Usando la inteligencia artificial para encontrar los bloques de construcción de nuestras relaciones
Luca Maria Aiello || Medium
Las relaciones sociales son primordiales. Determinan dónde trabajamos, con quién nos casamos y qué hacemos. Es por eso que los investigadores de ciencias sociales, y más recientemente sus primos de "ciencias sociales computacionales", dedicaron considerables esfuerzos para establecer categorizaciones sistemáticas de las dimensiones sociológicas fundamentales que describen las relaciones humanas. Intentamos descubrir cuáles son las dimensiones fundamentales de las relaciones sociales y cómo detectarlas automáticamente a partir de los datos de interacción en línea.
Al compilar una extensa revisión de los hallazgos de décadas en sociología y psicología social, identificamos diez dimensiones que se han utilizado ampliamente para clasificar las relaciones:
Intercambio de conocimiento
Dinámica de poder (p. Ej., Entre un jefe y su empleado)
Condición de estado: conferir apreciación, gratitud o admiración.
Expresiones de confianza
Dar apoyo emocional o práctico
Romance
Similitud: intereses, motivaciones o perspectivas compartidas
Identidad: sentido de pertenencia a un grupo o comunidad
Divertido
Conflicto
Resulta que las personas encuentran estas dimensiones muy identificables. A través de un pequeño experimento de crowdsourcing, le pedimos a 200 personas que deletrearan palabras que describieran sus conexiones sociales y descubrimos que todas encajaban en las 10 dimensiones.
Ser capaz de cuantificar estas 10 dimensiones a partir de los datos de interacción es bastante útil porque, combinándolos en proporciones oportunas, se puede dibujar una descripción precisa, explicable e intuitiva de la naturaleza de la mayoría de las relaciones.
En nuestro trabajo que se presentará en The Web Conference 2020, utilizamos el procesamiento del lenguaje natural para medir las 10 dimensiones del texto conversacional. Le pedimos a los trabajadores colectivos que etiqueten 9,000 comentarios de Reddit con las 10 dimensiones. Utilizamos estos datos para entrenar herramientas de IA que pueden predecir todas las dimensiones con bastante precisión a partir de cualquier texto, para 🤓 ojos: usando BERT y LSTM obtuvimos AUC que van desde 0.75 (Identidad) a 0.98 (Romance).
Y ahora, la parte divertida. Aplicamos nuestra herramienta a los datos en línea para descubrir cómo se utilizan las 10 dimensiones en diferentes contextos y en diferentes niveles de agregación: mensajes individuales, relaciones, grupos e incluso Estados enteros en los EE. UU.
Dimensiones sociales en mensajes individuales - guiones de películas
Los diálogos con guiones de películas son representaciones ficticias pero plausibles de conversaciones que abarcan un amplio espectro de emociones humanas y tipos de relaciones. Ejecutamos nuestros modelos en todas las líneas de películas del corpus de guiones de películas de Cornell, y descubrimos cuáles son las dimensiones transmitidas por las líneas de películas icónicas.
A continuación, algunas líneas de algunas películas icónicas del siglo XX. Informamos los niveles detectados de las 10 dimensiones en los diagramas de inserción; los que están por encima de la línea punteada son los más significativos.
“Solo un Caballero Jedi completamente entrenado, con La Fuerza como su aliado, conquistará a Vader y su Emperador. Si terminas tu entrenamiento ahora, si eliges el camino rápido y fácil, como lo hizo Vader, te convertirás en un agente del mal "- Ben Kenobi
Ben transfiere su conocimiento de los caminos de la Fuerza a Luke. Esta línea destaca la relación de poder entre el maestro y el alumno, y advierte sobre conflictos inminentes.
"Frankie, eres un buen anciano y has sido leal a mi padre durante años ... así que espero que puedas explicar lo que quieres decir" - Michael Corleone
A Michael le gusta pensar en sí mismo como un hombre de honor. Él rinde homenaje a su amigo por sus servicios y le otorga confianza a raíz de las sospechas de traición.
"Mira, Dave, sé que eres sincero y que estás tratando de hacer un trabajo competente, y que estás tratando de ser útil, pero puedo asegurarte que el problema está en las unidades AO y en tu equipo de prueba "- HAL 9000
Parece que la supercomputadora HAL 9000 está tratando de proporcionar algún soporte técnico (= conocimiento + soporte) a un astronauta cada vez más preocupado.
"Pero, como le gusta tanto observar, doctor, no soy humano" - Spock
La identidad de un vulcano, expresada ante el sacrificio extremo.
Dimensiones sociales en las relaciones - Twitter
La "Isla de los lazos" es uno de los juegos de tinghy.org. Los jugadores marcan a sus amigos de Twitter con 3 dimensiones que mejor describen sus relaciones con ellos.
Las dimensiones estimadas a nivel de mensaje pueden predecir las dimensiones que las personas usarían para describir sus relaciones sociales. Para demostrarlo, recopilamos datos de tinghy.org, una plataforma de juegos que recoge las percepciones de las personas sobre sus amigos de Twitter (ver foto a la izquierda). Descubrimos que podemos obtener buenas predicciones de las etiquetas de nivel de relación (por ejemplo, una relación basada en la confianza) mirando 20 respuestas de Twitter o más entre las dos personas involucradas.
Dimensiones sociales de las comunidades - Enron corp. correos electrónicos
Enron Corporation era una empresa estadounidense fundada en 1985 que se declaró en quiebra en 2001, cuando sus prácticas sistemáticas de fraude contable fueron expuestas al público. Después del escándalo y la investigación resultante, The Enron Email Dataset fue lanzado al público. Observamos cómo las expresiones de diferentes dimensiones variaban con el tiempo en los correos electrónicos de Enron, en promedio.
Cómo la presencia de cinco dimensiones sociales en los correos electrónicos de los empleados de Enron cambia con el tiempo, en comparación con el análisis de sentimientos tradicional (realizado con la herramienta Vader). Las parcelas están marcadas con cuatro eventos importantes en la historia de Enron: i) el comienzo de las preocupaciones sobre la estabilidad financiera de la empresa; ii) la primera ronda de despidos; iii) el inicio de pérdidas financieras; iv) la declaración de quiebra.
