El enfoque de Coseer es aplicar IA al lenguaje natural. Mi respuesta a su pregunta está sesgada a eso, pero puede generalizarse fácilmente a otras formas de computación cognitiva.
Estamos trabajando en los siguientes problemas fundamentales de investigación:
1. Encontrar algo mejor que el aprendizaje profundo
- Tengo una idea para un proyecto de investigación. ¿Debo enviarle la idea a un profesor y preguntarle si puede ayudarme?
- Soy estudiante de pregrado en informática. Actualmente, estoy escribiendo mi primera tesis de pregrado relacionada con los sistemas de bases de datos. Quiero implementar la base de datos MySQL para una agencia de bienes raíces. También haré front-end (aplicación web). ¿Cuáles son algunos consejos para investigar sobre mi tema? ¿Qué libros debo incluir en mi trabajo?
- ¿Qué áreas de exploración espacial se beneficiarían más de la investigación adicional?
- ¿Cuáles son algunas ideas para propuestas de investigación en psicología?
- ¿Cuánto cálculo debo aprender antes de hacer un proyecto de investigación sobre usos prácticos de la superposición cuántica?
Las comunicaciones humanas tienen un gran problema: son muy personales y subjetivas. Lo mismo puede tener significados drásticamente diferentes para diferentes personas. El lenguaje natural, la forma más simple de comunicación humana, es muy difícil de entender para la máquina (Más aquí: Big Data en una página pequeña).
El aprendizaje profundo, por otro lado, es una tecnología destinada a datos estructurados. Aplicarlo para casos de uso no estructurados, como el lenguaje natural, crea demandas irrazonables de capacitación con precisión. Dos problemas específicos que vemos en nuestro trabajo con las empresas son:
- Se necesitan muchos datos de entrenamiento para lograr una precisión incluso moderada. Con mucha frecuencia, las empresas simplemente no tienen este tipo de datos. Por ejemplo, considere la idea de capacitar a una IA para la gestión de contratos de una empresa. La capacitación a menudo requiere más contratos de los que la compañía ha firmado.
- Los costosos expertos en materia deben anotar los datos de capacitación antes de que se puedan enviar a la máquina. Significa que se necesitan muchos gastos y esfuerzos para descubrir si la IA funciona en absoluto. El episodio reciente entre MD Anderson e IBM Watson es un ejemplo clásico.
Varias personas están trabajando en la fuerza bruta para abrirse paso a través del aprendizaje profundo o tecnologías relacionadas. En mi opinión, eso no va a funcionar fuera de los laboratorios. Hay otros que están trabajando en enfoques más nuevos por completo. Por ejemplo, nuestro algoritmo llamado Calibrated Quantum Mesh ya está mostrando muchas promesas.
Esta característica tiene muchos más detalles sobre esto: AI y PNL.
2. ¿Cómo compensar el aprendizaje experimental?
Los humanos toman decisiones basadas en experiencias. Hay una razón por la que enviamos a los niños a la universidad antes de ponerlos en funciones de cuello blanco, o porque premiamos los perfiles o habilidades apropiadas cuando intentamos reclutarlos. Estas experiencias se obtienen con mucha frecuencia de otros dominios.
“Buenos artistas copian grandes artistas roban”. – Steve Jobs
Los usuarios esperan que las aplicaciones de computación cognitiva compitan con ese tipo de juicio experiencial al tomar decisiones. Sin embargo, para el entrenamiento lo exponemos a datos limitados y muy actuales. Todavía tenemos que encontrar una manera de cerrar esta brecha.
La buena noticia es que un vasto repositorio de datos experimentales está disponible en forma de internet. Estamos trabajando para ingerir y aprender de estos datos. Si tenemos éxito, será posible tener una máquina súper inteligente que no necesite capacitación para casos de uso específicos (Más aquí: Primeros pasos para un cerebro de máquina).
3. ¿Cómo expresar ideas?
Nuestra tecnología de computación cognitiva, Calibrated Quantum Mesh, funciona al encontrar la idea detrás de cualquier expresión. Codifica esa idea y procesa todo en lo que llamamos dominio de ideas. Sin embargo, en el estado actual del arte, CQM lucha por convertir la salida en el dominio de las ideas en una expresión inteligible humana real. Lo solucionamos encontrando la idea más cercana que ya estaba en el corpus, y usándola para expresar el resultado.
En otras palabras, la computación cognitiva puede mirar una imagen de una bola roja y comprender que es una bola roja. Sin embargo, no puede dibujar la imagen solo a partir de la idea abstracta de una bola roja.
Ya se está trabajando mucho en startups y academia para resolver este problema.
Espero que esto ayude.
