Recrear la capacidad de la mente humana para inferir patrones y relaciones a partir de eventos complejos podría conducir a un modelo universal de inteligencia artificial.

Un desafío importante para la inteligencia artificial (IA) es tener la capacidad de ver los fenómenos superficiales del pasado para adivinar los procesos causales subyacentes. Una nueva investigación de KAUST y un equipo internacional de especialistas líderes ha producido un enfoque novedoso que va más allá de la detección de patrones superficiales.

Los seres humanos tenemos un sentido de intuición o inferencia extraordinariamente refinado que nos da la idea, por ejemplo, entender que una manzana violeta podría ser una manzana roja iluminada con luz azul. Este sentido está tan desarrollado en los seres humanos que también nos inclinamos a ver patrones y relaciones donde no existen. dando lugar a nuestra propensión a la superstición.

Este tipo de conocimiento es un desafío tan grande para codificar en IA que los investigadores aún están averiguando por dónde empezar:sin embargo, representa una de las diferencias más fundamentales entre el pensamiento natural y el de máquina.

Hace cinco años, una colaboración entre los investigadores Hector Zenil y Jesper Tegnér, afiliados a KAUST, junto con Narsis Kiani y Allan Zea del Karolinska Institutet de Suecia, comenzó a adaptar la teoría algorítmica de la información a la biología de redes y sistemas para abordar problemas fundamentales en genómica y circuitos moleculares. Esa colaboración condujo al desarrollo de un enfoque algorítmico para inferir procesos causales que podrían formar la base de un modelo universal de IA.

"El aprendizaje automático y la IA se están volviendo omnipresentes en la industria, ciencia y sociedad, "dice el profesor de KAUST Tegnér." A pesar de los avances recientes, todavía estamos lejos de lograr una inteligencia artificial de propósito general con la capacidad de razonar y aprender en diferentes tareas. Parte del desafío es ir más allá de la detección de patrones superficiales hacia técnicas que permitan el descubrimiento de los mecanismos causales subyacentes que producen los patrones ".

Este desenredo causal, sin embargo, se vuelve muy desafiante cuando se entrelazan varios procesos diferentes, como suele ser el caso de los datos moleculares y genómicos. "Nuestro trabajo identifica las partes de los datos que están relacionadas causalmente, Sacando las correlaciones espúreas y luego identifica los diferentes mecanismos causales involucrados en la producción de los datos observados, "dice Tegnér.

El método se basa en un concepto matemático bien definido de probabilidad de información algorítmica como base para una máquina de inferencia óptima. La principal diferencia con los enfoques anteriores, sin embargo, es el cambio de una visión del problema centrada en el observador a un análisis objetivo de los fenómenos basado en las desviaciones de la aleatoriedad.

"Usamos la complejidad algorítmica para aislar varios programas que interactúan, y luego buscar el conjunto de programas que podrían generar las observaciones, "dice Tegnér.

El equipo demostró su método aplicándolo a las salidas interactivas de múltiples códigos de computadora. El algoritmo encuentra la combinación más corta de programas que podrían construir la cadena de salida enrevesada de unos y ceros.

"Esta técnica puede equipar los métodos actuales de aprendizaje automático con capacidades complementarias avanzadas para lidiar mejor con la abstracción, inferencia y conceptos, como causa y efecto, que otros métodos, incluido el aprendizaje profundo, no puedo manejar actualmente, "dice Zenil.