La evolución de las dimensiones conversacionales revela una imagen rica que coincide con las etapas conocidas de la caída de Enron. Cuando surgieron las preocupaciones iniciales, el intercambio de estatus y apoyo se desplomó: el pánico comenzó a extenderse y los empleados dejaron de celebrar sus logros, agradeciéndose mutuamente y ofreciendo consuelo. Aproximadamente tres meses después, la frecuencia del intercambio de conocimientos se redujo drásticamente: a medida que aumentaron las preocupaciones, los empleados dedicaron menos tiempo a ocuparse de sus tareas cotidianas. Unas semanas antes de los despidos, cuando quedó claro que muchos empleados habrían sido despedidos, el conflicto explotó y la estructura de poder colapsó: se dieron menos órdenes a la multitud de empleados enojados que se dieron cuenta de los recortes de empleos que obstaculizaban. A raíz de los despidos, los que lograron permanecer en la empresa se apoyaron durante unas semanas antes del inminente crack.
Dimensiones sociales en la sociedad - Estadísticas de los Estados Unidos
Por último, probamos si la presencia de esas dimensiones en las conversaciones está asociada con los resultados del mundo real a nivel social. Extrajimos las diez dimensiones sociales de 160 millones de mensajes de Reddit publicados por 1 millón de usuarios a quienes pudimos geo-referenciar a nivel de los Estados Unidos. Realizamos un análisis geográfico para estudiar la relación entre la presencia de las 10 dimensiones y los resultados socioeconómicos, estimados por las estadísticas oficiales. En particular, verificamos la relación entre:
Intercambio de conocimiento y nivel de educación promedio.
Intercambio de conocimientos e ingresos medios.
Expresión de apoyo social y tasas de suicidio
Como se esperaba, el conocimiento está positivamente asociado a los niveles de educación y a la riqueza: el intercambio de conocimiento es un motor de innovación y crecimiento económico. El apoyo se asocia positivamente con las tasas de suicidio: las personas afectadas por la depresión, especialmente aquellas que tienen pensamientos suicidas, no tienden a confiar en sus compañeros y buscan apoyo social en diferentes contextos, a menudo en línea.
Todas las dimensiones combinadas predicen las estadísticas oficiales con bastante precisión (hasta un R2 ajustado de 0,52), incluso después de descontar los factores de confusión como la densidad de población.
Las expresiones de las dimensiones sociales en el lenguaje en línea se correlacionan con los resultados sociales relevantes estimados por las estadísticas oficiales a nivel de los Estados Unidos.
¿Para qué es todo esto?
La capacidad de extraer automáticamente las dimensiones fundamentales del intercambio social del texto podría contribuir a crear herramientas de investigación y análisis para las redes sociales. Creemos que la dinámica de una serie de procesos mediados por las redes sociales podría reinterpretarse con nuestra aplicación del modelo de 10 dimensiones a las redes de conversación. Por ejemplo, los investigadores podrían observar los fenómenos de difusión de información, difusión de noticias falsas, polarización y creación de enlaces a la luz de las diez dimensiones sociales.
Las empresas de redes sociales podrían monitorear la prevalencia de las diez dimensiones en el discurso público en línea como una forma de detectar y promover interacciones positivas y significativas, por ejemplo, aquellas basadas en el apoyo y la confianza, en lugar de simplemente castigar el mal comportamiento.
Lleve a un niño de tres años al zoológico e intuitivamente sabe que la criatura de cuello largo que mordisquea las hojas es lo mismo que la jirafa en su libro ilustrado. Esa hazaña superficialmente fácil es en realidad bastante sofisticada. El dibujo animado es una silueta congelada de líneas simples, mientras que el animal viviente está inundado de color, textura, movimiento y luz. Puede contorsionarse en diferentes formas y se ve diferente desde todos los ángulos.
Los humanos sobresalen en este tipo de tarea. Podemos comprender sin esfuerzo las características más importantes de un objeto a partir de unos pocos ejemplos y aplicar esas características a lo desconocido. Las computadoras, por otro lado, típicamente necesitan ordenar a través de una base de datos completa de jirafas, que se muestran en muchos entornos y desde diferentes perspectivas, para aprender a reconocer con precisión al animal.
La identificación visual es una de las muchas áreas donde los humanos vencieron a las computadoras. También somos mejores para encontrar información relevante en una avalancha de datos; para resolver problemas no estructurados; y al aprender sin supervisión, cuando un bebé aprende sobre la gravedad cuando juega con bloques. "Los humanos son mucho, mucho mejores generalistas", dijo Tai Sing Lee, científico informático y neurocientífico de la Universidad Carnegie Mellon en Pittsburgh. "Todavía somos más flexibles en el pensamiento y podemos anticipar, imaginar y crear eventos futuros".
Un ambicioso programa nuevo, financiado por el brazo de inteligencia del gobierno federal, tiene como objetivo lograr que la inteligencia artificial esté más en línea con nuestros propios poderes mentales. Tres equipos compuestos por neurocientíficos e informáticos intentarán descubrir cómo el cerebro realiza estas hazañas de identificación visual, y luego fabrican máquinas que hacen lo mismo. "El aprendizaje automático de hoy falla donde los humanos se destacan", dijo Jacob Vogelstein, quien dirige el programa en la Actividad de Proyectos de Investigación Avanzados de Inteligencia (IARPA). "Queremos revolucionar el aprendizaje automático mediante la ingeniería inversa de los algoritmos y cálculos del cerebro".
El tiempo es corto. Cada equipo ahora está modelando un trozo de corteza con detalles sin precedentes. En conjunto, los equipos están desarrollando algoritmos basados en parte en lo que aprenden. Para el próximo verano, a cada uno de esos algoritmos se le dará un ejemplo de un elemento extraño y luego se le pedirá que seleccione instancias del mismo de entre miles de imágenes en una base de datos sin etiqueta. "Es un marco de tiempo muy agresivo", dijo Christof Koch, presidente y director científico del Instituto Allen para Ciencias del Cerebro en Seattle, que está trabajando con uno de los equipos.
