newsroom

Tecnología 30-oct-2018

Conexión profunda

¿Cómo trabaja una máquina de aprendizaje profundo? ¿Cómo se puede instalar para que se coloque en futuras generaciones devehículos? ¿Y qué tiene que hacer Porsche Engineering con ello? Lea para descubrirlo.

Durante décadas, los científicos han estado fascinados por el tema de la inteligencia artificial. Muchos sistemas creados bajo estadenominación han sido artificiales desde hace mucho tiempo, pero la inteligencia no era una propiedad que poseyeran ampliamente. Enlos últimos siete años, sin embargo, esto ha cambiado rápidamente: Con redes neurales profundas, los desarrolladores tienen ahora unapotente herramienta a su disposición.En julio de 1956, parecía inminente la creación del primer hombre artificial. Un grupo de científicos de informática y matemáticos en elrenombrado Dartmouth College, en New Hampshire, EE. UU., habían convocado un ambicioso proyecto de investigación, el DartmouthSummer Research Project on Artificial Intelligence. En su entusiasmo, los fundadores del proyecto creyeron que tendrían al alcance desu mano máquinas parlantes, redes a imagen de la mente humana, ordenadores auto-optimizantes e incluso creatividad mecánica. Pero,si bien un verano activo produjo poco más que montones de cuartillas escritas y grandes ideas, los científicos utópicos sí acuñaron eltérmino Inteligencia Artificial (IA) y abrieron un campo enteramente nuevo de investigación que a partir de entonces mantendría almundo entero expectante. Inteligencia artificial: difícil de atrapar Sesenta y pico años después, una cosa es segura: lo que podría denominarse como auténtica inteligencia artificial –o sea, IA que copiaenteramente o incluso supera la inteligencia humana- sigue siendo un sueño utópico hoy en día. Ningún sistema tecnológico en unfuturo inmediato será capaz de pasar el test de Turing. Sistemas IA ‘débiles’, que actualmente son el objeto primordial de investigación,no se proponen pasar el test de Turing. Lo que sí pretende el planteamiento de esos sistemas es resolver autónomamente problemasdentro de límites definidos, o responder a preguntas planteadas. Los algoritmos IA débiles se muestran cada vez más eficientes parasuperar problemas concretos de aplicación; por ejemplo, la solución de complejas expresiones lógicas o matemáticas. También puedenser eficaces contendientes en un juego de ajedrez, damas o Go. Se lucen en el análisis de grandes volúmenes de textos o datos y forman

Page 1 of 4

el elemento nuclear de las máquinas de búsqueda de Internet. Integrada en miríadas de apps de smartphones, la inteligencia artificial esnuestra constante acompañante; llevamos con nosotros IA en el bolsillo. Cuando hablamos a “Alexa” o a “Siri”, nuestras palabras y frasesson analizadas por algoritmos de IA. Como fundador de la Conferencia Dartmouth, el propio John McCarthy ya confesó secamente, apropósito de las aplicaciones IA: “Tan pronto como funcionan, ya nadie las llama IA”. Interconectadas como un cerebro Las primeras redes neurales artificiales fueron concebidas a principios de los años cincuenta. Redes que son clave para el éxito de lainteligencia artificial. En una red de este tipo, las operaciones separadas de computación no son opciones binarias rígidas, que permitensólo dos opciones: on/off, 1 o 0. Por el contrario, estas redes siguen la pauta de sistemas nerviosos biológicos. Los sistemas nerviososfuncionan basados en valores-umbral y pueden manejar multitud de valores entre el 1 y el 0; un número casi infinito de célulasnerviosas están dinámicamente interconectadas por eslabones crecientes y mutables. El cerebro humano aprende a base dereconsiderar constantemente la importancia de esos eslabones. Las rutas de conexión usadas frecuentemente se refuerzan, mientrasque los eslabones poco utilizados tienden a atrofiarse. Por supuesto, las redes neurales artificiales pueden funcionar en ordenadoresconvencionales; en última instancia, también funcionan con unos y ceros. Pero, dentro de ese sistema, el complejo principio operativodel algoritmo y la lógica de umbrales reflejan a sus equivalentes biológicos.

Los Porsche de ensayos incorporan potentes ordenadores, capaces de encargarse de la conducción.

Neuronas artificiales encadenadas reciben valores de entrada y pasan el dato a neuronas en un nivel a favor del flujo. Al final de lacadena, un nivel de neuronas de salida suministra un valor como resultado. La importancia variable de las conexiones individuales prestaa la red una notable propiedad: la capacidad de aprender. Hoy día, esas redes poseen cada vez más niveles, son más complejas, másacusadamente suministradas; son más profundas. Las redes neurales profundas en algunos casos están compuestas por más de cien deesos niveles sucesivos de programas. Siendo como son redes con aprendizaje, usualmente siguen teniendo en cuenta informacióncorrectiva, hasta que son capaces de producir la solución ideal para un problema. Por ejemplo, en reconocimiento de imagen: durante elentrenamiento, también denominado “aprendizaje profundo”, el sistema devora miles y miles de fotografías, hasta que es capaz de daropiniones sobre imágenes no vistas anteriormente. Realiza una tarea de aplicación de conocimiento: ve un gato como un gato ydenomina manzana a una manzana aunque en la imagen la manzana esté semi-velada por hojas; reconoce señales de tráfico, ciervos,personas. El reconocimiento altamente fiable no sólo permite a los taxis-robots seguir las normas de tráfico; ahora ya ayuda a loscirujanos a identificar el tipo de tumor. Los escaneos de imagen por resonancia son cada vez más comparados con bases médicas deimagen en un proceso enteramente automático. Durante mucho tiempo, a las redes neurales profundas no se les prestó atención en lainvestigación IA. La naturaleza caótica de su crecimiento era incapaz de igualar la velocidad de los clásicos algoritmos deterministas.Pero en la primera década del nuevo milenio, la capacidad de computación poco a poco fue haciéndose suficiente para explotar todo el

