Robots que sienten dolor e IA que predice los movimientos de los jugadores de fútbol - TechCrunch

La investigación en el campo del aprendizaje automático y la IA, ahora una tecnología clave en prácticamente todas las industrias y todas las empresas, es demasiado extensa para que alguien la lea en su totalidad. Esta columna, Perceptron (anteriormente Deep Science), tiene como objetivo recopilar algunos de los descubrimientos y artículos recientes más relevantes, particularmente en el campo de la inteligencia artificial, pero no limitado a él, y explicar por qué son importantes.

Esta semana, un equipo de ingenieros de la Universidad de Glasgow en el campo de la IA desarrolló una "piel artificial" que puede aprender a experimentar y responder al dolor simulado. Por otra parte, los investigadores de DeepMind desarrollaron un sistema de aprendizaje automático que predice dónde correrán los jugadores de fútbol en un campo, mientras que grupos de la Universidad China de Hong Kong (CUHK) y la Universidad de Tsinghua desarrollaron algoritmos que capturan fotos realistas, e incluso videos, de humanos pueden generar. modelos

Según un comunicado de prensa, la piel artificial del equipo de Glasgow utilizó un nuevo tipo de sistema de procesamiento basado en "transistores sinápticos" diseñados para imitar las vías neuronales del cerebro. Los transistores, hechos de nanocables de óxido de zinc impresos en la superficie de un plástico flexible, estaban conectados a un sensor de piel que registraba cambios en la resistencia eléctrica.

Autor de la foto: Universidad de Glasgow

Aunque se han hecho intentos de piel artificial antes, el equipo afirma que su diseño difería en que usaba circuitos integrados en el sistema que actuaban como una 'sinapsis artificial', reduciendo la entrada a un pico de voltaje. Esto aceleró el procesamiento y permitió al equipo 'enseñar' a la piel cómo responder al dolor simulado al establecer un umbral de voltaje de entrada cuya frecuencia variaba con la cantidad de presión aplicada a la piel.

El equipo ve la aplicación de la piel en la robótica, donde podría, por ejemplo, evitar que un brazo robótico entre en contacto con temperaturas peligrosamente altas.

Relacionado tangencialmente con la robótica, DeepMind afirma haber desarrollado un modelo de IA, Graph Imputer, que puede predecir dónde se moverán los jugadores de fútbol en función de las grabaciones de cámara de solo un subconjunto de jugadores. Aún más impresionante, el sistema puede hacer predicciones sobre los jugadores fuera de la vista de la cámara, lo que le permite rastrear la posición de la mayoría, si no todos, los jugadores en el campo con bastante precisión.

Autor de la foto: mente profunda

Graph Imputer no es perfecto. Pero los investigadores de DeepMind dicen que podría usarse para aplicaciones como modelar el control del campo, o la probabilidad de que un jugador pueda controlar la pelota dado que está en una ubicación específica. (Varios equipos líderes de la Premier League usan modelos de control de campo durante los juegos y en el análisis previo y posterior al juego). Más allá del análisis de fútbol y otros deportes, DeepMind espera que las técnicas detrás de Graph Imputer sean aplicables a áreas como el modelado de peatones en calles y masas. modelaje en estadios.

Si bien la piel artificial y los sistemas predictivos de movimiento son impresionantes, los sistemas de generación de fotografías y videos avanzan a una velocidad vertiginosa. Obviamente hay trabajos de alto perfil como Dall-E 2 de OpenAI e Imagen de Google. Pero eche un vistazo a Text2Human, desarrollado por el laboratorio multimedia de CUHK, que puede traducir una leyenda como "La dama lleva una camiseta de manga corta con un patrón de color liso y una falda corta de mezclilla" en una imagen de una persona que realmente no lo hace. t.

En colaboración con la Academia de Inteligencia Artificial de Beijing, la Universidad de Tsinghua ha desarrollado un modelo aún más ambicioso llamado CogVideo que puede generar videoclips a partir de texto (por ejemplo, "un hombre esquiando", "un león bebe agua"). Los clips están llenos de artefactos y otras rarezas visuales, pero teniendo en cuenta que las escenas son completamente ficticias, es difícil criticarlas. a difícil.

El aprendizaje automático se usa ampliamente en el descubrimiento de fármacos, donde la variedad casi infinita de moléculas que se encuentran en la literatura y la teoría deben clasificarse y caracterizarse para encontrar efectos potencialmente beneficiosos. Pero el volumen de datos es tan grande y el costo de los falsos positivos puede ser tan alto (es costoso y lleva mucho tiempo rastrear clientes potenciales) que ni siquiera el 99 % de precisión es suficiente. Esto es especialmente cierto para los datos moleculares no etiquetados, con mucho, la mayor parte de lo que existe (en comparación con las moléculas que se han examinado manualmente a lo largo de los años).

Autor de la foto: CMU

Los investigadores de CMU han estado trabajando para crear un modelo para clasificar miles de millones de moléculas no caracterizadas entrenándolo para que las entienda sin información adicional. Lo hace haciendo cambios menores en la estructura de la molécula (virtual), p. Por ejemplo, oculta un átomo o elimina un enlace y observa cómo cambia la molécula resultante. Como resultado, aprende las propiedades intrínsecas de cómo se forman y se comportan dichas moléculas, y lo llevó a superar a otros modelos de IA en la identificación de sustancias químicas tóxicas en una base de datos de prueba.

Las firmas moleculares también son clave para diagnosticar enfermedades: dos pacientes pueden tener síntomas similares, pero un análisis cuidadoso de los resultados de laboratorio revela que tienen condiciones muy diferentes. Por supuesto, esta es una práctica médica estándar, pero cuando se acumulan datos de múltiples pruebas y análisis, se vuelve difícil rastrear todas las correlaciones. La Universidad Técnica de Munich está trabajando en un tipo de meta-algoritmo clínico que integra múltiples fuentes de datos (incluidos otros algoritmos) para discriminar entre enfermedades hepáticas específicas con presentaciones similares. Si bien dichos modelos no reemplazarán a los médicos, seguirán ayudando a procesar los crecientes volúmenes de datos que incluso los especialistas pueden no tener el tiempo o la experiencia para interpretar.