Críticas al deep learning
TAREA 5 – CRÍTICAS AL DEEP LEARNING
Para la realización de esta tarea, voy a hacer una recopilación de información sobre el llamado aprendizaje profundo o deep learning y comentar las críticas más comunes que genera este proceso.
En primer lugar, el aprendizaje profundo está menos supervisado que otros tipos de aprendizaje como puede ser el aprendizaje de máquina. Al estar menos supervisado y siendo más autónomo, no sabemos que conexiones y pautas realizará la máquina. Por que, ¿cómo le enseñamos a una máquina a amar a un ser querido? Si, aunque pudiéramos “traducir” ese sentimiento a una serie de datos, ¿como se los trasladaríamos a la máquina? Con esta autonomía, ¿sería la máquina capaz de realizar las mismas conexiones que nuestro cerebro sin ayuda? ¿sin tener familiares o amigos a los que amar? Además tenemos un dilema ético, si no sabemos como piensa una máquina, ¿como podemos saber que su respuesta a una cuestión es correcta? ¿Como sabemos que no nos ha mentido o se ha equivocado?
Por otro lado, el deep learning se basa en las teorías e hipótesis sobre el funcionamiento humano, por lo que hay una ardua labor por reproducirlo exactamente, por no decir que es una tarea imposible. Todavía hay patrones de comportamiento, fisiología del cerebro que no conocemos o no sabemos explicar, por lo que no podemos trasladarlos a las máquinas. Desde ese punto de vista, si tenemos como objetivo utópico el reproducir exactamente el funcionamiento de un cerebro humano, esto será imposible ya que todavía nosotros no lo conocemos y por tanto no podrá imitarlo las máquinas.
Otro aspecto a tener en cuenta es la capacidad de datos que necesitaríamos para poder llevar a cabo nuestra misión. Ray Kurzweil propone en su libro “ How to create a Mind” una serie de cálculos que hicieron que únicamente una empresa con los recursos de Google sería capaz de llevarlo a cabo. Por tanto, nos encontramos con otra limitación, aunque supiéramos como trasladar el funcionamiento de nuestro cerebro a una máquina, ¿como lo haríamos? En la mayoría de los casos no disponemos de recursos materiales para llevarlo a cabo.
Por último voy a nombrar brevemente los diez postulados de Gary Marcus sobre las limitaciones del deep learning:
- Actualmente es un devorador de datos. Carece de mecanismos de aprendizaje y necesita millones de ejemplos para aprender.
- Es muy superficial y ofrece pocas oportunidades de transferencia. Está entrenado bajo unas determinadas condiciones y, si varían, aunque sean ligeramente, su resultados son de menor calidad.
- No puede tratar con una estructura jerárquica. No saben, por ejemplo, analizar una oración subordinada o no saben tratar con datos que estén en diferentes categorías.
- Choca con las inferencias abiertas. Los humanos podemos inferir información de un texto, pero las máquinas no saben resolver bien las situaciones donde esta información no aparece de manera explícita.
- No es suficientemente transparente. Los parámetros que analizan los sistemas quedan fuera del conocimiento de sus creadores.
- No ha sido debidamente integrado con el conocimiento previo. Si necesita unos conocimientos o leyes previas para resolver un problema, presenta dificultades. Puede salir airoso porqué analiza los millones de ejemplos, pero no sabe aplicar los conceptos necesarios para resolverlo.
- No puede distinguir causalidad y correlación. Puede encontrar la correlación entre dos factores relacionados pero no puede entenderlos.
- Cree vivir en un mundo estable. Funciona bien con reglas precisas, pero si estas varían, tiene dificultades.
- A veces sus soluciones no son fiables del todo.
- Es difícil de aplicar en la ingeniería. No es fácil garantizar que funcionen en situaciones alternativas, en las que necesiten datos nuevos que no han sido introducidos en su entrenamiento.
Webgrafía:
Comentaris
Publica un comentari a l'entrada