Page 2 of 4

potencial de las redes profundas. Geoffrey Hinton, de la Universidad de Toronto, en Canadá, sufrió largamente burlas por su enfoqueautodidacta. En 2012, no obstante, ganó la ImageNet Challenge, un concurso en el que los sistemas IA compiten para interpretarcientos de miles de imágenes. Diversas aplicaciones Las redes neurales profundas brillan en cualquier campo que precise analizar pautas complejas. Reconocen, interpretan y traducenlenguas; analizan secuencias de vídeo o predicen variaciones de cotizaciones de Bolsa. Son el elemento central de asistencias por vozcomo los que usan Amazon y Apple. Con un entrenamiento extenso y bien dirigido puedes aprender a competir en juegos de ordenador,o incluso ganar a Grand Masters en el altamente complejo juego Go. Cuando se combinan con otro tipo de redes o con robótica, lascapacidades de las redes profundas pueden ampliarse grandemente. Durante un largo tiempo, jugadores artificiales de fútbol hancompetido uno contra otro en el campeonato anual RoboCup. Reaccionan de forma enteramente autónoma ante sus adversarios,interactúan con compañeros de equipo y, ocasionalmente, incluso se las arreglan para marcar un gol. En la RoboCup de Nagoya esteaño, a los robots más hábiles se les daba la oportunidad de competir autónomamente también en otras disciplinas. Por ejemplo, en laLogistics League, la categoría robot industrial de @work, rescatando víctimas de accidentes en guiones de la Rescue Robot League, ocomo mayordomos electrónicos en la competición japonesa RoboCup@. El progreso hecho en el campo de la inteligencia artificialproducirá cambios radicales en el sector de la movilidad en los próximos años, cuando la enorme complejidad del tráfico vial,particularmente en ámbitos de centros urbanos, llevará a los algoritmos clásicos a sus límites al desarrollar vehículos altamenteautomatizados o incluso autónomos. Dr. Christian Koelen, líder de proyecto en Porsche Engineering, explica: “Cubrir todas lasvariaciones de parámetros imaginables utilizando algoritmos convencionales, haría dilatar el tiempo de estudio e incurrir en altos gastospara programación y ensayos.” Para la clasificación de objetos que detecte fiablemente otros elementos en el tráfico, como peatones,Porsche Engineering ha elegido seguir el método de aprendizaje profundo. “Las redes neurales profundas consiguen hoy día altas cotasde éxito”, confirma KoelenPrometedores ensayos prácticosLa inteligencia artificial no sólo es útil para reconocer el entorno en conducción autónoma. Sistemas de asistencia como el Lane KeepAssist, por ejemplo, pueden beneficiarse también del aprendizaje profundo. Johan Haselberger, de Porsche Engineering, ha completadoun estudio de viabilidad que lo demuestra. No es un tema menor. Después de todo, los sistemas de asistencia de este tipo toman elcontrol de la dirección mientras se conduce. Para que la red neural realice la decisión correcta en fracciones de segundo, primeramentenecesita ser enseñada. Diversos conductores profesionales completaron largas sesiones de conducción en una zona cercana a Stuttgartcon un coche de pruebas equipado con un ordenador de alta capacidad y dos nuevos sensores de vídeo. Mientras conducían, losmovimientos de dirección de los conductores humanos eran continuamente correlacionados con las grabaciones vídeo de la carreterapor delante. Aproximadamente la mitad del tiempo, el coche rodaba por autopistas. La otra mitad lo hacía en carreteras secundarias ycon conducción dinámica.

Page 3 of 4

Los sistemas de asistencia ya se benefician actualmente del aprendizaje profundo

 

Información

Artículo publicado inicialmente en Porsche Engineering Magazine, nº 01/2018Texto: Johannes Winterhagen // Fotos: Sven Cichowicz

Colección de enlaces Enlace a este artículohttps://newsroom.porsche.com/es_ES/tecnologia/2019/es-porsche-connection-digitization-digital-artificial-intelligence-engineering-2018-1-16775.html Material de prensahttps://newsroom.porsche.com/media-package/75c6f247-d434-47ef-8b8e-c48e0640c4fe Enlaces externoshttps://www.porscheengineering.com/peg/en/

21571116112021 - 132 - 5403963 Page 4 of 4