Los humanos sobresalen en este tipo de tarea. Podemos comprender sin esfuerzo las características más importantes de un objeto a partir de unos pocos ejemplos y aplicar esas características a lo desconocido. Las computadoras, por otro lado, típicamente necesitan ordenar a través de una base de datos completa de jirafas, que se muestran en muchos entornos y desde diferentes perspectivas, para aprender a reconocer con precisión al animal.
La identificación visual es una de las muchas áreas donde los humanos vencieron a las computadoras. También somos mejores para encontrar información relevante en una avalancha de datos; para resolver problemas no estructurados; y al aprender sin supervisión, cuando un bebé aprende sobre la gravedad cuando juega con bloques. "Los humanos son mucho, mucho mejores generalistas", dijo Tai Sing Lee, científico informático y neurocientífico de la Universidad Carnegie Mellon en Pittsburgh. "Todavía somos más flexibles en el pensamiento y podemos anticipar, imaginar y crear eventos futuros".
Un ambicioso programa nuevo, financiado por el brazo de inteligencia del gobierno federal, tiene como objetivo lograr que la inteligencia artificial esté más en línea con nuestros propios poderes mentales. Tres equipos compuestos por neurocientíficos e informáticos intentarán descubrir cómo el cerebro realiza estas hazañas de identificación visual, y luego fabrican máquinas que hacen lo mismo. "El aprendizaje automático de hoy falla donde los humanos se destacan", dijo Jacob Vogelstein, quien dirige el programa en la Actividad de Proyectos de Investigación Avanzados de Inteligencia (IARPA). "Queremos revolucionar el aprendizaje automático mediante la ingeniería inversa de los algoritmos y cálculos del cerebro".
El tiempo es corto. Cada equipo ahora está modelando un trozo de corteza con detalles sin precedentes. En conjunto, los equipos están desarrollando algoritmos basados en parte en lo que aprenden. Para el próximo verano, a cada uno de esos algoritmos se le dará un ejemplo de un elemento extraño y luego se le pedirá que seleccione instancias del mismo de entre miles de imágenes en una base de datos sin etiqueta. "Es un marco de tiempo muy agresivo", dijo Christof Koch, presidente y director científico del Instituto Allen para Ciencias del Cerebro en Seattle, que está trabajando con uno de los equipos.
Koch y sus colegas ahora están creando un diagrama de cableado completo de un pequeño cubo de cerebro: un millón de micras cúbicas, que suman un volumen quinientos centésimas de una semilla de amapola. Eso es órdenes de magnitud más grandes que el mapa de cableado completo más extenso hasta la fecha, que se publicó en junio pasado y tomó aproximadamente seis años en completarse.
Al final del proyecto IARPA de cinco años, denominado Inteligencia artificial de redes corticales (Microns), los investigadores intentan mapear un milímetro cúbico de corteza. Esa pequeña porción alberga alrededor de 100.000 neuronas, de 3 a 15 millones de conexiones neuronales o sinapsis, y suficiente cableado neuronal para abarcar todo el ancho de Manhattan, si todo estuviera desenredado y tendido de punta a punta.
Nadie ha intentado reconstruir un pedazo de cerebro a esta escala. Pero los esfuerzos a menor escala han demostrado que estos mapas pueden proporcionar información sobre el funcionamiento interno de la corteza. En un artículo publicado en la revista Nature en marzo, Wei-Chung Allen Lee -un neurocientífico de la Universidad de Harvard que está trabajando con el equipo de Koch- y sus colaboradores trazaron un diagrama de 50 neuronas y más de 1,000 de sus socios. Al combinar este mapa con información sobre el trabajo de cada neurona en el cerebro, algunos responden a una entrada visual de barras verticales, por ejemplo, derivaron una regla simple de cómo las neuronas en esta parte de la corteza están conectadas anatómicamente. Descubrieron que las neuronas con funciones similares tienen más probabilidades de conectarse y establecer conexiones más grandes entre sí que con otros tipos de neuronas.
Si bien el objetivo implícito del proyecto Microns es tecnológico: IARPA financia investigaciones que eventualmente podrían llevar a herramientas de análisis de datos para la comunidad de inteligencia, entre otras cosas, debe haber ideas nuevas y profundas sobre el cerebro. Andreas Tolias, un neurocientífico de Baylor College of Medicine que es co-líder del equipo de Koch, compara nuestro conocimiento actual de la corteza con una fotografía borrosa. Él espera que la escala sin precedentes del proyecto Microns ayude a agudizar esa visión, exponiendo reglas más sofisticadas que rigen nuestros circuitos neuronales. Sin conocer todas las partes componentes, dijo, "tal vez nos estamos perdiendo la belleza de la estructura".
Las unidades de procesamiento del cerebro
Los intrincados pliegues que cubren la superficie del cerebro forman la corteza cerebral, una hoja de tejido del tamaño de una pizza que se arrugó para que se ajuste a nuestro cráneo. Es en muchos sentidos el microprocesador del cerebro. La hoja, de aproximadamente tres milímetros de grosor, está formada por una serie de módulos repetitivos, o microcircuitos, similares a la serie de compuertas lógicas en un chip de computadora. Cada módulo consta de aproximadamente 100.000 neuronas dispuestas en una compleja red de células interconectadas. La evidencia sugiere que la estructura básica de estos módulos es aproximadamente la misma en toda la corteza. Sin embargo, los módulos en diferentes regiones del cerebro están especializados para fines específicos, como la visión, el movimiento o la audición.
Andreas Tolias (izquierda), que se muestra aquí con su alumno R.J. Cotton, es co-líder de uno de los equipos de Micron.
