Las redes neuronales líquidas se cuentan entre los componentes emergentes más importantes y singulares del panorama de la inteligencia artificial (IA).
Cuando una máquina o un robot necesita reaccionar a estímulos o datos externos, puede necesitar muchos recursos, lo que provoca un cuello de botella si se intenta encajar la inteligencia en un espacio muy reducido.
VentureBeat describe cómo una red neuronal clásica podría necesitar 100.000 neuronas artificiales para mantenerse firme en una tarea como conducir un vehículo por una carretera.
Sin embargo, en un hallazgo increíble, el equipo del MIT CSAIL que desarrolla redes neuronales líquidas fue capaz de realizar la misma tarea con sólo 19 neuronas.
La inspiración de las redes neuronales líquidas
Las redes neuronales líquidas son un tipo de arquitectura de aprendizaje profundo desarrollada para resolver un reto de los robots que realizan tareas y aprendizajes complejos, con el objetivo de sortear el problema de la dependencia de la nube o el almacenamiento interno limitado.
Daniela Rus, directora del CSAIL del MIT, declaró a VentureBeat: “La inspiración para las redes neuronales líquidas fue pensar en los enfoques existentes para el aprendizaje automático y considerar cómo encajan con el tipo de sistemas críticos para la seguridad que ofrecen los robots y los dispositivos de borde.
“En un robot no se puede ejecutar un modelo lingüístico de gran tamaño porque no hay espacio de cálculo ni de almacenamiento para ello”.
El equipo de investigadores encontró una pista para su problema en la investigación sobre las neuronas biológicas que se encuentran en organismos diminutos.
¿Qué son las redes neuronales líquidas?
Piense en las redes neuronales líquidas como las células interconectadas de un cerebro humano que se unen para procesar información y proporcionar resultados.
El cerebro humano es una compleja estructura celular que realiza cálculos extremadamente complejos.
Las redes neuronales líquidas se centran en aplicaciones críticas para la seguridad, como vehículos autoconducidos y robots, que necesitan un flujo continuo de datos.
Según Daniela Rus, “en general, las redes líquidas funcionan bien cuando tenemos datos de series temporales… se necesita una secuencia para que las redes líquidas funcionen bien”.
“Sin embargo, si se intenta aplicar la solución de la red líquida a alguna base de datos estática como ImageNet, no va a funcionar tan bien”.
Ventajas y limitaciones
El equipo de investigación del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) encontró las siguientes ventajas basadas en su experiencia.
- Compactibilidad
Las redes neuronales líquidas podrían funcionar con un número significativamente menor de neuronas que las redes neuronales clásicas.
Como ya se ha señalado, una red neuronal clásica de aprendizaje profundo necesitaría 100.000 neuronas para mantener un coche autoconducido en su carril; una red neuronal líquida sólo necesita 19 neuronas.
- Causalidad
Las redes neuronales líquidas gestionan mejor la causalidad que las redes neuronales clásicas de aprendizaje profundo. Pueden detectar una relación clara entre la causa y los efectos, algo que a las redes neuronales clásicas de aprendizaje profundo les cuesta hacer.
Por ejemplo, las redes neuronales clásicas de aprendizaje profundo pueden identificar sistemáticamente las relaciones causa-efecto entre eventos en diversos entornos de forma más eficiente que la red neuronal clásica.
- Interpretabilidad
Comprender la interpretación de los datos por parte de un sistema de IA es uno de los mayores retos de la IA.
Los modelos clásicos de aprendizaje profundo suelen mostrar una base superficial, poco clara o errónea para interpretar los datos, pero las redes neuronales líquidas pueden explicar su base para interpretar los datos.
- Sin embargo…
Las redes neuronales líquidas no son una solución integral para todo.
Aunque manejan bien flujos de datos continuos como flujos de audio, datos de temperatura o flujos de vídeo, tienen dificultades con los datos estáticos o fijos, que son más adecuados para otros modelos de IA.
Lo esencial
En el panorama de la IA, las redes neuronales líquidas figuran entre los modelos emergentes más críticos.
Coexisten con la red neuronal clásica de aprendizaje profundo, pero parecen más adecuadas para tareas extremadamente complejas como vehículos autónomos, lectura de la temperatura o el clima, o evaluaciones bursátiles, mientras que la red neuronal clásica de aprendizaje profundo hace un mejor trabajo con datos estáticos o puntuales.
Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) han estado intentando ampliar las capacidades de las redes neuronales líquidas a más casos de uso, pero llevará tiempo.
Tanto las redes neuronales líquidas como las redes neuronales clásicas de aprendizaje profundo tienen sus funciones definidas en el panorama más amplio de la IA, y sin duda es un caso en el que dos modelos son mejor que uno.