Los sistemas de inteligencia artificial son inteligentes. Pueden reconocer patrones mejor que los humanos, por ejemplo. Sin embargo, los seres humanos siguen siendo muy necesarios. ¿Cómo puede dirigir mejor esos sistemas de IA? El profesor de LIACS, Jan van Rijn, escribió un libro sobre esto junto con varios colegas. Le hicimos algunas preguntas.

¿Qué hay en el libro y a quién está destinado?

Este libro trata sobre los diferentes aspectos del metalaprendizaje. Metalearning significa aprender sobre el proceso de aprendizaje, apoya a los expertos informáticos para gestionar mejor el proceso de aprendizaje de los sistemas de IA. El libro pretende dar a los colegas en el campo una visión unificada de las técnicas actuales en el campo del metalaprendizaje. Debido a que es de libre acceso, también se utiliza como material didáctico en cursos de maestría.

¿Qué problema resuelve el metallearning?

Van Rijn:Los sistemas de inteligencia artificial son mejores para reconocer patrones que los humanos. Entonces se deben cumplir una serie de condiciones. Por ejemplo, debe haber suficientes datos de buena calidad y debe elegir un buen tipo de modelo.

Los tipos de modelos bien conocidos en el campo de la ciencia de datos incluyen redes neuronales, árboles de decisión y los llamados procesos gaussianos (un tipo de modelo de las matemáticas, ed.). Estos modelos pueden reconocer patrones en los datos. Los tipos de modelos tienen diferentes parámetros que controlan el proceso de aprendizaje. Todos esos parámetros deben ser elegidos correctamente. Cuando se cumple esta condición, a menudo se produce un rendimiento excelente, pero cuando no se cumple, el rendimiento de los sistemas de IA es decepcionante. Por lo tanto, la experiencia humana sigue siendo importante para guiar el proceso de aprendizaje de esos sistemas.

¿Qué solución se ha encontrado a este problema?

Luego observa los procesos de aprendizaje anteriores y si puede transferir lecciones de ellos a futuros procesos de aprendizaje. Por ejemplo, puede ayudar al experto humano a seleccionar un tipo de modelo o ajustar los parámetros mencionados anteriormente.

¿Para qué más se puede usar el metaaprendizaje?

Por ejemplo, cuando hay pocos datos disponibles. En algunos casos, puede transferir datos de un dominio a otro donde hay pocos datos disponibles. Esto puede ser muy útil para aplicaciones médicas, por ejemplo, donde a menudo faltan datos.