¡La compu también puede aprender!
¡La compu también puede aprender!
La actividad utiliza KinderNet, una aplicación web interactiva que permite fotografiar diferentes objetos y entrenar con esas imágenes una Inteligencia Artificial (IA) basada en redes neuronales. Luego se prueba con diferentes fotos para ver si la IA reconoce todos los objetos correctamente. Si se confunde con alguno, podrán sacar más fotos o agregar neuronas al modelo de IA y entrenar nuevamente hasta que funcione bien. El objetivo es que puedan entrenar su propia red neuronal de una forma interactiva. El concepto más importante es que este tipo de algoritmos de IA pueden aprender a partir de ejemplos.
¿Por qué esta propuesta?
Para desmitificar la IA, y ver que es posible hacer algo que puede parecer complejo, como entrenar un modelo inteligente.
Para que se entienda que no todo está programado de antemano, sino que la computadora puede aprender a partir de ejemplos.
Porque ayuda a entender que la computadora con IA aprende a partir de ejemplos y que hay que entrenarla para que funcione bien.
Para aprender también las limitaciones que puede tener una IA, explorar qué es lo que la red neuronal aprende y qué no.
Objetivos
- Adquirir la noción de entrenamiento a partir de datos y cómo esto es diferente de la programación tradicional.
- Obtener una idea general de qué es la IA, en particular el aprendizaje automático basado en redes neuronales.
- Entender las limitaciones que puede tener una IA, como sesgos y otras fallas que surgen en el uso de la aplicación.
Cuando una IA no puede aprender algo puede mejorarse aumentando su capacidad (en este caso la cantidad de neuronas) o mejorando los datos con que se entrena.
Conceptos claves
Podemos hacer que la computadora tenga algunas habilidades que generalmente consideramos propias solo de las personas.
La IA es el “aprendizaje” automático, es decir, que la máquina “vea” ejemplos reales y aprenda por sí misma.
Hay dos momentos que pueden resumirse con las metáforas de: “la clase” donde nosotros le enseñamos y la compu aprende, y “la prueba” donde verificamos si la compu realmente aprendió lo que le enseñamos.
Para aprender hay que mostrarle muchos ejemplos a la compu, es un proceso… no se hace directamente.
Si hay pocas neuronas no se pueden aprender cosas complicadas. Así que si queremos distinguir cosas que son muy parecidas, tendremos que ponerle más neuronas.
Para que aprenda bien hay que mostrarle ejemplos adecuados. Con cada caso que se le muestra la computadora tiene que ajustar sus “sinapsis simuladas”:
Si le mostramos poco, aprende poco y falla en la prueba.
Si le mostramos mucho del mismo ejemplo solo se aprende ese y falla en otros.
Si no le mostramos buenos ejemplos de lo que queremos que aprenda… se va a confundir.
Equipo
Georgina Stegmayer
Doctora en Ingeniería (Politecnico di Torino-IT). Profesora Adjunta en el Departamento de Informática de la Facultad de Ingeniería y Ciencias Hídricas de la Universidad Nacional del Litoral. Investigadora Principal de CONICET.
Diego Milone
Bioingeniero (UNER) y Doctor por la Universidad de Granada. Es Profesor Titular de la UNL e Investigador Principal del CONICET. Fue Director del Departamento de Informática y Secretario de Ciencia y Técnica en la FICH-UNL. Fue fundador y primer Director del Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional, sinc(i) (UNL-CONICET).
Pamela Llop
Doctora en Matemática (UNL). Profesora Asociada en el Departamento de Matemática de la Facultad de Ingeniería Química de la Universidad Nacional del Litoral. Investigadora Adjunta de CONICET.