La investigación sobre el aprendizaje de los niños pequeños ofrece conocimientos para la IA
Dale a un niño pequeño una pequeña pelota roja y probablemente aprenderá a reconocer la siguiente pelota que encuentre como una pelota – incluso si es azul, o dos veces más grande, o no bota. Cómo los niños aprenden y procesan información visualmente.
Si se muestra la misma pelota a un algoritmo informático, es posible que necesite otras mil imágenes de una pelota para hacer lo mismo que el niño pequeño.
Cómo los niños aprenden y procesan información visualmente
Cerrar la brecha entre estas habilidades es el desafío que conecta el trabajo de Cavid Crandall, profesor de la Indiana University Luddy School of Informatics, Computing and Engineering, y Linda Smith y T. Rowan Candy, profesores en la College of Arts and Sciences Departament of Psychological and Brain Sciences y en la IU School of Optometry, respectivamente, que están estudiando cómo los niños aprenden y procesan información visualmente.
Para llevar a cabo su investigación, los laboratorios de Smith y Candy estudian el comportamiento de los niños pequeños que usan cámaras montadas en la cabeza mientras juegan con juguetes e interactúan con sus cuidadores. El metraje resultante proporciona una gran cantidad de información visual desde el punto de vista de los niños mientras exploran el mundo que los rodea. El laboratorio de Crandall utiliza esos datos para obtener información sobre los desafíos en los campos de la visión artificial y la inteligencia artificial.
“Obviamente, el ‘hardware’ que estamos estudiando (el ordenador versus el cerebro del bebé) es totalmente diferente”, dijo Crandall. “Todo el mecanismo es completamente diferente; es eléctrico versus biológico. Pero si imaginamos a ambos como una máquina de aprendizaje de ‘caja negra’, entonces podemos encontrar puntos en común. ¿Cuáles son las entradas? ¿Cuáles son las motivaciones del sistema? ¿Qué está tratando de lograr? Se pueden obtener muchos conocimientos que se pueden aplicar directamente a la IA”.
El aprendizaje y el mundo físico están fuertemente vinculados
Una de las ideas clave que surgieron del laboratorio de Smith fue que el aprendizaje y el mundo físico están fuertemente vinculados. Los niños pequeños no sólo ven la pelota; la sienten, la giran en sus manos para examinarla desde diferentes ángulos y condiciones de iluminación, e incluso pueden olerla o saborearla. La riqueza de información que resulta de un único encuentro con un objeto no pueden igualar la información transmitida por una sola imagen o vídeo, que es todo lo que está disponible para la inteligencia artificial, dijo Crandall.
“Resulta que estar encarnado proporciona importantes ventajas de aprendizaje”, dijo. “Los niños reciben información multimodal. Obtienen sonidos, perciben el tacto, captan los otros sentidos. Llegan a manipular su entorno. Los ordenadores no pueden hacer nada de eso, o al menos no todavía”.
Basándose en los conocimientos de los laboratorios de Smith y Candy, Crandall ha podido mejorar con éxito algunos modelos de aprendizaje computacional. Por ejemplo, dijo, los investigadores de IA tienden a adoptar un enfoque de “más es más” para entrenar datos. Para enseñarle a un ordenador a reconocer un automóvil, por ejemplo, podrían mostrarle todos los ejemplos posibles de un automóvil que puedan encontrar en Internet. Pero los datos de los laboratorios de aprendizaje para niños pequeños sugieren que demasiada variedad causa confusión. En cambio, la investigación de Crandall ha descubierto que la IA se puede entrenar de manera más eficiente con una combinación de imágenes que caen dentro de ciertos límites de similitud.
“Lo que usted desea es cierta diversidad en sus datos, pero no demasiados ‘valores atípicos’”, dijo Crandall. “Hemos descubierto que esta combinación produce mejores resultados con menos imágenes. Eso es muy diferente del típico conjunto de datos de visión artificial”.
Visión artificial para identificar piezas defectuosas
Esta idea se puede aplicar a otros proyectos en el laboratorio de Crandall. Por ejemplo, el uso de la visión artificial para identificar componentes electrónicos defectuosos (…) requiere entrenar máquinas para reconocer información visual para la cual existen pocos ejemplos.
“No se puede simplemente conectarse a Internet y descargar diez millones de imágenes de piezas falsificadas si se quiere enseñar a una máquina a reconocer microchips defectuosos”, dijo Crandall. “Debe hacer que su entrenamiento sea lo más eficiente posible con respecto a los datos”.
Descubriendo los secretos de la visión humana
Linda Smith, T. Rowan Candy y David Crandall de Indiana University están rastreando los movimientos oculares de bebés y niños para desbloquear los componentes básicos de cómo ven los humanos y desarrollar nuevos métodos de visión artificial y procesamiento de imágenes.
El trabajo de Crandall con datos de aprendizaje infantil se remonta a unos 10 años, añadió, comenzando con una colaboración con Smith y Chen Yu, también profesor de psicología y ciencias del cerebro que estudiaba el aprendizaje infantil utilizando datos visuales en Indiana University en ese momento.
Ese esfuerzo se centró en un desafío comparativamente rudimentario: cómo enseñar a un ordenador a etiquetar objetos en las imágenes borrosas y caóticas que resultan de sujetar una cámara a la cabeza de un niño enérgico. Antes de colaborar con el laboratorio de Crandall, la forma más sencilla de cuantificar estos datos era mediante un esfuerzo humano minucioso y que requería mucho tiempo.
“Hace una década fue un buen momento para empezar a explorar estas cuestiones”, dijo Crandall. “Fue entonces cuando el aprendizaje profundo y las redes neuronales ‘revolucionaron’ la IA, y el interés en este campo realmente despegó. Pero, a pesar de lo que todo el revuelo en torno a la IA quiere hacernos creer, creo que la investigación en IA está realmente en su infancia. Y creo que el camino a seguir (crear una IA que sea segura, efectiva y confiable) es comprender mejor cómo aprenden los niños y cómo piensa la gente”.
Leído en:
Indiana University