La mayoría de la gente no pensaría en enseñarles a los niños de cinco años cómo golpear una pelota de béisbol dándoles un bate y una pelota, diciéndoles que arrojen los objetos al aire en un trillón de combinaciones diferentes y esperando que descubran cómo se conectan las dos cosas.

Y todavía, De alguna manera, esta es la forma en que abordamos el aprendizaje automático en la actualidad:al mostrarles a las máquinas una gran cantidad de datos y esperar que aprendan asociaciones o encuentren patrones por sí mismos.

Para muchas de las aplicaciones más comunes de las tecnologías de IA en la actualidad, como el reconocimiento simple de texto o imagen, esto funciona muy bien.

Pero a medida que ha crecido el deseo de utilizar la IA en más escenarios, Los científicos y desarrolladores de productos de Microsoft han sido pioneros en un enfoque complementario llamado enseñanza automática. Esto se basa en la experiencia de las personas para dividir un problema en tareas más fáciles y brindar a los modelos de aprendizaje automático pistas importantes sobre cómo encontrar una solución más rápido. Es como enseñarle a un niño a batear un jonrón poniendo primero la bola en el tee, luego lanzando un lanzamiento oculto y eventualmente pasando a bolas rápidas.

"Esto se siente muy natural e intuitivo cuando hablamos de esto en términos humanos, pero cuando cambiamos al aprendizaje automático, la mentalidad de todos, ya sea que se den cuenta o no, es 'vamos a lanzar bolas rápidas al sistema, '", dijo Mark Hammond, Gerente general de Microsoft para Business AI. "La enseñanza automática es un conjunto de herramientas que te ayuda a dejar de hacer eso".

La enseñanza de máquinas busca obtener conocimiento de las personas en lugar de extraer conocimiento solo de los datos. Una persona que comprende la tarea en cuestión, ya sea cómo decidir qué departamento de una empresa debe recibir un correo electrónico entrante o cómo colocar automáticamente las turbinas eólicas para generar más energía, primero descompondrá ese problema en partes más pequeñas. Luego, proporcionarían un número limitado de ejemplos, o el equivalente de planes de lecciones, para ayudar a los algoritmos de aprendizaje automático a resolverlo.

En escenarios de aprendizaje supervisado, La enseñanza automática es particularmente útil cuando existen pocos o ningún dato de entrenamiento etiquetado para los algoritmos de aprendizaje automático porque las necesidades de una industria o empresa son muy específicas.

En escenarios de aprendizaje por refuerzo difíciles y ambiguos, donde los algoritmos tienen problemas para determinar cuál de los millones de acciones posibles debe realizar para dominar las tareas en el mundo físico, la enseñanza automática puede reducir drásticamente el tiempo que le toma a un agente inteligente encontrar la solución.

También es parte de un objetivo más amplio para permitir que una franja más amplia de personas use la IA de formas más sofisticadas. La enseñanza automática permite a los desarrolladores o expertos en la materia con poca experiencia en IA, como abogados, contadores, ingenieros enfermeras o operadores de montacargas, para impartir conceptos abstractos importantes a un sistema inteligente, que luego realiza la mecánica de aprendizaje automático en segundo plano.

Los investigadores de Microsoft comenzaron a explorar los principios de la enseñanza de las máquinas hace casi una década, y esos conceptos ahora se están abriendo camino en productos que ayudan a las empresas a construir todo, desde bots inteligentes de servicio al cliente hasta sistemas autónomos.

"Incluso la IA más inteligente tendrá dificultades por sí misma para aprender a realizar algunas de las tareas profundamente complejas que son comunes en el mundo real. Por lo tanto, necesita un enfoque como este, con personas que guían los sistemas de inteligencia artificial para aprender las cosas que ya sabemos, "dijo Gurdeep Pall, Vicepresidente corporativo de Microsoft para Business AI. "Tomar esta IA llave en mano y hacer que los no expertos la utilicen para realizar tareas mucho más complejas es realmente el punto ideal para la enseñanza automática".

Hoy dia, si intentamos enseñar a un algoritmo de aprendizaje automático a aprender qué es una tabla, podríamos encontrar fácilmente un conjunto de datos con imágenes de tablas, sillas y lámparas que han sido meticulosamente etiquetadas. Después de exponer el algoritmo a innumerables ejemplos etiquetados, aprende a reconocer las características de una mesa.

