Fujitsu y el CBMM mejoran la precisión de los modelos de IA con redes neuronales profundas

Fujitsu Limited y el Centro de Cerebros, Mentes y Máquinas (CBMM), con sede en el Massachusetts Institute of Technology (MIT), han logrado un importante hito en una iniciativa conjunta para mejorar la precisión de los modelos de inteligencia artificial (IA). Los resultados de la investigación entre Fujitsu y el CBMM se han publicado en un artículo en el que se discuten los principios computacionales que se inspiran en la neurociencia para permitir que los modelos de IA reconozcan datos no vistos (fuera de distribución, OOD) que se desvían de los datos de entrenamiento originales. Los aspectos más destacados del artículo se presentarán en la NeurIPS 2021 (Conferencia sobre Sistemas de Procesamiento de Información Neuronal), mostrando mejoras en la precisión de los modelos de IA.
La llegada de las redes neuronales profundas (DNN) en los últimos años ha contribuido a una creciente variedad de aplicaciones en el mundo real para la IA y las tecnologías de aprendizaje automático, incluyendo tareas como la detección de defectos para la industria de fabricación y el diagnóstico por imágenes en el campo médico. Aunque estos modelos de IA pueden demostrar a veces un rendimiento igual o mejor que el de los humanos, siguen existiendo retos, ya que la precisión del reconocimiento tiende a deteriorarse cuando las condiciones ambientales, como la iluminación y la perspectiva, difieren significativamente de las de los conjuntos de datos utilizados durante el proceso de entrenamiento.
Para resolver este problema, los investigadores de Fujitsu y el CBMM han avanzado conjuntamente en la comprensión de los principios de la IA que permiten el reconocimiento de datos OOD con gran precisión, dividiendo la DNN en módulos -por ejemplo, la forma y el color, entre otros atributos- adoptando un enfoque único inspirado en las características cognitivas de los seres humanos y la estructura del cerebro. Un modelo de IA que utiliza este proceso fue calificado como el más preciso en una evaluación que mide la exactitud del reconocimiento de imágenes frente a la referencia “CLEVR-CoGenT”, como se muestra en el documento presentado por el grupo en NeurIPS.