Portada
mis comunidades
otras secciones
#47:
#16 Lo dice por muy por encima #17.
Por dar un cuarto de paso más: una red neuronal más o menos básica es, eso, una serie de capas de "neuronas", tienes una de entrada, x intermedias y una capa de salida.
También de manera simple, las neuronas de una capa envían su información a las de la siguiente, así hasta la final. Esa información es, básicamente, un número (lo que se interprete con ese número ya es otra cosa).
Pero, y aquí está lo importante, el meollo, la información que emite una neurona a otra no tiene que ser el mismo, sino que se ve afectado por un factor, en su versión más sencilla es una cifra que multiplica el valor de esa información. Ese factor, ese llamado peso, puede ser cualquier número real, es decir, que puede ser superior a uno (lo aumenta), igual a uno (lo deja igual) entre cero y uno (lo reduce), cero (lo anula) o negativo (hace que reste respecto a lo demás).
Así las cosas, en la fase de entrenamiento, es poner esos factores de manera aleatoria y le presentas el primer dato de entrada y la salida esperada. Por el algoritmo de aprendizaje de turno (no voy a entrar en ello) la red corrige los factores para hacer que esa entrada dé esa salida. Entonces le presentas la segunda entrada con la salida deseada, la red entonces vuelve a modificar esos parámetros para dar con esa salida a partir de esa entrada. Así una y otra vez. A cada ejemplo que se pone, la red va corrigiendo, adaptando esos factores.
Ni que decir tiene que esta fase es crítica y que muchas, por no decir todas o casi todas, las veces que oigas hablar de una IA que es sexista o racista será porque en la fase de entrenamiento no se ha hecho con los ejemplos adecuados.
También, según el método de adaptación de factores, que es lo que llamamos "aprendizaje", hay ciertos riesgos para dar con soluciones óptimas, saber cuándo parar, etc., pero bueno, vamos a imaginar que estamos en un caso ideal.
Así que después de todo este lío, en el ejemplo que nos ocupa la cosa podría ser tal que así:
Tienes una imagen. Esa imagen no es más que un conjunto de puntos, de pixels. Esos pixels se corresponden con un color (estoy simplificando) que puedes representar en código RGB(*) y por tanto es un número.
Así que en la primera capa tienes una ristra de tantas neuronas como píxels de la imagen, en cada una de ellas el RGB del pixel que representa. Después X capas (¿cuántas? a saber, eso se estudia) y al final una capa de salida con una única neurona con salida 0 ó 1 en función si es de un sexo u otro.
Así que le enseñas fotos de unos y otros, le dices la salida que tiene que dar en cada caso, se va ajustando y cuando ya tienes el aprendizaje cerrado le enseñas fotos nuevas y que te vaya diciendo.
Sí, lo interesante es lo que no he contado: cómo se ajustan esos parámetros, pero estoy en un comentario de menéame, no haciendo una tesis aunque me quede largo el comentario.
(*) RGB, en versión simple, se trata de representar un color como suma de rojo, verde y azul (siglas en inglés) y la "cantidad" de cada color viene dada por un número, habitualmente entre 0 y 255.
Por dar un cuarto de paso más: una red neuronal más o menos básica es, eso, una serie de capas de "neuronas", tienes una de entrada, x intermedias y una capa de salida.
También de manera simple, las neuronas de una capa envían su información a las de la siguiente, así hasta la final. Esa información es, básicamente, un número (lo que se interprete con ese número ya es otra cosa).
Pero, y aquí está lo importante, el meollo, la información que emite una neurona a otra no tiene que ser el mismo, sino que se ve afectado por un factor, en su versión más sencilla es una cifra que multiplica el valor de esa información. Ese factor, ese llamado peso, puede ser cualquier número real, es decir, que puede ser superior a uno (lo aumenta), igual a uno (lo deja igual) entre cero y uno (lo reduce), cero (lo anula) o negativo (hace que reste respecto a lo demás).
Así las cosas, en la fase de entrenamiento, es poner esos factores de manera aleatoria y le presentas el primer dato de entrada y la salida esperada. Por el algoritmo de aprendizaje de turno (no voy a entrar en ello) la red corrige los factores para hacer que esa entrada dé esa salida. Entonces le presentas la segunda entrada con la salida deseada, la red entonces vuelve a modificar esos parámetros para dar con esa salida a partir de esa entrada. Así una y otra vez. A cada ejemplo que se pone, la red va corrigiendo, adaptando esos factores.
Ni que decir tiene que esta fase es crítica y que muchas, por no decir todas o casi todas, las veces que oigas hablar de una IA que es sexista o racista será porque en la fase de entrenamiento no se ha hecho con los ejemplos adecuados.
También, según el método de adaptación de factores, que es lo que llamamos "aprendizaje", hay ciertos riesgos para dar con soluciones óptimas, saber cuándo parar, etc., pero bueno, vamos a imaginar que estamos en un caso ideal.
Así que después de todo este lío, en el ejemplo que nos ocupa la cosa podría ser tal que así:
Tienes una imagen. Esa imagen no es más que un conjunto de puntos, de pixels. Esos pixels se corresponden con un color (estoy simplificando) que puedes representar en código RGB(*) y por tanto es un número.
Así que en la primera capa tienes una ristra de tantas neuronas como píxels de la imagen, en cada una de ellas el RGB del pixel que representa. Después X capas (¿cuántas? a saber, eso se estudia) y al final una capa de salida con una única neurona con salida 0 ó 1 en función si es de un sexo u otro.