Pero si tuvieras que enseñarle a una persona a reconocer una mesa, probablemente comenzaría explicando que tiene cuatro patas y una parte superior plana. Si vio a la persona también poniendo sillas en esa categoría, además, explicaría que una silla tiene respaldo y una mesa no. Estas abstracciones y circuitos de retroalimentación son clave para la forma en que las personas aprenden, y también pueden aumentar los enfoques tradicionales del aprendizaje automático.

"Si puedes enseñar algo a otra persona, debería poder enseñárselo a una máquina utilizando un lenguaje muy parecido a cómo aprenden los humanos, "dijo Patrice Simard, Ingeniero distinguido de Microsoft que fue pionero en el trabajo de enseñanza de máquinas de la compañía para Microsoft Research. Este mes, su equipo se traslada al grupo de Experiencias y dispositivos para continuar este trabajo e integrar aún más la enseñanza de máquinas con las ofertas de IA conversacional.

Millones de usuarios potenciales de IA

Simard comenzó a pensar en un nuevo paradigma para la construcción de sistemas de inteligencia artificial cuando notó que casi todos los artículos en las conferencias de aprendizaje automático se centraban en mejorar el rendimiento de los algoritmos en puntos de referencia cuidadosamente seleccionados. Pero en el mundo real se dio cuenta, La enseñanza es un componente igualmente o posiblemente más importante del aprendizaje, especialmente para tareas sencillas en las que se dispone de datos limitados.

Si quisiera enseñarle a un sistema de inteligencia artificial cómo elegir el mejor automóvil, pero solo tenía algunos ejemplos etiquetados como "buenos" y "malos", "De esa información limitada, podría inferirse que una característica definitoria de un buen automóvil es que el cuarto número de su matrícula es un" 2 ". Pero señalar al sistema de inteligencia artificial las mismas características que le diría a su adolescente que considere:gas kilometraje, clasificaciones de seguridad, resultados de la prueba de choque, precio:permite que los algoritmos reconozcan correctamente los coches buenos y malos, a pesar de la disponibilidad limitada de ejemplos etiquetados.

En escenarios de aprendizaje supervisado, La enseñanza automática mejora los modelos al identificar estas características significativas de alto nivel. Como en la programación, El arte de la enseñanza automática también implica la descomposición de tareas en tareas más simples. Si las características necesarias no existen, se pueden crear utilizando submodelos que utilizan características de nivel inferior y son lo suficientemente simples como para aprender de unos pocos ejemplos. Si el sistema comete constantemente el mismo error, los errores se pueden eliminar agregando características o ejemplos.

Uno de los primeros productos de Microsoft en emplear conceptos de enseñanza automática es Language Understanding, una herramienta de Azure Cognitive Services que identifica la intención y los conceptos clave a partir de un texto breve. Ha sido utilizado por empresas que van desde UPS y Progressive Insurance hasta Telefónica para desarrollar bots inteligentes de servicio al cliente.

"Para saber si un cliente tiene una pregunta sobre la facturación o un plan de servicio, no tiene que darnos todos los ejemplos de la pregunta. Puede proporcionar cuatro o cinco, junto con las funciones y las palabras clave que son importantes en ese dominio, y Language Understanding se encarga de la maquinaria en segundo plano, "dijo Riham Mansour, gerente principal de ingeniería de software responsable de la comprensión del lenguaje.

Los investigadores de Microsoft están explorando cómo aplicar conceptos de enseñanza automática a problemas más complicados, como clasificar documentos más largos, correo electrónico e incluso imágenes. También están trabajando para que el proceso de enseñanza sea más intuitivo, como sugerir a los usuarios qué funciones pueden ser importantes para resolver la tarea.

Imagine que una empresa quiere utilizar la inteligencia artificial para escanear todos sus documentos y correos electrónicos del año pasado para averiguar cuántas cotizaciones se enviaron y cuántas de ellas resultaron en una venta. dijo Alicia Edelman Pelton, director de programa principal del grupo de enseñanza de máquinas de Microsoft.

Como primer paso, el sistema debe saber cómo identificar una cotización de un contrato o una factura. A menudo, no existen datos de entrenamiento etiquetados para ese tipo de tarea, especialmente si cada vendedor de la empresa lo maneja de manera un poco diferente.