Los científicos solo tienen una idea aproximada de cómo se ven estos módulos y cómo actúan. En gran parte se han limitado a estudiar el cerebro a escalas más pequeñas: decenas o cientos de neuronas. Las nuevas tecnologías diseñadas para rastrear la forma, la actividad y la conectividad de miles de neuronas finalmente permiten a los investigadores analizar cómo las células dentro de un módulo interactúan entre sí; cómo la actividad en una parte del sistema puede provocar o frenar la actividad en otra parte. "Por primera vez en la historia, tenemos la capacidad de interrogar a los módulos en lugar de solo adivinar los contenidos", dijo Vogelstein. "Diferentes equipos tienen diferentes conjeturas para lo que hay adentro".
Los investigadores se centrarán en una parte de la corteza que procesa la visión, un sistema sensorial que los neurocientíficos han explorado intensamente y que los científicos de la computación se han esforzado por emular. "La visión parece fácil, solo abre los ojos, pero es difícil enseñar a las computadoras a hacer lo mismo", dijo David Cox, un neurocientífico de Harvard que dirige uno de los equipos de IARPA.
Cada equipo está comenzando con la misma idea básica de cómo funciona la visión, una teoría de décadas de antigüedad conocida como análisis por síntesis. De acuerdo con esta idea, el cerebro hace predicciones sobre lo que sucederá en el futuro inmediato y luego reconcilia esas predicciones con lo que ve. El poder de este enfoque radica en su eficiencia: requiere menos computación que la recreación continua en todo momento.
El cerebro puede ejecutar análisis por síntesis de diferentes maneras, por lo que cada equipo está explorando una posibilidad diferente. El equipo de Cox ve el cerebro como una especie de motor de física, con modelos de física existentes que utiliza para simular cómo debería ser el mundo. El equipo de Tai Sing Lee, codirigido por George Church, teoriza que el cerebro ha construido una biblioteca de partes, fragmentos de objetos y personas, y aprende las reglas sobre cómo unir esas partes. Las hojas, por ejemplo, tienden a aparecer en las ramas. El grupo de Tolias está trabajando en un enfoque más basado en datos, donde el cerebro crea expectativas estadísticas del mundo en el que vive. Su equipo probará varias hipótesis sobre cómo las diferentes partes del circuito aprenden a comunicarse.
Los tres equipos controlarán la actividad neuronal de decenas de miles de neuronas en un cubo objetivo del cerebro. Luego usarán diferentes métodos para crear un diagrama de cableado de esas celdas. El equipo de Cox, por ejemplo, cortará el tejido cerebral en capas más delgadas que un cabello humano y analizará cada corte con microscopio electrónico. Luego, el equipo coserá computacionalmente cada sección transversal para crear un mapa tridimensional densamente empaquetado que traza millones de cables neuronales en su intrincado camino a través de la corteza.
Con un mapa y un patrón de actividad en la mano, cada equipo intentará descubrir algunas reglas básicas que rigen el circuito. Luego programarán esas reglas en una simulación y medirán qué tan bien la simulación coincide con un cerebro real.
Tolias y colaboradores ya tienen una idea de lo que este tipo de enfoque puede lograr. En un artículo publicado en Science en noviembre, mapearon las conexiones entre 11,000 pares de neuronas, descubriendo cinco nuevos tipos de neuronas en el proceso. "Todavía no tenemos una lista completa de las partes que componen la corteza, cómo son las células individuales, cómo están conectadas", dijo Koch. "Eso es lo que [Tolias] comenzó a hacer".
Andreas Tolias y colaboradores mapearon las conexiones entre pares de neuronas y registraron su actividad eléctrica. La anatomía compleja de cinco neuronas (arriba a la izquierda) se puede reducir a un diagrama de circuito simple (arriba a la derecha). La inyección de corriente eléctrica en la neurona 2 hace que la neurona se dispare, lo que provoca cambios eléctricos en las dos células aguas abajo, las neuronas 1 y 5 (abajo). Revista Olena Shmahalo / Quanta; Andreas Tolias
Entre estas miles de conexiones neuronales, el equipo de Tolias descubrió tres reglas generales que gobiernan cómo las células están conectadas: Algunas hablan principalmente de neuronas de su propia clase; otros evitan a los de su propia clase, comunicándose principalmente con otras variedades; y un tercer grupo habla solo con algunas otras neuronas. (El equipo de Tolias definió sus células basándose en la anatomía neural más que en la función, lo cual hizo el equipo de Wei Lee en su estudio). Usando solo estas tres reglas de cableado, los investigadores pudieron simular el circuito con bastante precisión. "Ahora el desafío es descubrir qué significan algorítmicamente esas reglas de cableado", dijo Tolias. "¿Qué tipo de cálculos hacen?"
Redes neuronales basadas en neuronas reales
La inteligencia artificial cerebral no es una idea nueva. Las llamadas redes neuronales, que imitan la estructura básica del cerebro, fueron extremadamente populares en la década de 1980. Pero en ese momento, el campo carecía de la potencia informática y los datos de entrenamiento que los algoritmos necesitaban para ser realmente efectivos. Después de todo, no había disponibles todos los millones de imágenes de gatos etiquetados de Internet. Y aunque las redes neuronales han disfrutado de un gran renacimiento, los programas de reconocimiento de voz y rostro que se han convertido rápidamente en parte de nuestra vida cotidiana se basan en algoritmos de redes neuronales, como AlphaGo, la computadora que recientemente derrotó al mejor jugador Go del mundo: el las reglas que las redes neuronales artificiales usan para alterar sus conexiones son casi con certeza diferentes de las empleadas por el cerebro.
Las redes neuronales contemporáneas "se basan en lo que sabíamos sobre el cerebro en la década de 1960", dijo Terry Sejnowski, un neurocientífico computacional del Instituto Salk en San Diego que desarrolló algoritmos de redes neuronales tempranas con Geoffrey Hinton, un científico informático de la Universidad de Toronto. . "Nuestro conocimiento de cómo está organizado el cerebro está explotando".
