AutoML es una inteligencia artificial de Google que tiene como propósito diseñar y entrenar otras inteligencias artificiales para mejorarlas más allá de las capacidades humanas. Esto sin embargo no es algo sencillo. Años atrás Google ya decía que empezaba a ser mejor que los humanos en esta tarea, pero aún hay mucho trabajo por delante. Ahora los ingenieros de Google dicen haber dado un paso esencial: AutoML tiene potencial para operar sin sesgo humano de por medio y siguiendo un proceso similar a la teoría evolutiva de Charles Darwin.

En un nuevo paper publicado por los ingenieros de la división Google Brain explican el gran avance que han hecho con AutoML. Sugieren que la Ia podría descubrir automáticamente nuevos algoritmos completamente desconocidos por el ser humano porque básicamente este no intervendría en el proceso de investigación.

Ilustración representativa de AutoML. Vía Google.
Actualmente AutoML es capaz de mejorar las inteligencias artificiales existentes y entrenarlas buscando patrones de forma automática para así escoger las que mejor rendimiento tienen. Es una herramienta que cualquiera puede usar. Pero el humano sigue interviniendo en el proceso de refinamiento e introduce datos y caminos a seguir al influir durante el proceso. AutoML en cierto modo escoge las mejores IAs según patrones que los ingenieros le ha dado.

En principio, eliminando al humano del proceso la IA tiene "vía libre" para desatar todo su potencial y encontrar mejores soluciones que aquellas que puede encontrar con el sesgo y por lo tanto los límites de los ingenieros humanos. Según explican en el documentos publicado:

"Los componentes diseñados por el hombre sesgan los resultados de búsqueda en favor de algoritmos diseñados por el ser humano, posiblemente reduciendo el potencial de innovación de AutoML"

Esto es lo que los investigadores dicen que pueden cambiar. Y para ello una actualización de AutoML utiliza un nuevo método para buscar y mejorar IAs sin ningún parámetro definido previamente por un humano.

100 algoritmos de los que sólo sobreviven las mejores


Según indican en ScienceMag, AutoML-Zero (nombre que recibe esta nueva versión) sigue un proceso de selección similar al que proponía Charles Darwin en su Teoría de la Evolución. AutoML-Zero escoge 100 algoritmos candidatos de forma aleatoria y los pone a prueba con tareas relativamente sencillas. Los algoritmos que mejor rendimiento tengan pasan a una siguiente fase donde su código se modifica ligeramente y de forma aleatoria para luego ser puestos a prueba de nuevo. Al mismo tiempo, las variantes que se ha visto que son efectivas se añaden al resto de algoritmos. Y así fase tras fase hasta tener una "población" de algoritmos más variada y con mejores capacidades para solucionar las tareas propuestas.

Es un proceso similar al que siguen los seres vivos, donde sólo sobreviven los mejor adaptados, que reciben esas mejores adaptaciones de mutaciones en generaciones anteriores. La diferencia aquí es que las mutaciones que se demuestra que son de utilidad para la supervivencia no se pueden transmitir directamente a los organismos ya existentes, sino sólo a los descendientes de futuras generaciones.

AutoML-Zero es una prueba de concepto y aún tiene mucho trabajo por delante. Tendremos que ver en los próximos años cómo se desarrolla para ver si efectivamente puede crear inteligencias artificiales por evolución sin intervención humana. No obstante, es un paso interesante y sin duda curioso si tenemos en cuenta cómo utiliza el proceso de mutación para evolucionar las IAs que genera.

Fuente: https://www.xataka.com

 

 

La empresa de tecnología expresó la razones por las que ordenó no hacer uso de esta aplicación bajo ninguna circunstancia.

El brote del coronavirus ha dejado inestables a casi todos los sectores del mundo, especialmente en temas económicos, de salud y de trabajo, pues los gobiernos se vieron obligados a pensar en un tipo de estabilidad para los ciudadanos y para las empresas frente a esta pandemia.

Uno de los retos que enfrenta la sociedad, en especial los gobiernos, es el teletrabajo, debido a que gracias a la cuarentena dictada en todo el mundo, muchas personas se vieron obligadas a trabajar desde sus casas y encontrar herramientas para desarrollar sus tareas en casa durante el aislamiento obligatorio. Aunque muchas empresas encontraron en la aplicación Zoom la herramienta ideal para sus videollamadas y el teletrabajo, Google decidió prohibirla hace unos días a la totalidad de sus empleados para que no hicieran uso de ella en conferencias laborales.