Así que le enseñas fotos de unos y otros, le dices la salida que tiene que dar en cada caso, se va ajustando y cuando ya tienes el aprendizaje cerrado le enseñas fotos nuevas y que te vaya diciendo.
Sí, lo interesante es lo que no he contado: cómo se ajustan esos parámetros, pero estoy en un comentario de menéame, no haciendo una tesis aunque me quede largo el comentario.
(*) RGB, en versión simple, se trata de representar un color como suma de rojo, verde y azul (siglas en inglés) y la "cantidad" de cada color viene dada por un número, habitualmente entre 0 y 255.
#73:
#54 Gracias. En realidad no es más que lo que se pondría en la contraportada de un libro sobre el tema. Tampoco es que sepa yo mucho más, pero en su momento tuve que estudiar una asignatura al respecto y programar una red para que, en lo que sería un recorte de de google maps (con bastante zoom, en distancia real sería un cuadrado de 300 metros de lado o así) la IA fuese capaz de sacar otra imagen donde se representasen los caminos, sólo los caminos, que había en la misma, en plan "fondo blanco y en negro dibujados los caminos", que parecía que los hubiese pintado un niño de cinco años con el paint, pero salió.
Me parece un campo fascinante, y que para el que no ha leído nada al respecto le puede parecer magia negra, pero luego empiezas a ver las cosas cómo funcionan y te das cuenta de que los procedimientos son en realidad cositas muy sencillas, que luego vas complicando y tal, pero conceptualmente muy sencillas "pero se te tienen que ocurrir". Luego puedes avanzarlo y complicarlo mucho, por supuesto, pero incluso con redes neuronales conceptualmente sencillas puedes hacer cosas muy, muy complejas. El problema está en que requerirás mucha capacidad de cálculo para un mismo resultado en comparación con otras.
Me parece un campo fascinante, y que para el que no ha leído nada al respecto le puede parecer magia negra, pero luego empiezas a ver las cosas cómo funcionan y te das cuenta de que los procedimientos son en realidad cositas muy sencillas, que luego vas complicando y tal, pero conceptualmente muy sencillas "pero se te tienen que ocurrir". Luego puedes avanzarlo y complicarlo mucho, por supuesto, pero incluso con redes neuronales conceptualmente sencillas puedes hacer cosas muy, muy complejas. El problema está en que requerirás mucha capacidad de cálculo para un mismo resultado en comparación con otras.
#41:
#16 Vamos a ver, la noticia es un tanto sensacionalista porque claro que saben cómo lo hace.
Para entrenar un algoritmo de una IA hacen falta miles o millones de casos de ejemplo, según a qué esté destinado. Todo va a una base de datos gigantesca. Cuando se habla de este tipo de IA basadas en machine learning no se trata de inteligencias que intenten replicar a la humana porque no saben pensar por sí mismas, tomando decisiones basadas en estados de ánimo, o los miles de parámetros que pueda tener un humano, sino en algoritmos que tomen una decisión basándose en datos concretos y cuantificables.
Seguro que en esos fondos de ojo que se pasan como aprendizaje existen patrones, tonalidades, tamaños, etc... que a un humano le llevaría bastante tiempo procesar. La máquina recibe la imagen y el dato de si es hombre o mujer. Cuando se le pide identificar otra imagen, "simplemente" compara con las que tiene. Si coincide en color de la retina, patrones en arterias o venas, tamaño de fovea, etc... con un alto porcentaje de fondos de ojo de mujer, pues será mujer. Si no, pues hombre.
¿Qué es lo interesante de esto? pues determinar que sexo es, es solo un comienzo. Imagina que meten todo el historial clínico de las 80.000 muestras usadas. Si una patología por casualidad se representa de alguna forma en esa imagen del paciente, la IA podría distinguirla si se programa para ello. Por lo que podrías en un futuro no determinar el sexo, sino ver quién puede padecer Parkinson en los próximos 10 años, por poner un ejemplo inventado.
Para entrenar un algoritmo de una IA hacen falta miles o millones de casos de ejemplo, según a qué esté destinado. Todo va a una base de datos gigantesca. Cuando se habla de este tipo de IA basadas en machine learning no se trata de inteligencias que intenten replicar a la humana porque no saben pensar por sí mismas, tomando decisiones basadas en estados de ánimo, o los miles de parámetros que pueda tener un humano, sino en algoritmos que tomen una decisión basándose en datos concretos y cuantificables.
Seguro que en esos fondos de ojo que se pasan como aprendizaje existen patrones, tonalidades, tamaños, etc... que a un humano le llevaría bastante tiempo procesar. La máquina recibe la imagen y el dato de si es hombre o mujer. Cuando se le pide identificar otra imagen, "simplemente" compara con las que tiene. Si coincide en color de la retina, patrones en arterias o venas, tamaño de fovea, etc... con un alto porcentaje de fondos de ojo de mujer, pues será mujer. Si no, pues hombre.
¿Qué es lo interesante de esto? pues determinar que sexo es, es solo un comienzo. Imagina que meten todo el historial clínico de las 80.000 muestras usadas. Si una patología por casualidad se representa de alguna forma en esa imagen del paciente, la IA podría distinguirla si se programa para ello. Por lo que podrías en un futuro no determinar el sexo, sino ver quién puede padecer Parkinson en los próximos 10 años, por poner un ejemplo inventado.
