|
Home / Ultimas Noticias
Archivo Noticias de la Ciencia y la
Tecnología.
Archivo Noticias del Espacio
Contacto
Suscripciones (público/email)
Boletín Noticias de la Ciencia y la
Tecnología
Boletín Noticias del Espacio
Boletín Noticias de la Ciencia y la
Tecnología Plus
Suscripciones (servicios a
medios)
Reproducción de contenidos en medios
comerciales
|
Recuerda:
suscríbete a nuestros boletines gratuitos y recibe cómoda y
semanalmente las noticias en tu dirección electrónica.
Computación
Importante Avance en Sistemas de Aprendizaje
Automático
5 de Julio
de 2010.
 En
los últimos 20 años aproximadamente, muchos de los avances clave de la
investigación en inteligencia artificial se han materializado gracias al
aprendizaje automático, con el cual los ordenadores aprenden a realizar
predicciones mediante la estrategia de buscar patrones dentro de grandes
conjuntos de datos con los que entrenarse.
Un nuevo enfoque llamado programación probabilística hace que sea mucho
más fácil construir un sistema de aprendizaje automático, pero sólo es
útil para un conjunto de problemas relativamente pequeño. Ahora, unos
investigadores del MIT han descubierto cómo extender el enfoque a una
clase de problemas mucho más grande, con implicaciones para temas tan
diversos como la ciencia cognitiva, el análisis financiero y la
epidemiología.
Históricamente, construir un sistema de aprendizaje automático capaz de
aprender una nueva tarea le suele llevar a un estudiante de postgrado
desde algunas semanas hasta varios meses. Un conjunto de nuevos
lenguajes de programación probabilísticos y experimentales, uno de los
cuales, Church, fue desarrollado en el MIT, promete acortar ese tiempo
hasta un mero lapso de algunas horas.
En el corazón de cada uno de estos nuevos lenguajes está un algoritmo de
inferencia, que indica al sistema de aprendizaje automático cómo llegar
a conclusiones a partir de los datos presentados. El carácter
generalista de estos algoritmos de inferencia es lo que confiere
potencia a los lenguajes: El mismo algoritmo tiene que ser capaz de
guiar un sistema que esté aprendiendo a reconocer objetos en imágenes
digitales, o a filtrar correo spam, o a recomendar películas en DVD
basándose en las alquiladas en ocasiones anteriores, o a realizar
cualquier otra cosa que se le pueda pedir a un programa de inteligencia
artificial.
Los algoritmos de inferencia utilizados actualmente en la programación
probabilística dan buenos resultados manejando datos del tipo que en
matemáticas reciben el nombre de Datos Discretos, pero les resulta
difícil trabajar con información más compleja, del tipo que en
matemáticas se conoce como Datos Continuos.
Por lo tanto, los diseñadores de lenguajes de programación
probabilísticos tienen mucho interés en saber si es posible diseñar un
algoritmo de inferencia de utilidad general que pueda manipular datos
continuos. Desafortunadamente, la respuesta parece ser No.
Sin embargo, también hay buenas noticias: Daniel Roy y Cameron Freer,
del MIT, han demostrado que existen grandes clases de problemas en los
que intervienen datos continuos que son susceptibles de ser debidamente
procesados mediante una solución general. Además, estos investigadores
han descrito un algoritmo de inferencia que puede tratarlos. Un lenguaje
de programación probabilístico con el nuevo algoritmo incorporado
facilitaría el rápido desarrollo de una variedad mucho mayor de sistemas
de aprendizaje automático.
Información adicional en:
|
|
