estos otros conjuntos de películas porque otras personas que han visto la misma película también disfrutan de esas otras películas." Los analogizadores utilizan clases y tipos para identificar grupos de personas y predecir resultados futuros basándose en los resultados de otros miembros de la clase.
Los modelos de aprendizaje automático Analogizers utiliza son algoritmos de K-Nearest Neighbor y SVMs, métodos de aprendizaje no supervisados, para colocar a los miembros de una población en sus clases. El gráfico siguiente sitúa a sus miembros en dos clases, 0 y 1. La segunda imagen clasifica a un miembro en una de tres clases.
Las 5 tribus de la ML
Cada enfoque tiene su utilidad. La combinación de estos métodos de aprendizaje automático podría ser la respuesta a una AGI. Los coches autónomos podrían conoce a conducir de forma segura en las carreteras mediante un método evolutivo, pero utilizan métodos conexionistas para dar visibilidad a los sensores de los coches. El coche podría Obtén un gran impulso en la interacción usuario-conductor al utilizar la forma del Analógico de clasificar a sus conductores en tipos: Agresivo, Defensivo o Pasivo. Por último, son normas de la carretera como detenerse en señales de stop y mantenerse entre líneas, donde métodos de la tribu simbolista tradicional resultan beneficiosos.
Recursos adicionales
Para más información sobre este tema, consulta el blog BMC Machine Learning & Big Data o consulta estos artículos y tutoriales:
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.