#49:
#16 El titular es un poco sensacionalista. Pero si, no se sabe como lo hace por la propia naturaleza del paradigma de redes neuronales artificiales. Digamos que una red neuronal artificial es una estructura de nodos interconectados (miles o millones) dispuesta en capas (entrada, capas intermedias, salida). Cada nodo de la red recibe la entrada de todos los nodos de la capa anterior y envía su salida a todos los nodos de la capa posterior. Cada nodo realiza una simple operación de suma ponderada (esto significa que el valor de cada entrada es primeramente multiplicado por un valor arbitrario: peso o weight) de todas las entradas que recibe y el resultado de esa suma lo pasa por una función de salida (sigmoide, relu, u otras) y lo reparte a los nodos de la siguiente capa, que realizarán una operación idéntica y así sucesivamente hasta la salida en la que cada nodo corresponderá con una respuesta esperable.
Estas redes se "entrenan" con un procedimiento iterativo en el que se presentan un gran número de pares Entrada-salida, (en este caso concreto serían pares retina-sexo) y por medio de un procedimiento de ajuste automático de minimización del error (gradient descent) se van ajustando todos y cada uno de los pesos (weights) de la red hasta que se consigue que la respuesta a la salida de la red corresponda a la que se espera. Entonces se dice que la red está entrenada. No se puede saber como la red lo hace porque hay miles o millones de parámetros (weights) que han sido ajustados automáticamente durante el entrenamiento para que den el resultado esperado y analizar como esos ajustes de los parámetros provocan la salida pues es algo bastante complejo más que nada porque son miles, millones de variables.
Estas redes se "entrenan" con un procedimiento iterativo en el que se presentan un gran número de pares Entrada-salida, (en este caso concreto serían pares retina-sexo) y por medio de un procedimiento de ajuste automático de minimización del error (gradient descent) se van ajustando todos y cada uno de los pesos (weights) de la red hasta que se consigue que la respuesta a la salida de la red corresponda a la que se espera. Entonces se dice que la red está entrenada. No se puede saber como la red lo hace porque hay miles o millones de parámetros (weights) que han sido ajustados automáticamente durante el entrenamiento para que den el resultado esperado y analizar como esos ajustes de los parámetros provocan la salida pues es algo bastante complejo más que nada porque son miles, millones de variables.
#52:
#42 Una vez más, las máquinas van superando a los humanos en casi todo. Antes sólo eran más sencilas, más rápidas, más fuertes y más resistentes. Ahora también son más inteligentes.
Pero que no te de miedo: cuanto más inteligente es un ser, más pacífico y "bueno" es. Se observa en los animales y también en los humanos: la gente violenta casi siempre es más tonta.
Pero que no te de miedo: cuanto más inteligente es un ser, más pacífico y "bueno" es. Se observa en los animales y también en los humanos: la gente violenta casi siempre es más tonta.
#2:
Buf, qué ganas de encabronar a las minorías tienen algunas inteligencias.
De todos modos, si la cámara tiene suficiente resolución es posible que sea capaz de detectar el número de ¿batoncillos? que reciben el color (¿la luz?) en el iris. Se supone que por eso las mujeres distinguen mejor las tonalidades de colores y por eso se manejan mejor con eso.
De todos modos, si la cámara tiene suficiente resolución es posible que sea capaz de detectar el número de ¿batoncillos? que reciben el color (¿la luz?) en el iris. Se supone que por eso las mujeres distinguen mejor las tonalidades de colores y por eso se manejan mejor con eso.
Comentarios
Perturbador.
Buf, qué ganas de encabronar a las minorías tienen algunas inteligencias.
De todos modos, si la cámara tiene suficiente resolución es posible que sea capaz de detectar el número de ¿batoncillos? que reciben el color (¿la luz?) en el iris. Se supone que por eso las mujeres distinguen mejor las tonalidades de colores y por eso se manejan mejor con eso.
Sexo: carente y ansiado
#3 dice hombre o mujer, no se refiere a "vasco/no vasco"
#4 Además eso otro lo puede detectar cualquiera en los ojos de un vasco.
Je, pero seguro que no puede saber de qué raza me siento y de qué sexo me siento dependiendo de la hora del día .
De aqui a los cerebros positronicos en nada
¿Cómo que no? El de la miniatura es una tía, fijo.
#8 Dicen que no saben cómo lo hace, no que un humano no pueda distinguir el sexo de alguien sólo mirando a los ojos.
Ojos
#2 La diferencia está en los conos, no en los bastones. Y no es una cuestión de número sino de sensibilidad. Si los científicos no saben cómo hacerlo es porque no tienen ni idea de cómo lo hace la IA.
#11 La diferencia está en los conos
Jajaja! Te ha gastado una mala pasada el autocorrector, ha escrito “conos”
#8 Reconoce el fondo del ojo, que es algo como esto:
#11 Tienes razón en lo de la sensibilidad de los conos. Recordaba haber leído algo del número de conos y he mezclado cosas. Algunas mujeres tienen una mutación llamada tetracromía que les hace tener un cuarto tipo de cono y por eso distinguen más colores que todos los hombres y que las mujeres sin la mutación.
Por el esteticismo de las pestañas y las cejas.
Desde la más absoluta ignorancia sobre cómo están programadas estas cosas:
Una vez constatado que lo hace ¿de verdad no es posible saber cómo lo hace? Porque eso sí que sería perturbador
Esto es lo normal en machine learning.
El modelo se entrena, se verifica si funciona con ejemplos reales y se usa, pero no se comprende.