Por ejemplo, las redes neuronales actuales se componen de una arquitectura de feed-forward, donde la información fluye de entrada a salida a través de una serie de capas. Cada capa está entrenada para reconocer ciertas características, como un ojo o un bigote. Ese análisis se alimenta, y cada capa sucesiva realiza cálculos cada vez más complejos sobre los datos. De esta forma, el programa finalmente reconoce una serie de píxeles de colores como un gato.
Pero esta estructura de feed-out deja fuera un componente vital del sistema biológico: la retroalimentación, tanto dentro de las capas individuales y de las capas de orden superior a las de menor orden. En el cerebro real, las neuronas en una capa de la corteza están conectadas a sus vecinos, así como a las neuronas en las capas superiores e inferiores, creando una intrincada red de bucles. "Las conexiones de retroalimentación son una parte increíblemente importante de las redes corticales", dijo Sejnowski. "Hay tantos comentarios como conexiones feed-forward".
Los neurocientíficos aún no entienden con precisión qué están haciendo estos circuitos de retroalimentación, aunque saben que son importantes para nuestra capacidad de dirigir nuestra atención. Nos ayudan a escuchar una voz en el teléfono mientras desactivamos los sonidos de la ciudad, por ejemplo. Parte del atractivo de la teoría de análisis por síntesis es que proporciona una razón para todas esas conexiones recurrentes. Ayudan al cerebro a comparar sus predicciones con la realidad.
Los investigadores de Microns intentan descifrar las reglas que rigen los ciclos de retroalimentación, como qué células conectan estos circuitos, qué desencadena su actividad y cómo afecta esa actividad a la salida del circuito, y luego traducen esas reglas en un algoritmo. "Lo que falta en una máquina en este momento es la imaginación y la introspección. Creo que el circuito de retroalimentación nos permite imaginar e introspectar en muchos niveles diferentes ", dijo Tai Sing Lee.
Tal vez los circuitos de retroalimentación un día doten a las máquinas de rasgos que consideramos como únicos humanos. "Si pudieras implementar [circuitería de retroalimentación] en una red profunda, podrías pasar de una red que tiene una especie de reacción instintiva (dar entrada y obtener resultados) a una que sea más reflexiva, que pueda comenzar a pensar en las entradas y las pruebas hipótesis ", dijo Sejnowski, quien se desempeña como asesor de la Iniciativa BRAIN de $ 100 millones del presidente Obama, de la cual el proyecto Microns forma parte.
Pistas para la conciencia
Al igual que todos los programas de IARPA, el proyecto Microns es de alto riesgo. Las tecnologías que los investigadores necesitan para el mapeo a gran escala de la actividad y el cableado neuronal existen, pero nadie las ha aplicado antes a esta escala. Un desafío será lidiar con la enorme cantidad de datos que produce la investigación: de 1 a 2 petabytes de datos por cubo milimétrico de cerebro. Es probable que los equipos necesiten desarrollar nuevas herramientas de aprendizaje automático para analizar todos esos datos, un ciclo de retroalimentación bastante irónico.
Tampoco está claro si las lecciones aprendidas de un pequeño pedazo de cerebro resultarán ilustrativas de los talentos más grandes del cerebro. "El cerebro no es solo una parte de la corteza", dijo Sejnowski. "El cerebro contiene cientos de sistemas especializados para diferentes funciones".
La corteza en sí misma se compone de unidades repetitivas que se ven más o menos iguales. Pero otras partes del cerebro pueden actuar de manera muy diferente. El aprendizaje de refuerzo empleado en el algoritmo AlphaGo, por ejemplo, está relacionado con procesos que tienen lugar en los ganglios basales, parte del cerebro involucrado en la adicción. "Si quieres una IA que vaya más allá del simple reconocimiento de patrones, vas a necesitar muchas partes diferentes", dijo Sejnowksi.
Sin embargo, si el proyecto tiene éxito, hará más que analizar datos de inteligencia. Un algoritmo exitoso revelará verdades importantes sobre cómo el cerebro da sentido al mundo. En particular, ayudará a confirmar que el cerebro sí opera a través del análisis por síntesis, que compara sus propias predicciones sobre el mundo con los datos entrantes que se filtran a través de nuestros sentidos. Revelará que un ingrediente clave en la receta de la conciencia es una mezcla siempre cambiante de imaginación más percepción. "Es la imaginación lo que nos permite predecir eventos futuros y usar eso para guiar nuestras acciones", dijo Tai Sing Lee. Al construir máquinas que piensan, estos investigadores esperan revelar los secretos del pensamiento.
La "máquina del tiempo" reconstruye las redes sociales de la antigua Venecia El proyecto de aprendizaje automático analizará 1.000 años de mapas y manuscritos de la edad de oro de la ciudad flotante.
Por Alison Abbott | Nature
La Máquina del Tiempo de Venecia transportará a los historiadores de la actual Plaza de San Marcos (derecha) al bullicio de la Venecia del siglo XVIII (a la izquierda). Crédito: Tauromaquia en la Plaza de San Marcos de Canaletto y Cimaroli / DeAgostini / Getty; Zetter / Istock / Getty
A pocos metros de la multitud de turistas que pasan por las concurridas plazas de Venecia, el silencio dentro de Santa María Gloriosa dei Frari es tan profundo que duele las orejas. Hace tiempo que los archivistas del Estado se apoderaron de este convento del siglo xiv, pero son tan estudiosos como los hermanos franciscanos que una vez vivieron aquí, ya que tienden los registros históricos que llenan unos 80 kilómetros de estanterías. Ahora, una tripulación de científicos cargados con equipo de alta tecnología está revolviendo las cosas en estas pilas sagradas.
La historia se cuelga pesada en el Frari, y el informático Frédéric Kaplan le gusta de esa manera. Tiene la ambición de capturar más de 1.000 años de discos en forma digital dinámica, abarcando la gloriosa era de la República de Venecia. El proyecto, que él llama la máquina del tiempo de Venecia, explorará documentos incluyendo los mapas, las monografías, los manuscritos y la partitura. Promete no sólo abrir remesas de historia ocultas a los estudiosos, sino también permitir a los investigadores buscar y referenciar la información, gracias a los avances en las tecnologías de aprendizaje automático.
