Cómo las redes neuronales líquidas pueden reducir el mundo de la IA

Aug 04, 2023

Kaushik es arquitecto técnico y consultor de software, con más de 20 años de experiencia en la industria de análisis, desarrollo, arquitectura, diseño, pruebas y capacitación de software. Él…

Eddie Wrenn es un reportero y editor de noticias que ha trabajado en redacciones nacionales e internacionales en todo el Reino Unido y Australia, centrándose en...

Las redes neuronales líquidas se destacan como un elemento vital y distintivo en el panorama de la IA debido a su enfoque creativo, no lineal y similar al del cerebro humano, en contraste con las redes neuronales lineales. Se destacan en abordar desafíos complejos como la predicción del tiempo, el análisis del mercado de valores y áreas de reconocimiento de voz, que antes estaban dominadas por expertos humanos.

Las redes neuronales líquidas se encuentran entre los componentes emergentes más importantes y únicos en el panorama de la inteligencia artificial (IA).

Cuando una máquina o un robot necesita reaccionar a estímulos o datos externos, puede consumir muchos recursos, lo que provoca un cuello de botella si se intenta encajar la inteligencia en un espacio muy pequeño.

VentureBeat describe cómo una red neuronal clásica podría necesitar 100.000 neuronas artificiales para mantener el coche estable en una tarea como conducir un vehículo por una carretera.

Sin embargo, en un hallazgo increíble, el equipo del MIT CSAIL que desarrolla redes neuronales líquidas pudo realizar la misma tarea con solo 19 neuronas.

Las redes neuronales líquidas son un tipo de arquitectura de aprendizaje profundo desarrollada para resolver un desafío para los robots que realizan tareas y aprendizaje complejos, con el objetivo de solucionar el problema de la dependencia de la nube o el almacenamiento interno limitado.

Daniela Rus, directora del MIT CSAIL, dijo a VentureBeat: “La inspiración para las redes neuronales líquidas fue pensar en los enfoques existentes para el aprendizaje automático y considerar cómo encajan con el tipo de sistemas críticos para la seguridad que ofrecen los robots y los dispositivos de vanguardia.

"En un robot, realmente no se puede ejecutar un modelo de lenguaje grande porque realmente no existe el [poder] de cálculo y el espacio [de almacenamiento] para eso".

El equipo de investigación encontró una pista de su problema a partir de la investigación sobre neuronas biológicas que se encuentran en organismos diminutos.

Piense en las redes neuronales líquidas como las células interconectadas de un cerebro humano que se unen para procesar información y generar resultados.

El cerebro humano es una disposición celular muy compleja que realiza cálculos extremadamente complejos.

Las redes neuronales líquidas se centran en aplicaciones críticas para la seguridad, como vehículos y robots autónomos, que necesitan un flujo continuo de datos.

Según Daniela Rus, “En general, las redes líquidas funcionan bien cuando tenemos datos de series de tiempo... se necesita una secuencia para que las redes líquidas funcionen bien.

"Sin embargo, si intentas aplicar la solución de red líquida a alguna base de datos estática como ImageNet, eso no funcionará tan bien".

El equipo de investigación del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) encontró las siguientes ventajas basándose en su experiencia.

Las redes neuronales líquidas podrían funcionar con un número significativamente menor de neuronas que las redes neuronales clásicas.

Como se describió anteriormente, una red neuronal clásica de aprendizaje profundo necesitaría 100.000 neuronas para mantener un automóvil autónomo en su carril; una red neuronal líquida necesita solo 19 neuronas.

Las redes neuronales líquidas manejan la causalidad mejor que las redes neuronales clásicas de aprendizaje profundo. Pueden detectar una relación clara entre la causa y los efectos, algo que las redes neuronales clásicas de aprendizaje profundo luchan por lograr.

Por ejemplo, las redes neuronales clásicas de aprendizaje profundo pueden identificar consistentemente relaciones de causa y efecto entre eventos en diversos entornos de manera más eficiente que la red neuronal clásica.

Comprender la interpretación de los datos de un sistema de IA es uno de los mayores desafíos de la IA.

Los modelos clásicos de aprendizaje profundo a menudo muestran bases superficiales, poco claras o incorrectas para la interpretación de datos, pero las redes neuronales líquidas pueden explicar su base para interpretar datos.

Las redes neuronales líquidas no son una solución integral para todo.

Si bien manejan bien flujos de datos continuos, como flujos de audio, datos de temperatura o flujos de video, tienen dificultades con datos estáticos o fijos, que se adaptan mejor a otros modelos de IA.

En el panorama de la IA, las redes neuronales líquidas se encuentran entre los modelos emergentes más críticos.

Coexiste con la red neuronal clásica de aprendizaje profundo, pero parece más adecuada para tareas extremadamente complejas como vehículos autónomos, lectura de temperatura o clima o evaluaciones del mercado de valores, mientras que la red neuronal clásica de aprendizaje profundo funciona mejor con estática o una -datos de tiempo.

Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) han estado intentando ampliar las capacidades de las redes neuronales líquidas a más casos de uso, pero llevará tiempo.

Tanto las redes neuronales líquidas como las clásicas redes neuronales de aprendizaje profundo tienen sus roles definidos en el panorama más amplio de la IA, y definitivamente es un caso en el que dos modelos son mejores que uno.

Kaushik es arquitecto técnico y consultor de software, con más de 23 años de experiencia en la industria de análisis, desarrollo, arquitectura, diseño, pruebas y capacitación de software. Tiene interés en nuevas áreas de tecnología e innovación. Se centra en arquitectura web, tecnologías web, Java/J2EE, código abierto, WebRTC, big data y tecnologías semánticas. Ha demostrado su experiencia en análisis de requisitos, diseño e implementación de arquitectura, preparación de casos de uso técnico y desarrollo de software. Su experiencia ha abarcado diferentes ámbitos como seguros, banca, aerolíneas, envíos, gestión documental y desarrollo de productos, etc. Ha trabajado con una amplia variedad de tecnologías desde mainframe (IBM S/390),…

¿Qué es un ataque de Sybil? Un ataque Sybil es un tipo de amenaza de ciberseguridad en la que un adversario crea y...

Margaret RouseExperto en Tecnología

NAS y SAN: la N en ambos acrónimos palindrómicos significa red. Están estrechamente relacionados en ese SAN...

Marshall GunnellEscritor de tecnología