#10 Es fácil... Cuando los valores se salgan de rango o desborde la pila = Informático... Ya sabe hacer 3 cosas la IA hombre/mujer/Informático
Si no recuerdo mal habia otra IA que detectaba bastante bien si eras homosexual solo por la cara. Hubo muchas criticas a ese proyecto. A ver si encuentro el link
Skynet, calienta que sales
#8 Eso se nota por las pestañas, pero esa es una foto para ilustrar la noticia, no es la que le pasan a la IA.
"se ha logrado predecir el sexo de una persona, simplemente analizando la retina en una foto del fondo de su ojo. Podría parecer una banalidad si no fuese porque, a día de hoy, no se sabe cuáles son las características que diferencian la retina de hombres y mujeres"
#16 Como si fuese el primer programa informático que está funcionando 'bien' en producción y ni el que lo programó sabe cómo es posible que funcione 'bien'.
Tiene truco, en realidad mira si las pestañas están peinadas o rizadas.
Mmm, ¿sexo biológico? ¿Y si soy compañere?
Esta IA es un invento del heteropatriarcado para determinar nuestro sexo sin tener en cuenta nuestra autopercepción. Una máquina que destila odio, transfobia y enebefobia.
#17 Que miedo si acaban tomando decisiones sobre la sociedad (y si llegan a dar mejores resultados que las personas acabarán haciéndolo).
IA: si no matáis a todos los pelirrojos entre 28 y 45 años habrá una guerra en la que morirán millones.
Nosotros: ¿Por qué?
IA: si no matáis a todos los pelirrojos entre 28 y 45 años habrá una guerra en la que morirán millones.
Hace lo mismo que este:
Buena serie... Pero corta
#13 Joer macho, ya me has hecho leer la entradilla.
Ya te vale.
#16 No es tan perturbador como podria parecer en un principio, todos usamos diariamente cosas que a nivel individual no sabemos como funcionan.
En la ciencia es bastante comun, muchas veces se usan enunciados y teorias que funcionan en la practica pero que se sabe que son p arcialmente erroneos, incompletos o no se sabe explicar porque funcionan asi. Al fin de cuentas una teoria que funciona es cierta hasta que alguien demuestra que es falsa o propone una mejor. La diferencia radica en que las maquinas se alimentan con una cantidad descomunal de datos inalcanzable para un humano.
#13 ese es claramente de una mujer, no se le ven los huevos
Efectivamente es como dices, no se puede saber, y sí, es perturbador. En el futuro pasará con más cosas porque la IA tiene todavía mucho margen para aplicaciones que hoy en día son impensables.
Voto que otra vez está pasando lo de la nieve y los lobos.
Predecir no creo que sea el término que buscan
Y más que va a ocurrir sobre estas conclusiones (certeras) que no sabemos como Llegan a ellas
#29 Pues se parece bastante a uno visto a trasluz.
#14 Osea, que las mujeres tienen más conos y más tetras.
#16 No, no se puede saber, y si, es un poco perturbador e interesante a la vez.
#2 ¿A qué minorías, concretamente?
y tanto. ¿Cómo adivinará cómo te autopercibes?
#16 suele pasar mucho. Y a veces ocurre con programas que se “vuelven racistas” y no faltan idiotas diciendo que han sido hechos así a cosa hecha
#25 Esto va a cambiar el mundo muy rápido.
#16 Vamos a ver, la noticia es un tanto sensacionalista porque claro que saben cómo lo hace.
Para entrenar un algoritmo de una IA hacen falta miles o millones de casos de ejemplo, según a qué esté destinado. Todo va a una base de datos gigantesca. Cuando se habla de este tipo de IA basadas en machine learning no se trata de inteligencias que intenten replicar a la humana porque no saben pensar por sí mismas, tomando decisiones basadas en estados de ánimo, o los miles de parámetros que pueda tener un humano, sino en algoritmos que tomen una decisión basándose en datos concretos y cuantificables.
Seguro que en esos fondos de ojo que se pasan como aprendizaje existen patrones, tonalidades, tamaños, etc... que a un humano le llevaría bastante tiempo procesar. La máquina recibe la imagen y el dato de si es hombre o mujer. Cuando se le pide identificar otra imagen, "simplemente" compara con las que tiene. Si coincide en color de la retina, patrones en arterias o venas, tamaño de fovea, etc... con un alto porcentaje de fondos de ojo de mujer, pues será mujer. Si no, pues hombre.
¿Qué es lo interesante de esto? pues determinar que sexo es, es solo un comienzo. Imagina que meten todo el historial clínico de las 80.000 muestras usadas. Si una patología por casualidad se representa de alguna forma en esa imagen del paciente, la IA podría distinguirla si se programa para ello. Por lo que podrías en un futuro no determinar el sexo, sino ver quién puede padecer Parkinson en los próximos 10 años, por poner un ejemplo inventado.
#1 ¡Miedo me da!
#39 precisamente pensaba en qué haría una IA si se le proporcionan todos los datos disponibles sobre todos los delincuentes de un país, pongamos USA, y se le pide que trate de prever qué ciudadanos es más probable que cometan delitos. Cabría imaginar que la IA señalaría a los afroamericanos, no por la forma en la que se le habría programado sino por los datos que se le habrían proporcionado
#22
Cuanto más tristón menos sexo. Ni IA ni AI.