Un portavoz del gigante tecnológico aseguró que desde hace tiempo tienen una política de no permitirles a los empleados utilizar aplicaciones no autorizadas para trabajar fuera de la red corporativa. Asimismo, se conoció que mediante un correo electrónico, la empresa dio a conocer a todos sus empleados la decisión tomada.‘‘Recientemente, nuestro equipo de seguridad informó a los empleados que utilizan el cliente de escritorio de Zoom que ya no funcionará en los ordenadores de la empresa, ya que no cumple con nuestros estándares de seguridad para las aplicaciones utilizadas por nuestros empleados", añadió el correo.

El comunicado también señaló que "los trabajadores que han estado usando Zoom para mantenerse en contacto con sus familiares y amigos pueden seguir haciéndolo a través de un navegador web o a través de un móvil".

Cabe aclarar que luego del estado de cuarentena a nivel mundial, la aplicación Zoom se disparó, no sin hacerse evidente la supuesta vulnerabilidad de seguridad que tiene la aplicación.

Fuente: semana.com 

Martes, 14 Abril 2020 11:26

Computación Biológica

Computación biológica: qué es y en qué difiere de la biología computacional

Sus nombres se parecen tanto que es razonable que una persona que no esté familiarizada con estas disciplinas pueda confundirlas. Ambas reflejan la cooperación de la biología y la informática para alcanzar un propósito, pero su alcance y su ámbito de trabajo no son los mismos. La biología computacional es una ciencia que recurre a herramientas informáticas para ayudarnos a entender mejor los sistemas biológicos más complejos. Sin embargo, la computación biológica es una rama de la informática que estudia, por un lado, cómo podemos utilizar elementos de naturaleza biológica para procesar y almacenar la información, y también cómo podemos inspirarnos en los mecanismos de la evolución biológica para desarrollar nuevos algoritmos que nos permitan resolver problemas complejos.

La computación biológica estudia cómo podemos utilizar elementos de naturaleza biológica para procesar y almacenar la información, y también cómo podemos inspirarnos en los mecanismos de la evolución biológica para desarrollar nuevos algoritmos

Una forma sencilla e intuitiva de identificarlas consiste en recordar que en la biología computacional es la biología la que se beneficia de las herramientas que le ofrece la informática, mientras que en la computación biológica es la informática la que se beneficia de los mecanismos que podemos observar en los sistemas biológicos. No obstante, como acabamos de ver, esta última disciplina se ha bifurcado en dos ramas diferentes que tienen aplicaciones en campos distintos de la informática. Una de ellas está permitiendo desarrollar el hardware desde una perspectiva muy diferente a aquella con la que estamos familiarizados, mientras que la otra se adentra en el software bajo la forma de una de las ramas más prometedoras de la inteligencia artificial.


Si nos ceñimos al hardware esta disciplina recurre a moléculas derivadas de sistemas biológicos, como las proteínas o el ADN, para llevar a cabo cálculos, almacenar y recuperar la información. Y si nos adentramos en el terreno del software, en particular en el de la inteligencia artificial, la computación biológica propone abordar algunos problemas de la informática inspirándonos en la estrategia utilizada por la biología para resolver algunos retos. Estas son sus principales tres fuentes de inspiración:

El comportamiento social: una definición que ilustra bastante bien esta idea consiste en observarlo como la conducta colectiva que tiene lugar entre miembros de una misma especie que conviven en el mismo hábitat. La computación biológica se inspira en él para entender y predecir el comportamiento de las poblaciones integradas por entidades del mismo tipo que se relacionan entre sí.

El conexionismo: propone que los procesos mentales que explican nuestras capacidades cognitivas y nuestro comportamiento pueden ser descritos como el resultado de la comunicación de unidades sencillas que tienen la misma estructura y que están interconectadas. Esas unidades son las neuronas, y su conexión se establece gracias a un mecanismo conocido como sinapsis. La mayor parte de las redes neuronales artificiales se han desarrollado inspirándose en este enfoque.