Si tiene éxito, abrirá el camino para un proyecto aún más ambicioso de conectar máquinas de tiempo similares en los centros históricos de la cultura y el comercio de Europa, revelando con un detalle sin precedentes cómo las redes sociales, el comercio y el conocimiento se han desarrollado durante siglos en todo el continente. Sería Google y Facebook durante generaciones, dijo Kaplan, quien dirige el Laboratorio de Humanidades Digitales del Instituto Federal Suizo de Tecnología en Lausana (EPFL).
Aunque la década anterior ha visto muchos proyectos de digitales-humanidades que analizan, anotan e indexan manuscritos, éste se destaca por su ambiciosa escala y las nuevas tecnologías que espera usar: desde escáneres de última generación que incluso podrían leer Libros sin abrir, a algoritmos adaptables que convertirán documentos escritos a mano en texto digital y de búsqueda.
La bendición para la beca debe extenderse mucho más allá de los historiadores. Los economistas y epidemiólogos, por ejemplo, están ansiosos por acceder a los registros escritos dejados por decenas de miles de ciudadanos comunes, lo que podría revelar cómo se desarrollaron los mercados financieros o cómo se propagaron enfermedades como la plaga. "Estamos en un estado de entusiasmo electrificado por las posibilidades", dice Lorraine Daston, directora del Instituto Max Planck para la Historia de la Ciencia en Berlín. "Estoy prácticamente salivando."
La República Serena
Venecia es la ciudad perfecta para el experimento debido a su riqueza de documentación históricamente importante y bien ordenada. Fue fundada en el siglo V dC por los ciudadanos del imperio romano escapando de los invasores bárbaros del norte. Sus inhospitalarias lagunas proporcionaban una protección muy necesaria, y su ubicación en el extremo norte del mar Adriático también tenía ventajas estratégicas. Pronto se convirtió en el puesto comercial más importante entre Europa occidental y el este, lo que le aporta riqueza y poder.
A medida que el imperio de Venecia crecía, desarrolló sistemas administrativos que registraron una gran cantidad de información: quién vivía donde, los detalles de cada barco que entraba o salía del puerto, cada alteración hacía edificios o canales. La banca moderna se inventó en el Rialto, uno de los barrios más antiguos de Venecia, y los notarios allí registraron todos los intercambios comerciales y transacciones financieras.
Crucialmente, esos expedientes sobrevivieron a través de siglos turbulentos. Mientras que el resto de Europa estaba dominado por sus monarcas perpetuamente en guerra, a partir del siglo VIII Venecia comenzó a convertirse en una república estable que proporcionó la paz y el orden necesarios para que el comercio florezca. En muchos sentidos era una democracia modelo. La gente eligió a un líder - el doge - apoyado por los varios consejes, cuyos miembros también fueron elegidos generalmente. La gobernanza era secular, pero en su mayor parte coexistió tolerantemente con la religión.
El emperador francés Napoleón Bonaparte puso fin a la República Serena en 1797. En su camino a Viena durante su intento de conquistar el Imperio Austro-Húngaro, declaró la gobernabilidad secular y democrática de Venecia como una forma de autocracia y la ciudad como un enemigo De la revolución. Obligó a la República a disolverse. En 1815, el viejo Frari se convirtió en el Archivo Estatal de Venecia.
Durante las próximas décadas, todos los documentos administrativos estatales, incluidos los registros de defunción, fueron trasladados allí, junto con registros médicos, registros notariales, mapas y planos arquitectónicos, registros de patentes y una diversidad de otros documentos, algunos de otros lugares de Italia. Particularmente significativos son los informes de embajadores de Europa más amplia y el Imperio Otomano, proporcionando una fuente única de información detallada sobre la vida cotidiana. "Los embajadores venecianos eran los viajeros más atentos, entrenados para averiguar cosas como lo que se estaba descargando en los muelles, o lo que un príncipe u otro alto era como una persona", dice Daston. Sus informes estaban llenos de chismes e intrigas.
La mayor parte del archivo, escrito predominantemente en latín o en el dialecto veneciano, nunca ha sido leído por historiadores modernos. Ahora todo será introducido sistemáticamente en la máquina del tiempo de Venecia, junto con fuentes más no convencionales de datos, tales como pinturas y registros de los viajeros.
Nacimiento de una carrera
Kaplan ha pasado su carrera aplicando inteligencia artificial (IA) en las humanidades, principalmente en lingüística. Ha modelado la evolución del lenguaje, por ejemplo, utilizando AI para buscar siglos de reportajes periodísticos para patrones de palabras y frases. Pero siempre había deseado aplicar estas técnicas a la construcción de una máquina del tiempo en una ciudad europea con un par de siglos de archivos. Sus pensamientos se dirigieron primero a París, Ámsterdam o Ginebra, Suiza. Pero cuando los rectores de la EPFL y la Universidad Ca'Foscari de Venecia decidieron colaborar y solicitar ideas, inmediatamente se ofreció a desarrollar su idea del tiempo-máquina para Venecia. Recuerda vívidamente la primera vez que entró en los archivos, en 2012. El tiempo se detiene en el corral de más de 300 habitaciones, que no son ni aire acondicionado ni calefacción. En invierno son mordazmente frío, en verano sofocante caliente. Los documentos frágiles se apilan del suelo al techo, y ocasionalmente copos de papel amarillento bajan de sus bordes. "Me sentí completamente abrumado", dice. "Al ver cómo es un archivo de mil años, sabiendo que la mayoría no estaba disponible, sabía que necesitábamos hacerlo".
Cuando el proyecto se lanzó oficialmente en 2012, Kaplan sabía que exigía mucho más que su destreza computacional. Sería necesario que los historiadores anotaran los manuscritos, para proporcionar el contexto necesario para el manejo de los datos. Pueden anotar el papel de cada persona mencionada en un contrato para aclarar exactamente quién fue el destinatario, por ejemplo, o evaluar la fiabilidad de una determinada fuente de información. Los archivistas también serían necesarios, por su profundo conocimiento de la inmensa colección de documentos.
