Q:
¿Cómo desempeñan un papel las redes tercas profundas en la evolución de la IA?
UN:A primera vista, las redes obstinadas profundas simplemente "agregan funcionalidad" a una construcción tecnológica existente, la red de confrontación generativa (GAN), pero en realidad, la evolución reciente de la red obstinada profunda nos dice cosas fundamentales sobre cómo la IA puede evolucionar hacia modelado significativo de la toma de decisiones humanas.
La red terca y profunda se basa en la interacción dentro de la GAN de dos "entidades" de IA: el "generador" y el "discriminador". El generador "genera" contenido o ejemplos o datos de prueba o como quiera llamarlo. El discriminador toma la entrada y la ordena o toma decisiones basadas en ella. Estas dos partes de una red obstinada profunda son entidades independientes para fines de investigación de IA, pero trabajan juntas.
Es importante tener en cuenta que la literatura pública disponible sobre redes obstinadas profundas es escasa y parece consistir en un pequeño conjunto de descripciones comunes en las principales páginas de clasificación de Google. Uno de los más autorizados, en KDNuggets, cita el uso de un "coeficiente Goodfellow" que no se puede descubrir por sí solo a través de una búsqueda en Google. (Ian Goodfellow es un científico de la computación acreditado con algunas de las ideas fundamentales detrás de las redes tercas y profundas).
Sin embargo, la idea de la red obstinada profunda se explica en KDNuggets y en otros lugares: la idea básica es que el generador puede "intentar engañar" al discriminador, y que el discriminador puede hacerse "más discriminatorio" hasta que se convierta, de alguna manera, sensible en su "duda" y no elige devolver resultados. Luego, se produce un siguiente paso importante: el programa, ya sea a través de intervención humana o algoritmos, es "engatusado" para proporcionar una respuesta.
En este modelo, comenzamos a ver que la IA está dando un paso enorme, desde simplemente modelar datos o analizar conjuntos de entrenamiento, hasta tomar realmente el tipo de decisiones de alto nivel que consideramos que pertenecen al dominio humano. Al evaluar tanto los patrones de "elección" del discriminador de IA como los patrones de "elección" de un ser humano, la pieza de KDNuggets cita la "paradoja de la elección" iniciada por Barry Schwartz. Algunas publicaciones de blog independientes describen cómo la red obstinada y profunda destaca los comportamientos esencialmente humanos: J. Yakov Stern expone las limitaciones actuales y el posible progreso en una larga regla sobre IVR, y Alexia Jolicoeur-Martineau revela algunos de los resultados recientes que pueden producir las GAN.
Entonces, en cierto sentido, el impacto principal de las redes obstinadas profundas en la IA es reorientar o expandir la investigación más allá de los tipos de toma de decisiones que son fácilmente aplicables a las empresas, y promover una investigación innovadora para hacer que las computadoras sean aún más parecidas a los humanos. Podría haber cualquier cantidad de aplicaciones de esta idea para la empresa, pero no son tan simples como, por ejemplo, la aplicación actual de algoritmos de aprendizaje automático para motores de recomendación del consumidor, o el uso de procesos inteligentes de ML en marketing. La investigación de DSN parece sugerir que podemos hacer que las entidades de IA sean más sensibles, lo que conlleva una gran cantidad de riesgo, así como también una recompensa.
