La inteligencia artificial (IA) ha logrado hacer cosas impresionantes como crear genomas de seres humanos imaginarios. Sin embargo hasta ahora no podían hacer algo que nosotros sí: imaginar. Esto ha cambiado con una investigación presentada durante la Conferencia Internacional de Representaciones del Aprendizaje 2021. 

Los cerebros humanos son increíbles, una vez que sabemos que es un perro, podemos imaginarlo de un color o tamaño diferente. Para las redes de IA, eso es mucho más difícil, a pesar de que, con suficiente entrenamiento, pueden reconocer a un perro cuando lo ven, no lo pueden imaginar. 

Inspirados en los humanos 

Ahora, investigadores de la Universidad del Sur de California (USC) han ideado un nuevo método para permitir que los sistemas de IA averigüen cómo debería verse un objeto, incluso si nunca antes habían visto uno exactamente igual. Para eso se inspiraron en las capacidades de generalización visual humana. 

“Los seres humanos pueden separar su conocimiento aprendido por atributos (por ejemplo, forma, pose, posición, color) y luego recombinarlos para imaginar un nuevo objeto”, explica el científico informático Yunhao Ge. “Nuestra investigación intenta simular este proceso usando redes neuronales”.

El equipo extrapoló una gran cantidad de información de una base de datos de entrenamiento para luego ir más allá de lo que se ve en lo que no es evidente. Esto es difícil para la IA debido a la forma en que generalmente se entrena para detectar patrones específicos en lugar de atributos más amplios. 

Aprendizaje de representación de desenredado controlable 

La estrategia utilizada por los investigadores se llama aprendizaje de representación de desenredado controlable, y utiliza un enfoque similar a los utilizados para crear deepfakes. El sistema desenreda diferentes partes de una muestra, de manera que “ve” una casa azul y una moto roja e “imagina” una casa roja. 

Una de las principales innovaciones de esta técnica es el procesamiento de muestras en grupos en lugar de individualmente, y la construcción de vínculos semánticos entre ellos. Entonces, la IA puede reconocer similitudes y diferencias en las muestras que ve, utilizando este conocimiento para producir algo completamente nuevo. 

Estas ideas no son nuevas, pero los investigadores han llevado los conceptos más allá. Ahora el enfoque es más flexible y compatible con tipos adicionales de datos. También han hecho que el marco sea de código abierto, para que otros científicos puedan utilizarlo más fácilmente.

Potenciales usos

Los investigadores creen que el sistema podría resolver algunos de los sesgos con las IAs. Eliminaría atributos más sensibles de la ecuación, ayudando a crear redes neuronales que no sean racistas o sexistas. Así mismo, el enfoque también podría aplicarse en los campos de la medicina «imaginando» nuevos fármacos o patógenos desconocidos para los humanos.

«El aprendizaje profundo ya ha demostrado un rendimiento y una promesa insuperables en muchos dominios», dice la científica informática Laurent Itti. «Pero con demasiada frecuencia esto ha sucedido a través de una mímica superficial y sin una comprensión más profunda de los atributos separados que hacen que cada objeto sea único», añade.