La máquina del tiempo de Venecia puede vincular a los ciudadanos y las empresas con los mapas históricos de Venecia, como esta opinión del siglo XVI de la ciudad. Crédito: EPFL / Archivio di Stato
Así que se comprometió como su co-directora Isabella di Lenardo, un historiador entrenado en Venecia que ahora está en EPFL. Los arquivistas estatales de Venecia, acostumbrados a las viejas formas de tutela, tardaron un poco más en aceptar la idea, pero al cabo de un año fueron socios de pleno derecho .
La colaboración interdisciplinaria comenzó de inmediato a recoger el tipo de oscuro conocimiento archivístico que tiende a no penetrar al mundo exterior. Por ejemplo, aunque los informes de los embajadores son una fuente particularmente rica de detalles, a menudo se escriben en código para mantener los mensajes en secreto, una fuente de frustración para los historiadores. Sin embargo, una conversación informal entre los miembros del equipo condujo al descubrimiento fortuito de un pequeño libro del siglo XVI llamado Libro de le cifre, que proporcionó el código de cifrado para los informes de algunos embajadores venecianos. Los historiadores ahora se preparan con entusiasmo para descifrar sus secretos.
Historial de escaneo
Incluso antes de que llegara la Máquina del Tiempo de Venecia, los Archivos del Estado habían iniciado un proyecto de digitalización financiado por el Ministerio de Patrimonio Cultural de Italia. En 2006, un enorme escáner de propósito específico comenzó a digitalizar la preciosa tienda de archivos de más de 3.000 mapas de ciudades italianas, incluyendo muchos encargados por Napoleón. Estos mapas 'catastrales' delimitan los límites de las propiedades y registran la propiedad d pequeñas parcelas de tierra; Algunos de los documentos son tan grandes como 4 metros por 7 metros.
La máquina del tiempo de Venecia ha cambiado este proceso en la sobremarcha, trayendo en otro estado-de-the-art, alta velocidad escáneres especialmente adaptados para el proyecto. Incluyen uno con un brazo robótico para girar las páginas de libros y un imponente escáner rotativo con un plato giratorio de 2 metros de ancho que permite a los técnicos de pie en lados opuestos para alimentar múltiples documentos de tamaño A3 al mismo tiempo. Estos escáneres ahora forman una tubería que produce varios miles de imágenes de alta definición por hora, alimentando terabytes de información a los servidores en Venecia para almacenamiento a largo plazo, ya Lausana, donde las computadoras de alto rendimiento transforman las imágenes en texto digital listas para anotación.
La lectura automática de manuscritos manuscritos antiguos es un reto importante. El software estándar de reconocimiento de caracteres permite que los libros impresos se lean letra por letra a pesar de las variaciones en las fuentes y, por lo tanto, se pueden buscar. Pero esto no funciona para manuscritos manuscritos, donde las formas de las letras individuales pueden variar enormemente entre los escribas, y pueden evolucionar con el tiempo. En una colaboración de la Unión Europea denominada Reconocimiento y Enriquecimiento de Documentos de Archivo (READ) se están desarrollando diversos enfoques para resolver el problema. Kaplan, un miembro de la colaboración, está aplicando actualmente su acercamiento preferido a la máquina del tiempo de Venecia, usando el aprendizaje de la máquina para reconocer las formas de palabras enteras.
Aprendizaje de la máquina se basa en algoritmos que modifican sus propias reglas y comportamiento a medida que recogen ejemplos de conjuntos de datos, afinando sus habilidades con cada nueva experiencia. Los algoritmos de la máquina del tiempo están diseñados para analizar la estructura del texto escrito y extraer formas gráficas que parecen similares, formando un vínculo entre ellas (ver 'Hacking history'). Esto permite que un usuario encuentre un nombre en un documento y luego pida al sistema que revele dónde aparece el mismo nombre en todos los otros manuscritos de la base de datos.
En la próxima década, estos escáneres podrían unirse a un instrumento que lee libros sin siquiera abrirlos. El concepto se basa ahora en las técnicas de barrido de tomografía computarizada (TC) utilizadas en medicina, donde las imágenes de rayos X tomadas en diferentes ángulos forman una imagen 3D del interior de un cuerpo, cortada por rodaja. Los científicos de EPFL están investigando la composición de tintas antiguas para identificar moléculas que podrían actuar como agentes de contraste de rayos X. "Puede necesitar más de cinco años antes de que el escáner tomográfico pueda ser puesto en operación", dice Kaplan. Pero ofrecería enormes ventajas: podría escanear libros mucho más rápido, examinar volúmenes delicados sin daños y acceder a los cientos de miles de frágiles testamentos sellados en los archivos de Venecia que se destruirían si se abrieran.
Redes sociales
A pesar de que estas tecnologías se están desarrollando y refinado, la máquina del tiempo de Venecia ya está demostrando cómo puede ayudar a remodelar la comprensión de los estudiosos del pasado. Las narrativas que llenan los libros de texto de la historia se construyen generalmente alrededor de gente famosa, porque se sabe mucho más sobre ellos. Sin embargo, la máquina del tiempo se hinchará con el tipo de registros mundanos que los administradores estatales en todas partes rutinariamente se reúnen para hacer un seguimiento de sus poblaciones. Esto permitirá a los historiadores reconstruir la vida de cientos de miles de personas comunes - artesanos y comerciantes, enviados y comerciantes - y construir narrativas históricas mucho más redondeadas.
Los Archivos del Estado de Venecia contienen documentos que abarcan 1.000 años, llenando 80 kilómetros de estanterías. Crédito: EPFL / Archivio di Stato
El enfoque eficiente de Napoleón a la administración estatal ha sido especialmente valioso para el proyecto. Un mapa catastral de Venecia que él encargó en 1808 ha proporcionado una columna vertebral de datos confiables, permitiendo a historiadores agregar contexto geográfico a un censo 1740 que enumera a los ciudadanos que poseyeron y alquilaron la característica en la ciudad. Al combinar esto con información 3D sobre edificios de pinturas como las de Canaletto, el equipo de relojería ha realizado una gira animada por Venecia, mostrando qué negocios estaban activos en cada edificio de la época. "Napoleón pudo haber puesto fin a la República de Venecia", dice Kaplan, "pero para nosotros fue el punto de partida para la recuperación de su historia".
