Un grupo de científicos crearon un innovador algoritmo que mejora de manera considerable cómo los sistemas de Inteligencia Artificial (IA) aprenden y descubren patrones en los datos de manera autónoma, sin intervención humana.
Denominado Torque Clustering, este método se aproxima mucho más a la inteligencia natural que las técnicas actuales.
Es capaz de analizar grandes volúmenes de datos de manera eficiente y autónoma en áreas como biología, química, astronomía, psicología, finanzas y medicina, revelando nuevos hallazgos como la identificación de patrones de enfermedades, el descubrimiento de fraudes o la comprensión del comportamiento humano.
"En la naturaleza, los seres vivos aprenden observando, explorando e interactuando con su entorno, sin instrucciones explícitas. La próxima generación de IA, el 'aprendizaje no supervisado', busca emular este enfoque", comenta el profesor Chin-Teng Lin de la Universidad de Tecnología de Sídney (UTS), destacado investigador en IA e interfaces cerebro-computadora, quien fue parte del estudio.
Casi todas las tecnologías actuales de IA se fundamentan en el "aprendizaje supervisado", un método que requiere que los humanos etiqueten grandes volúmenes de datos con categorías o valores predefinidos para que la IA pueda hacer predicciones y detectar relaciones.
"El aprendizaje supervisado presenta diversas limitaciones. Etiquetar datos es costoso, consume mucho tiempo y, a menudo, resulta inviable para tareas complejas o de gran escala. El aprendizaje no supervisado, por el contrario, no depende de datos etiquetados, permitiendo descubrir las estructuras y patrones que ya existen en los conjuntos de datos", explicó.
Recientemente, un artículo que detalla el método Torque Clustering fue publicado en la revista IEEE Transactions on Pattern Analysis and Machine Intelligence.
Totalmente autónomo
El algoritmo Torque Clustering supera a los métodos tradicionales de aprendizaje no supervisado, ofreciendo una posible revolución. Es completamente autónomo, carece de parámetros y puede procesar grandes cantidades de datos con una eficiencia computacional sobresaliente.
Ha sido sometido a pruebas exhaustivas en 1.000 conjuntos de datos diversos, logrando una puntuación media de información mutua ajustada (AMI), que mide los resultados de la agrupación, del 97,7 %. En comparación, otros métodos de vanguardia solo alcanzan puntuaciones en el rango del 80 %.
"Lo que hace único a Torque Clustering es su fundamento en el concepto físico de torque, lo que le permite identificar clústeres de forma autónoma y adaptarse sin dificultad a diversos tipos de datos, con diferentes formas, densidades y niveles de ruido", comentó Jie Yang, primer autor y coautor del estudio, investigador postdoctoral en la UTS y especialista en aprendizaje no supervisado.
Torque Clustering podría fomentar el avance de la inteligencia artificial general, especialmente en robótica y sistemas autónomos, al contribuir a optimizar el movimiento, el control y la toma de decisiones.
Está destinado a transformar el campo del aprendizaje no supervisado, abriendo el camino para una IA verdaderamente autónoma. El código fuente abierto ya está disponible para los investigadores.