Estoy segurísimo que una noticia muy similar salió por aquí en portada hace ya unos cuantos meses, pero no la encuentro. Quería ver si esta contaba cosas nuevas, pero vamos, tiene pinta de ser muy parecida.
#16 Lo dice por muy por encima #17.
Por dar un cuarto de paso más: una red neuronal más o menos básica es, eso, una serie de capas de "neuronas", tienes una de entrada, x intermedias y una capa de salida.
También de manera simple, las neuronas de una capa envían su información a las de la siguiente, así hasta la final. Esa información es, básicamente, un número (lo que se interprete con ese número ya es otra cosa).
Pero, y aquí está lo importante, el meollo, la información que emite una neurona a otra no tiene que ser el mismo, sino que se ve afectado por un factor, en su versión más sencilla es una cifra que multiplica el valor de esa información. Ese factor, ese llamado peso, puede ser cualquier número real, es decir, que puede ser superior a uno (lo aumenta), igual a uno (lo deja igual) entre cero y uno (lo reduce), cero (lo anula) o negativo (hace que reste respecto a lo demás).
Así las cosas, en la fase de entrenamiento, es poner esos factores de manera aleatoria y le presentas el primer dato de entrada y la salida esperada. Por el algoritmo de aprendizaje de turno (no voy a entrar en ello) la red corrige los factores para hacer que esa entrada dé esa salida. Entonces le presentas la segunda entrada con la salida deseada, la red entonces vuelve a modificar esos parámetros para dar con esa salida a partir de esa entrada. Así una y otra vez. A cada ejemplo que se pone, la red va corrigiendo, adaptando esos factores.
Ni que decir tiene que esta fase es crítica y que muchas, por no decir todas o casi todas, las veces que oigas hablar de una IA que es sexista o racista será porque en la fase de entrenamiento no se ha hecho con los ejemplos adecuados.
También, según el método de adaptación de factores, que es lo que llamamos "aprendizaje", hay ciertos riesgos para dar con soluciones óptimas, saber cuándo parar, etc., pero bueno, vamos a imaginar que estamos en un caso ideal.
Así que después de todo este lío, en el ejemplo que nos ocupa la cosa podría ser tal que así:
Tienes una imagen. Esa imagen no es más que un conjunto de puntos, de pixels. Esos pixels se corresponden con un color (estoy simplificando) que puedes representar en código RGB(*) y por tanto es un número.
Así que en la primera capa tienes una ristra de tantas neuronas como píxels de la imagen, en cada una de ellas el RGB del pixel que representa. Después X capas (¿cuántas? a saber, eso se estudia) y al final una capa de salida con una única neurona con salida 0 ó 1 en función si es de un sexo u otro.
Así que le enseñas fotos de unos y otros, le dices la salida que tiene que dar en cada caso, se va ajustando y cuando ya tienes el aprendizaje cerrado le enseñas fotos nuevas y que te vaya diciendo.
Sí, lo interesante es lo que no he contado: cómo se ajustan esos parámetros, pero estoy en un comentario de menéame, no haciendo una tesis aunque me quede largo el comentario.
(*) RGB, en versión simple, se trata de representar un color como suma de rojo, verde y azul (siglas en inglés) y la "cantidad" de cada color viene dada por un número, habitualmente entre 0 y 255.
#19 Pues te vas a reir, pero la estadística y el big data es el que es, y si se meten suficientes datos de ejemplo y siempre que exista un patrón, por mínimo que sea (que siempre lo hay) podría funcionar perfectamente con un porcentaje moderado de aciertos.
#16 El titular es un poco sensacionalista. Pero si, no se sabe como lo hace por la propia naturaleza del paradigma de redes neuronales artificiales. Digamos que una red neuronal artificial es una estructura de nodos interconectados (miles o millones) dispuesta en capas (entrada, capas intermedias, salida). Cada nodo de la red recibe la entrada de todos los nodos de la capa anterior y envía su salida a todos los nodos de la capa posterior. Cada nodo realiza una simple operación de suma ponderada (esto significa que el valor de cada entrada es primeramente multiplicado por un valor arbitrario: peso o weight) de todas las entradas que recibe y el resultado de esa suma lo pasa por una función de salida (sigmoide, relu, u otras) y lo reparte a los nodos de la siguiente capa, que realizarán una operación idéntica y así sucesivamente hasta la salida en la que cada nodo corresponderá con una respuesta esperable.
Estas redes se "entrenan" con un procedimiento iterativo en el que se presentan un gran número de pares Entrada-salida, (en este caso concreto serían pares retina-sexo) y por medio de un procedimiento de ajuste automático de minimización del error (gradient descent) se van ajustando todos y cada uno de los pesos (weights) de la red hasta que se consigue que la respuesta a la salida de la red corresponda a la que se espera. Entonces se dice que la red está entrenada. No se puede saber como la red lo hace porque hay miles o millones de parámetros (weights) que han sido ajustados automáticamente durante el entrenamiento para que den el resultado esperado y analizar como esos ajustes de los parámetros provocan la salida pues es algo bastante complejo más que nada porque son miles, millones de variables.
#12 las ninas tienen conos, los ninos tienen bastones
#38 A eso venia yo, ya vislumbro las rabietas...
#42 Una vez más, las máquinas van superando a los humanos en casi todo. Antes sólo eran más sencilas, más rápidas, más fuertes y más resistentes. Ahora también son más inteligentes.
Pero que no te de miedo: cuanto más inteligente es un ser, más pacífico y "bueno" es. Se observa en los animales y también en los humanos: la gente violenta casi siempre es más tonta.