Kaplan y di Lenardo también han hecho una serie de otras animaciones de Venecia sobre el espacio y el tiempo, que serán actualizadas y enriquecidas a medida que se alimenten más datos en la máquina. Se trata de un video dinámico del desarrollo del Rialto a partir de 950 dC, utilizando diversas fuentes de información en diferentes momentos. La simulación muestra cómo los edificios -y el icónico Puente de Rialto- surgieron entre las marismas, junto con la destrucción periódica de la zona por incendios y reconstrucciones posteriores.
Otras simulaciones etiquetan edificios en el Rialto con nombres de empresas familiares, o representan las redes sociales que se formaron entre los venecianos y otros en toda Europa. The Venice Time Machine asume que hay una conexión entre personas cuyos nombres aparecen en el mismo documento, y esto le permite mostrar a cada persona como un nodo en una red de conexiones. Cuando los mismos individuos surgen en otros documentos, la web comienza a crecer hasta convertirse en una red gigante - al igual que los científicos elaboran redes sociales a partir de datos de Facebook o Twitter. Esta red debería permitir a los historiadores descubrir detalles sobre la vida de un gran número de personas desconocidas en Venecia y más allá, y su lugar en la sociedad.
Unidades bancarias y plagas
Daston piensa que la máquina del tiempo podría ayudar a responder a una lista casi interminable de preguntas históricas. Por ejemplo, podría mostrar cómo se desarrolló el lenguaje para describir las extrañas especies animales traídas a los muelles de Venecia desde países recién descubiertos, o podría rastrear las trayectorias de académicos y científicos mientras vagaban por Europa.
Su pasión personal es la epistemología de la medición. "Todo el mundo estaba loco por medir el mundo en el siglo XVII, pero las unidades de medida apenas se mencionaban en los siglos XV y XVI", dice. "Ser capaz de hacer búsquedas de palabras clave a lo largo de los siglos podría ayudarnos a entender cómo se estableció la ciencia de la medición".
Ese entusiasmo se derrama de la historia a otros campos. El historiador económico Joan Rosés, de la Escuela de Economía y Ciencia Política de Londres, dice que siglos de información de los notarios de una ciudad tan importante para la historia económica de Venecia "podrían ayudar a cambiar nuestra comprensión de cómo funcionan los mercados financieros". Gran parte de la teoría económica se desarrolló sin datos sólidos, dice, y los economistas que buscan una base de evidencia más sólida se ven obstaculizados por la falta de conjuntos de datos adecuados sobre cosas como las transacciones y el flujo de dinero. Los registros modernos, incluidos los de los bancos, tienen un valor limitado: los datos ya han sido procesados de acuerdo con la teoría económica a la que la institución suscribe. Los conjuntos de datos históricos son más limpios porque registran el comportamiento crudo e intuitivo - simplemente quién vendió qué, por cuánto. Pero los grandes archivos financieros de Europa, como el Archivo Notarial de Cataluña en Barcelona, no están en línea. "Cuando voy al archivo de Barcelona para la investigación, puedo leer sólo tres documentos al día", dice Rosés, "por lo que la Máquina del Tiempo de Venecia será un cambiante". Y hay mucho que aprender de las personas que eran económicas Fallas "Se puede deducir un montón de cosas estúpidas si sólo estudian con éxito, la gente famosa - las únicas personas que conocemos mucho", dice.
El epidemiólogo Marcel Salathé, de EPFL, ya está colaborando con la máquina del tiempo de Venecia, mirando en los registros que revelan los nombres y lugares de las personas que murieron, a menudo con detalles sobre las circunstancias de su fallecimiento. "Es como un registro de salud electrónico primitivo", dice. La peste aniquiló a un tercio de la población de Venecia a mediados del siglo XVII, y Salathé espera descubrir más acerca de cómo se propaga la enfermedad. Los brotes todavía ocurren en todo el mundo, pero hay grandes lagunas en los datos sobre su transmisión. La investigación con animales por sí sola no puede llenarlos, y los conjuntos de datos humanos modernos son demasiado pequeños para ayudar, dice.
Kaplan espera que Venecia sea sólo un punto de partida. La máquina del tiempo de Venecia se ha aplicado, con socios de toda Europa, para convertirse en uno de los próximos millones de euros de los programas emblemáticos financiados por la Unión Europea. Si gana, creará máquinas de tiempo en otras ciudades con archivos similarmente importantes, y los unirá. A principios de este año, un consorcio de académicos holandeses lanzó la máquina del tiempo de Amsterdam, aunque todavía tiene que obtener financiación. Su coordinadora, Julia Noordegraaf de la Universidad de Amsterdam, que estudia la historia de las industrias creativas, dice que es "una gran oportunidad para estudiar el tráfico cultural entre Ámsterdam y Venecia durante su edad de oro en el siglo XVII". Una Máquina del Tiempo de París también está en discusión.
Las ambiciones desenfrenadas del proyecto del tiempo-máquina son una preocupación para algunos investigadores, no menos porque muchas de sus tecnologías de la base todavía se están desarrollando. "La visión de extender la representación digital en diferentes franjas horarias es absolutamente, evidentemente correcta, pero podría ser mejor desarrollar cosas más en muchos proyectos pequeños y diferentes", dice Jürgen Renn, pionero en digital-humanidades y director En el Instituto Max Planck para la Historia de la Ciencia.
Sin embargo, Daston sospecha que la máquina del tiempo anuncia una nueva era de estudio histórico. "Nosotros, los historiadores, fuimos bautizados con el polvo de los archivos", dice. "El futuro puede ser diferente".
Revelando las capas ocultas de aprendizaje profundo 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.
