Una simulación de visualización de la red neuronal interactiva ofrece ideas sobre cómo aprenden las máquinas
Por Amanda Montañez - Scientific American
Crédito: Daniel Smilkov y Shan Carter
En un artículo reciente de la revista Scientific American titulado “Springtime for AI: The Rise of Deep Learning,”, el informático Yoshua Bengio explica por qué las redes neuronales complejas son la clave de la verdadera inteligencia artificial como la gente ha imaginado tiempo. Parece lógico que la manera de hacer que las computadoras tan inteligentes como los seres humanos es que programarlos para comportarse como los cerebros humanos. Sin embargo, teniendo en cuenta lo poco que sabemos de cómo funciona el cerebro, esta tarea parece más que un poco desalentador. Entonces, ¿cómo el aprendizaje profundo trabajo?
Esta visualización por Jen Christiansen explica la estructura básica y la función de las redes neuronales.
Gráfico de Jen Christiansen; PunchStock
Evidentemente, estos llamados "capas ocultas" juegan un papel clave en la descomposición de componentes visuales para decodificar la imagen en su conjunto. Y sabemos que hay una orden de cómo actúan las capas: desde la entrada hasta la salida, cada capa se encarga de información cada vez más compleja. Pero más allá de eso, las capas ocultas, como su nombre indica, son todo un misterio.
Como parte de un proyecto de colaboración reciente llamado tensor de flujo, Daniel Smilkov y Shan Carter crearon una zona de juegos de redes neuronales, que tiene como objetivo desmitificar las capas ocultas, pues permite a los usuarios interactuar y experimentar con ellos.
Visualizaciòn por Daniel Smilkov y Shan Carter
Clic en la imagen para iniciar la INTERACTIVA
Hay mucho que hacer en esta visualización, y yo estaba recientemente la suerte de escuchar Fernanda Viégas y Martin Wattenberg rompen algunos de los que en su charla de apertura en OpenVisConf. (Fernanda y Martin fueron parte del equipo detrás de Tensor de flujo, que es una herramienta mucho más complejo, de código abierto para el uso de redes neuronales en aplicaciones del mundo real.)
En lugar de algo tan complicado como caras, el patio de recreo red neuronal utiliza puntos de color azul y naranja dispersas dentro de un campo de "enseñar" a la máquina cómo encontrar y patrones de eco. El usuario puede seleccionar diferentes empresas punto-arreglos de diferentes grados de complejidad, y manipular el sistema de aprendizaje mediante la adición de nuevas capas ocultas, así como nuevas neuronas en cada capa. Entonces, cada vez que el usuario pulsa el botón "play", se puede ver como los cambios de fondo degradado de color para aproximarse a la disposición de los puntos de color azul y naranja. A medida que el patrón se hace más compleja, las neuronas y las capas adicionales ayudan a la máquina para completar la tarea con más éxito.
La máquina, resuelve esta disposición directa de la estrategia puntos, utilizando sólo una capa oculta con dos neuronas.
La máquina lucha por decodificar esta forma de espiral más complejo.
Además de las capas de neuronas, la máquina tiene otras características significativas, tales como las conexiones entre las neuronas. Las conexiones aparecen, bien como líneas de color azul o naranja, azul ser positivo, es decir, la salida de cada neurona es el mismo que su contenido y naranja de ser negativo, lo que significa que la salida es lo contrario de los valores de cada neurona. Además, el grosor y la opacidad de las líneas de conexión indican la confianza de la predicción de cada neurona está haciendo, al igual que las conexiones en nuestro cerebro se fortalecen a medida que avanzamos a través de un proceso de aprendizaje.
Curiosamente, a medida que vaya mejor en la construcción de redes neuronales para las máquinas, podemos terminar revelando nueva información sobre el funcionamiento de nuestro propio cerebro. Visualizar y jugar con las capas ocultas parece una gran manera de facilitar este proceso al mismo tiempo hacer el concepto de aprendizaje profundo accesible a un público más amplio.
No hay comentarios:
Publicar un comentario