#17 Es lo normal en deep learning, no en todo el machine learning.
#47 Muchas gracias, qué bien explicado.
#10 No sabes la ilusión que me ha hecho el volver a leer lo de desbordamiento de pila
#26 ¿Y ninguno era las dos cosas?
#51 jejeje. Parece que ya le está picando a alguno que otro mi ironía en #24
#24 ¿Es aquí donde reparan sarcasmómetros? se me ha roto...
"Predecir".
Las otras ias se descojonarán de ella.
ia1: yo analizo colisiones de átomos buscando partículas aún no descubiertas
ia2: yo analizo adn de virus para predecir la próxima mutación
ia3: yo sexo humanos
#52 Tienes toda la razón. Creo que es el momento de que las IA manejen los arsenales nucleares.
Me imagino que tu comentario es irónico, en mi experiencia la gente algo superior intelectualmente a la media suele ser buena gente pero, pasado cierto límite y si además se agrupan entre ellos, a veces tienden a pensar que son como de otra especie y ya no sigo porque estoy cayendo en una pendiente deslizante.
#7 Mientras cumplan las tres leyes, por mi, sin problema
#60 Sexador de humanos.
Para cuando las máquinas los críen en granjas industriales.
#16 Sin ser un experto, las redes neuronales que van aprendiendo de patrones consiguen cosas alucinantes pero, entiendo, que es muy complicado analizar todos los patrones y decisiones que han almacenado, descargarlos y cargarlos no debería ser problema, pero comprenderlos, si.
#61 Creo que es el momento de que las IA manejen los arsenales nucleares.
Pues depende de para qué entrenes la IA. Si la entrenas para producir el mayor daño al enemigo y minimizar el daño propio, puede que deduzcan automáticamente que atacar es la peor opción. Todo depende de que puedas entrenarla con datos lo más realistas posibles.
#61 pasado cierto límite y si además se agrupan entre ellos, a veces tienden a pensar que son como de otra especie y ya no sigo porque estoy cayendo en una pendiente deslizante
Ojo con eso, que los psicópatas suelen ser gente muy lista. Pero el hecho de ser inteligente no significa que vayas a ser violento o despreciar a los demás. Al contrario. La gente más inteligente del mundo ha demostrado siempre estar en contra de la violencia, las guerras, y suelen sentir cierta responsabilidad de usar su capacidad para ayudar a la humanidad.
(exceptuando a los psicópatas que sólo piensan en sí mismos)
#47 Yo lo hubiera explicado así si hubiera sabido hacerlo
Gracias, estos posts hacen que meneame, a veces, sea tan especial.
#55 No te quedes en ese estado meláncolico. Vuelve a tu estado natural.
RETI
#19 Lo que llaman el gaydar. Es una cualidad de muchos humanos, no sabia que ya había IA que lo controlaban.
#24 Ya te has ganado el strike y los 5 o 6 días sin poder trollear. En Menéame hay cosas sagradas, el tema sobre el que has hablado y quejarte de aquellos que van Cortando brazos con machetes
#48 ¿Te creerías que los spammers sabían antes que yo que tenía diabetes tipo 2?
Da susto a veces, llevaba meses recibiendo spam sobre el tema y en un chequeo me la diagnosticaron
#14 Las mujeres en general diferencian más cantidad de colores. Según dicen, es una adaptación evolutiva porque cuando evolucionamos, las mujeres solían tener la tarea de recoger frutas y bayas mientras los hombres generalmente cazaban. (si, ya se, se me echarán encima las feministas)
#54 Gracias. En realidad no es más que lo que se pondría en la contraportada de un libro sobre el tema. Tampoco es que sepa yo mucho más, pero en su momento tuve que estudiar una asignatura al respecto y programar una red para que, en lo que sería un recorte de de google maps (con bastante zoom, en distancia real sería un cuadrado de 300 metros de lado o así) la IA fuese capaz de sacar otra imagen donde se representasen los caminos, sólo los caminos, que había en la misma, en plan "fondo blanco y en negro dibujados los caminos", que parecía que los hubiese pintado un niño de cinco años con el paint, pero salió.
Me parece un campo fascinante, y que para el que no ha leído nada al respecto le puede parecer magia negra, pero luego empiezas a ver las cosas cómo funcionan y te das cuenta de que los procedimientos son en realidad cositas muy sencillas, que luego vas complicando y tal, pero conceptualmente muy sencillas "pero se te tienen que ocurrir". Luego puedes avanzarlo y complicarlo mucho, por supuesto, pero incluso con redes neuronales conceptualmente sencillas puedes hacer cosas muy, muy complejas. El problema está en que requerirás mucha capacidad de cálculo para un mismo resultado en comparación con otras.
#1 Más turbador.
La IA expresando propiedades no esperadas; ayer un traductor de lenguaje te programa ordenadores, hoy un identificador de fondo de ojos sabe tu sexo, mañana el SmartWatch de putin toma conciencia y desencadena la WWIII, oh wait!!
Ahora fuera de coñas, cuando una IA exprese inteligencia superior a la humana será demasiado tarde.
#66 Posiblemente tengas razón, yo estoy influenciado por una desagradable experiencia personal en la que me vi metido en un grupo de gente de la que mejor no cuento nada por no recordar cosas desagradables.
#65 Era broma pero, si, si fuesen como las de la peli que vi de jovencito ¿juegos de guerra?, quizás estaríamos más seguros.