Si el sistema utilizaba técnicas tradicionales de aprendizaje automático, la empresa tendría que subcontratar ese proceso, enviar miles de documentos de muestra e instrucciones detalladas para que un ejército de personas pueda intentar etiquetarlos correctamente, un proceso que puede llevar meses de ida y vuelta para eliminar el error y encontrar todos los ejemplos relevantes. También necesitarán un experto en aprendizaje automático, que tendrá una gran demanda, para construir el modelo de aprendizaje automático. Y si los nuevos vendedores comienzan a usar diferentes formatos en los que el sistema no estaba capacitado, el modelo se confunde y deja de funcionar bien.

Por el contrario, Pelton dijo:El enfoque de enseñanza de máquinas de Microsoft utilizaría a una persona dentro de la empresa para identificar las características y estructuras definitorias que se encuentran comúnmente en una cotización:algo enviado por un vendedor, el nombre de un cliente externo, palabras como "cotización" o "fecha de entrega", "" producto, " "cantidad, "o" condiciones de pago ".

Traduciría la experiencia de esa persona a un lenguaje que una máquina pueda entender y usaría un algoritmo de aprendizaje automático que ha sido preseleccionado para realizar esa tarea. Eso puede ayudar a los clientes a crear soluciones de IA personalizadas en una fracción del tiempo utilizando la experiencia que ya existe dentro de su organización. Dijo Pelton.

Pelton señaló que hay innumerables personas en el mundo "que comprenden sus negocios y pueden describir los conceptos importantes:un abogado que dice:'Oh, Sé cómo es un contrato y sé cómo es una citación y puedo darte las pistas para notar la diferencia '".

Hacer que los problemas difíciles sean realmente solucionables

Hace más de una década, Hammond trabajaba como programador de sistemas en un laboratorio de neurociencia de Yale y notó cómo los científicos usaban un enfoque paso a paso para entrenar animales a realizar tareas para sus estudios. Tuvo una epifanía similar acerca de tomar prestadas esas lecciones para enseñar a las máquinas.

Eso finalmente lo llevó a fundar Bonsai, que fue adquirida por Microsoft el año pasado. Combina la enseñanza de máquinas con el aprendizaje de refuerzo profundo y la simulación para ayudar a las empresas a desarrollar "cerebros" que ejecutan sistemas autónomos en aplicaciones que van desde la robótica y la fabricación hasta la gestión de la energía y los edificios. La plataforma utiliza un lenguaje de programación llamado Inkling para ayudar a los desarrolladores e incluso a los expertos en la materia a descomponer problemas y escribir programas de inteligencia artificial.

Aprendizaje por refuerzo profundo, una rama de la IA en la que los algoritmos aprenden por ensayo y error basados ​​en un sistema de recompensas, ha superado con éxito a la gente en los videojuegos. Pero esos modelos han tenido problemas para dominar tareas industriales más complicadas del mundo real, Dijo Hammond.

Agregar una capa de enseñanza automática, o infundir la experiencia única en la materia de una organización directamente en un modelo de aprendizaje de refuerzo profundo, puede reducir drásticamente el tiempo que lleva encontrar soluciones a estos problemas profundamente complejos del mundo real. Dijo Hammond.

Por ejemplo, Imagine que una empresa de fabricación desea capacitar a un agente de inteligencia artificial para calibrar de forma autónoma una pieza crítica de equipo que puede salirse de control cuando la temperatura o la humedad fluctúan o después de haber estado en uso durante algún tiempo. Una persona usaría el lenguaje Inkling para crear un "plan de lección" que describe la información relevante para realizar la tarea y para monitorear si el sistema está funcionando bien.

Armado con esa información de su componente de enseñanza automática, el sistema Bonsai seleccionaría el mejor modelo de aprendizaje reforzado y crearía un "cerebro" de IA para reducir el costoso tiempo de inactividad mediante la calibración autónoma del equipo. Probaría diferentes acciones en un entorno simulado y sería recompensado o penalizado según la rapidez y precisión con la que realice la calibración.

Decirle al cerebro de la IA en qué es importante concentrarse desde el principio puede provocar un cortocircuito en una gran cantidad de exploración infructuosa y que requiere mucho tiempo, ya que intenta aprender en la simulación lo que funciona y lo que no funciona. Dijo Hammond.

"La razón por la que la enseñanza automática resulta fundamental es que si se utiliza el aprendizaje por refuerzo de forma ingenua y no se le da ninguna información sobre cómo resolver el problema, se explorará de forma aleatoria y tal vez con suerte, pero con frecuencia no nunca, encuentre una solución que funcione, Hammond dijo:"Hace que los problemas sean realmente solucionables, mientras que sin la enseñanza automática no lo es".