El Deep Learning no es confiable, dice el pionero del modelo cerebral

El deep learning

Stephen Grossberg, el pionero del modelo cerebral, dice que no se puede confiar en el Deep Learning. Además de explicar el por qué su modelo ART resulta mejor para este tipo de tareas.

En las últimas dos décadas, hemos presenciado cómo el Deep Learninig ha ido ganado terreno al ser adoptada por grandes y pequeñas empresas para la producción de sus productos y servicios. Además de ser uno de los elementos fundamentales en los que, apoyados de la inteligencia artificial, han desarrollado importantes avances en la tecnología.

No obstante, y pese a su sofisticada presentación, esta tecnología presenta un problema que podría poner en riesgo la ascensión de la tecnología. Este problema, está relacionado con su incapacidad de un programa típico que pueda emplearse en más de una tarea. Lo que tiene como consecuencia que este modelo, presente una importante imitación que le permita realizar tareas específicas dentro de entornos rápidamente controlados.

Las limitaciones del Deep learning

Entre uno de los riesgos más grandes que presenta el Deep learning, es el hecho de no ser explicable, mientras que, su implementación resulta inadecuada en algunas aplicaciones donde podría tener desenlaces catastróficos si llegará a experimentar un olvido.

Es decir, si algoritmo llega a funcionar, es muy difícil saber cómo o por qué está funcionando. Cuáles son los patrones o criterios que considera para llegar a ciertas conclusiones o desenlaces. Mientras que, por otro lado, a medida que va aprendiendo de nuevas bases de datos, puede que en un momento dado los recuerdos que tenga, colapsen repentinamente.

La alternativa al Deep Learning

Ante este escenario, el miembro del IEEE, Stephen Grossberg, argumenta en un nuevo libro que se requiere impleentar un enfoque distinto. Es así que Conscious Mind, Resonant Brain: How Each Brain Makes a Mind, describe cómo sería el modelo alternativo ante la inteligencia artificial y cognitiva. Mismo que se basa en una vasta investigación en el tema realizada por el mismo Grossberg. Dicho modelo lo ha denominado como Teoría de Resonancia Adaptativa (ART).

Es así que el modelo ART, se basa en esa dinámica para emplear métodos de aprendizaje supervisados y no supervisados. Mismos que tiene la labor de resolver problemas como el reconocimiento de patrones, así como la predicción.

Por ello, usar el ART resulta más confiable y seguro se implementar. Esto, debido a que puede ser explicable y no experimenta un olvido catastrófico. Así lo señala Grossberg. Quien añade que, además, resuelve lo que él mismo denomina el dilema de la estabilidad – plasticidad.

La plasticidad, hace referencia a cómo un cerebro o sistema de aprendizaje es capaz de aprender de forma autónoma rápidamente. Mientras la estabilidad, se refiere a no presentar un olvido catastrófico.

Stephen Grossberg

Stephen Grossberg, es un profesor dotado de sistemas neuronales y cognitivos. Así como de matemáticas y estadísticas, ciencias cerebrales y psicológicas. Además de tener una ingeniería biomédica por parte de la Universidad de Boston.

Fue en 1976 cuando formuló ART. Acto que lo convirtió en uno de los pioneros en modelos cerebrales. Además de ser el fundador y director del Centro de Sistemas Adaptativos de la Universidad de Bston. Desempeñándose, además como el director fundador del Centro de Excelencia para el Aprendizaje en educación, ciencia y tecnología.

De esta forma, sus contriciones en el sector dieron sus frutos cuando en 2017 recibió el el Premio IEEE Frank Rosenblatt.

En cuanto a si libro, por medio de sus casi 800 páginas, el profesor intenta explicar cómo es que el cerebro es el lugar donde nacen los pensamientos, sentimientos, esperanzas, sensaciones y planes. Particularmente, describe a los modelos neuronales biológicos y cómo es que funcionan.

- Anuncio -
Artículo anteriorAsí serán las réplicas de NFT que llegan en tiempo digital
Artículo siguiente¿Cómo liderar un equipo de trabajo con diversidad cultural?
Somos el medio para el talento del mañana.