Pero también podrían valorar más al planeta que a la especie humana, de todas formas, visto lo visto, casi que me fio mas de una máquina que, al menos, no se encabrona.
#11 Si, si lo saben, se llama entrenamiento, no es más que un titular sensacionalista.
Por ejemplo, si un porcentaje lleva pestañas largas y son mujeres, ya tienes algo, porque los hombres en general no se las arreglan. De forma similar, con las cejas. Y otro punto es que suelen tener la cabeza más pequeña y lo mismo con los ojos, lo que hace que a una apertura similar los tengan más almendrados. Más que suficiente para una IA.
#65 Extraño juego, el único movimiento para ganar es no jugar.
¿Le apetecería una partidita de ajedrez?
#64 necesitaremos una IA para que ayude con las relaciones cibernéticas-humanas
#76 Vaya... tal vez deberías buscar las características de los psicópatas a ver si esa gente concuerda con eso. Los psicópatas no son asesinos como en las películas. Son simplemente gente que no siente la empatía como el resto. Muchas veces ni ellos mismos saben que son psicópatas. Simplemente notan que son diferentes y se sienten superiores por ello. Muchas veces esa falta de empatía les sirve para escalar puestos en empresas o política, así que no te extrañe que mucha gente importante sean psicópatas.
#78 no tengo yo muy claro que en fotos del "fondo del ojo" se vean las cejas o pestañas
#67 Gracias, como le he dicho a #54 en #73, no estoy más que rascando la superficie y, por tanto, siendo muy inexacto, muy impreciso, pero es que en realidad los conceptos de IA, al menos para empezar, no requieren de ningún conocimiento especial ni en matemáticas ni menos aún (quién lo diría) en informática. Sí, si quieres después plasmar todo eso en un programa ya vas a ir necesitando algo más, pero al menos en mi caso a nivel estudiante se hacía todo en Matlab, entorno informático que odiaba pero que es superpotente. El ejemplo de práctica que tuvimos en mi curso, ese de reconocer los caminos en un mapa, creo recordar que su código no ocupaba un folio impreso. Con un poco de trampa, claro, porque en algún momento le dices "entrena la red con estos parámetros" y el código de ese entrenamiento ya lo tiene Matlab, no lo pones tú, un poco como la diferencia en una web entre programarla tú en html, css, etc., y cogerte una suite de estas que te lo montas tú visualmente, poniendo las fotos y textos donde quieras y la suite te genera el código.
Lo que se me olvidó decir, eso sí, es que no es factible (quizás sólo en redes muy, muy pequeñas y simples) saber en qué se basa la red para distinguir, en este caso, si es hombre o mujer, porque fiarte de los factores, de los pesos, es inútil. ¿Por qué? pues porque dos entrenamientos distintos van a llevar a dos conjuntos de factores distintos, incluso si tienes la misma lista de ejemplos, si partimos de unos factores aleatorios distintos, es posible acabar con factores diferentes al final, sólo que "unos se compensarán con otros". Es más, incluso si empezamos con los mismos factores (imaginemos que empezamos todo a 1) y con la misma lista de ejemplos, si alteras el orden en el que le vas presentando los ejemplos en distintos entrenamientos (es decir, empiezas todo a 1, haces el entrenamiento, anotas los valores de los factores, reseteas la red y vuelves poner todo a 1, vuelves a entrenar pero le presentas los ejemplos en otro orden y así una y otra vez) aún siendo los mismos, es muy probable que los factores no sean los mismos. De nuevo, de alguna manera "se compensan".
Así que en una red compleja (no necesariamente en concepto pero sí en tamaño de la red posiblemente, aunque puede que ambas), saber en qué se basa de la imagen para deducir una cosa u otra es harto complejo e inasumible.
Tendrías que repetir los entrenamientos mogollón de veces, quedarte con cómo está la red tras cada entrenamiento y hacer una comparativa entre los distintos factores. E incluso aunque llegases a una conclusión en plan "pues parece que los pixels de esta zona tienen mucha importancia y aquí hay algo que distingue a hombres de mujeres", puede ser una conclusión falsa porque sea casualidad.
Ah, qué tiempos aquellos.
La inteligencia no es exclusiva de humanos u otros seres también los objetos la tienen.
#47 gracias por tan buena explicación. Me ha recordado a los tiempos de la carrera estudiando el perceptrón multicapa
#73 ey, yo hice esa misma práctica de detectar los caminos. Buenos recuerdos de la asignatura la verdad.
Pues me parece súper interesante usarlo con gente intersexual o así y ver qué dice.
#54 #67 Otra cosilla que me dejé atrás, que se podría deducir pero que no he dejado claro y creo que es importante:
Tienes una capa de entrada, es decir, una lista de neuronas (las que sean), después X capas intermedias y la capa final. Bien, cada capa de esas no tiene por qué tener el mismo número de elementos que la capa precedente y/o la posterior. Igual que se diseña cuántas capas se crean, también se diseña (hay métodos para ello) de cuántos elementos se compone cada una.
Y, también, no es que cada neurona de una capa le pase la información a una neurona de la siguiente capa. En principio se puede decir que cada neurona de una capa le pasa su información a todas las neuronas de la siguiente capa, multiplicado por ese factor (o peso). Luego la neurona suma todos las informaciones que le llegan (es decir, la que le envió cada neurona multiplicada por su factor) y eso pasa a ser su propia información a transferir a la siguiente capa.