La emergencia: este concepto describe las propiedades de un sistema complejo que no están presentes en los elementos que lo constituyen. Parece una definición complicada y abstracta, pero, en realidad, no lo es. Podemos ilustrarla fijándonos en la estructura de nuestro cerebro. Por sí sola cada una de nuestras neuronas no tiene consciencia, pero los procesos desencadenados por la cooperación y la comunicación de un conjunto grande de neuronas hacen posible que la consciencia emerja como una propiedad esencial de nuestra mente.

También es una rama muy importante de la inteligencia artificial

Como acabamos de ver, el impacto de la computación biológica en el hardware es una promesa a medio o largo plazo. Sin embargo, en el ámbito del software la situación es muy distinta. Y es que esta disciplina es una rama muy sólida de la inteligencia artificial. Tanto que ha adoptado la forma de una asignatura que se imparte en muchas de las universidades españolas que ofertan el grado en ingeniería en informática. Su propósito es, como hemos visto unos párrafos más arriba, inspirarse en los mecanismos de la evolución biológica para encontrar las soluciones óptimas a algunos problemas computacionales complejos.

Algunas de las herramientas más interesantes que propone son los sistemas de aprendizaje basados en poblaciones; la resolución de problemas mediante esquemas evolutivos inspirados en metáforas biológicas, como los algoritmos genéticos; o las redes neuronales artificiales, entre otras opciones. Estas dos últimas estrategias pueden ayudarnos a entender con bastante precisión cómo funcionan los mecanismos de la computación biológica, por lo que merece la pena que indaguemos un poco en ellas.

Los algoritmos genéticos persiguen encontrar la solución a algunos problemas imitando los mecanismos que condicionan la evolución biológica
Empezaremos por los algoritmos genéticos. Su propósito es ayudarnos a encontrar la solución a algunos problemas imitando los mecanismos que condicionan la evolución biológica, como las mutaciones y las recombinaciones, y también las leyes de la selección natural. Todo esto parece muy abstracto y alejado de la informática con la que estamos familiarizados, pero, en realidad, es fácil intuir en qué consiste si nos abstraemos de los detalles más complicados. Imaginemos que necesitamos viajar con nuestro coche a otra ciudad muy alejada y no tenemos ni idea acerca de cuál es el recorrido que nos permitirá afrontar el trayecto en el mínimo tiempo posible.

Lo primero que haría un algoritmo genético para ayudarnos a resolver este dilema es generar un conjunto finito de posibles trayectorias aleatorias que podemos seguir con nuestro coche. Ese conjunto de soluciones, entre las que quizá se encuentra la solución óptima, equivale a una población, y cada una de las soluciones equivale a un individuo. Como estamos viendo la inspiración biológica de los algoritmos genéticos está presente desde el principio, pero aún nos queda mucho por hacer porque tenemos que encontrar la mejor solución entre todas ellas.

Imaginemos ahora que para nosotros la trayectoria ideal es aquella que nos permite llegar a nuestro destino en el menor tiempo posible teniendo presente tanto la distancia como el estado del tráfico. Y, además, también queremos que evite las autopistas de peaje. Estas condiciones en la nomenclatura de los algoritmos genéticos se conocen como funciones de aptitud, y nos permiten encontrar la solución óptima descartando aquellas que no satisfacen los requisitos que hemos definido. Nuestro algoritmo genético analizará cada una de las trayectorias de nuestra población inicial e irá descartando aquellas que no nos interesan porque no cumplen nuestras condiciones.

Cuando haya terminado este proceso habremos obtenido un conjunto de soluciones más pequeño que el conjunto inicial porque ya habremos descartado aquellas que no nos interesan. La semejanza entre este método y la forma en que la selección natural actúa sobre una población de individuos permitiendo la supervivencia de los que mejor se adaptan al medio es clara. Pero aún no hemos dado con la solución a nuestro problema porque seguimos teniendo muchas opciones y no sabemos si la óptima está entre ellas.

Esta representación abstracta de una red neuronal artificial refleja la complejidad de las conexiones que es necesario establecer entre cada uno de los nodos o neuronas artificiales para que esta estructura pueda inferir nuevo conocimiento.

 

Fuente: https://www.xataka.com

pdi-blanco.png

Calle 36 No. 128 - 321, Business Center Edificio A, Zona Franca Zonamerica

Telefono +57 302 384 93 24

Santiago de Cali, Valle del Cauca, Colombia