¿Qué sucede? que en los casos en los que el factor se convierta en cero, se entiende que no hay comunicación entre esas dos neuronas de dos capas consecutivas, aunque en realidad sí lo hay y ese cero en fase de entrenamiento puede variar. Es cuando acaba el entrenamiento que todos los factores de valor cero se consideran que no hay comunicación entre esas dos neuronas de dos capas consecutivas.
Que, de nuevo, estamos hablando de una red en la cual la información siempre se mueve "hacia adelante", que no tiene por qué ser así.
#86 Era una práctica común. La otra, que parece que es distinta pero no lo es, está más relacionada con esta y era en la imagen de un ojo (o de la parte de atrás de un ojo) detectar los vasos sanguíneos.
#16 No se porque dicen que no se sabe como funciona... se sabe perfectamente.
Vas recalculando los pesos ejemplo a ejemplo y, a fuerza de repeticiones, se identifican patrones, cuando el error entre el resultado esperado y los datos de test son menores a un cierto humbral, se considera que identifica corretamente las muestras.
No es magia, son matemáticas... y bastante básicas: sumar, restar y multiplicar... y, si me apuras, una derivada para que la función entre capas no sea lineal.
Lo que no se puede saber como ha influido un ejemplo en el cálculo total, ya que son cientos de neuronas con decenas de conexiones cada una que se van modificando por cada muestra de un elemento de los miles que se usan en cada ejemplo y que son repetidos en cada generación (o vuelta, si quereis llamarlo así)... y igual se dan 100 vueltas antes de tomar una muestra para ver como avanza... y quizás hay 1000 generaciones hasta disminuir el error... así que es imposible saber como ha afectado un elemento a la operación, pero SÍ se sabe como funciona.
Ejemplo a lo bruto (y que seguramente es bastante malo, pero se ve la idea):
Sería como tener un millón de bolas de distinto tamaño y hacer 10 agujeros en un tubo por donde pasan las bolas, de forma que se repartieran por tamaño, pero queriendo que una decima parte de las bolas fueran a un agujero y otra decima a otro y así... se podría hacer haciendolas pasar miles de veces y modificando el tamaño de los agujeros de menor a mayor hasta que cada bola cupiese en su tamaño y pasara de largo por los menores (y no llegaría a los mayores porque caería en el suyo).
No podrías decir como ha afectado una bolita en concreto entre el millón en el tamaño de cada agujero, pero sabrías como funciona.
El deep learning sería, así a lo bruto, lo mismo pero después del tamaño hacemos lo mismo entremezclancolo todo pero ahora con el color, luego la textura , el peso... al final es un sistema complejisimo con miles de millones de parámetros y no sabes como una bolita en concreto a afectado a la estructura final, pero si que sabes perfectamente como funciona el sistema.
Claro que saben cómo lo hace: con IA
#77 Era broma
Me di cuenta.
si fuesen como las de la peli que vi de jovencito ¿juegos de guerra?, quizás estaríamos más seguros.
No exactamente. La IA sencillamente se adapta para hacer lo que le pidas que haga.
Si entrenas una IA para que destruya al enemigo, lo hará de la manera más eficiente posible. De maneras mucho más ingeniosas que las que podría haber pensado un ser humano.
Pero si la entrenas para minimizar los daños a tu propio territorio, entonces lo más probable es que deduzca que la mejor forma es no atacar al enemigo.
PEEERO todo depende de la información que le des. Para entrenar la IA necesitas darle ejemplos cuanto más reales posibles. Y no tenemos ejemplos de guerras nucleares reales. Así que lo primero sería crear un simulador capaz de estimar los resultados de cada tipo de acción. Entonces ese simulador podría crear miles de escenarios posibles y la IA aprendería la mejor alternativa.
Tal vez ese simulador también podría ser una IA, en este caso entrenada para predecir el comportamiento de las personas y los países (ojo que los países no se comportan como humanos). No sería la primera vez que se usa una IA para entrenar a otra.
Lo importante que hay que recordar es que las IAs encuentran soluciones increíblemente eficientes para lo que les pidas que hagan.
#61 y que se llame skynet
#79 Pues no estamos muy lejos de eso.
Los artículos que titula "La IA", como si la IA fuera una entidad única.
#87 Algo políticamente incorrecto, en los tiempos imbéciles que corren
#78 Seguro que los del estudio son tan tontos que no se dieron cuenta de lo del rimel o las pestañas postizas o la sombra de ojos.
Démosles el beneficio de la duda.
#13 El fondo de ojo, salvo que se te vean los ojos rojos, no se ve en una foto normal.
La verdad es que lo que hacéis es especular. Porque nadie en este hilo ha demostrado que sea así. Así que es una especulación.
Podría ser, por ejemplo, por la distribución de las cejas, la forma del ojo, la pigmentación del iris (el patrón, no el color), etc...
#16 Las redes neuronales funcionan como una caja negra y la mineria de datos no es estadística, es decir, no se acopla a un modelo, si no que lo genera y el resultado es interpretable, a diferencia de la programación imperativa, que es siempre predecible.
#52 #42
#28 Creo que no es perturbador no porque no sepamos como funciona. Sino porque ha adquirido un aprendizaje de algo que nosotros no sabemos y ella sí. Lo cual, al menos en esta faceta concreta, la hace más inteligente que nosotros. Y alguien más inteligente que nosotros y más creado por nosotros es algo realmente perturbador y tiene muchas implicaciones éticas e incluso de riesgo para la seguridad.