Un equipo de la Northwestern University desarrolló un nuevo modelo computacional que funciona a niveles humanos en una prueba de inteligencia estándar. Este trabajo es un paso importante para crear sistemas de inteligencia artificial que vean y comprendan el mundo como lo hacen los humanos.
"El modelo funciona en el percentil 75 para los adultos estadounidenses, lo que lo hace mejor que el promedio", dijo Ken Forbus de Northwestern Engineering. "Los problemas que son difíciles para las personas también son difíciles para el modelo, proporcionando evidencia adicional de que su operación está capturandoalgunas propiedades importantes de la cognición humana "
El nuevo modelo computacional se basa en CogSketch, una plataforma de inteligencia artificial desarrollada previamente en el laboratorio de Forbus. La plataforma tiene la capacidad de resolver problemas visuales y comprender bocetos para dar una respuesta inmediata e interactiva. CogSketch también incorpora un modelo computacional deanalogía, basada en la teoría del mapeo de estructuras del profesor de psicología del noroeste Dedre Gentner Gentner recibió el Premio David E. Rumelhart 2016 por su trabajo en esta teoría.
Forbus, Walter P. Murphy, Profesor de Ingeniería Eléctrica e Informática en la Escuela de Ingeniería McCormick de Northwestern, desarrolló el modelo con Andrew Lovett, un ex investigador postdoctoral en psicología del noroeste. Su investigación fue publicada en línea este mes en la revista Revisión psicológica .
La capacidad de resolver problemas visuales complejos es una de las características de la inteligencia humana. El desarrollo de sistemas de inteligencia artificial que tengan esta capacidad no solo proporciona nuevas pruebas de la importancia de las representaciones simbólicas y la analogía en el razonamiento visual, sino que podría reducir la brechaentre la computadora y la cognición humana.
Si bien el sistema de Forbus y Lovett se puede utilizar para modelar fenómenos visuales generales de resolución de problemas, lo probaron específicamente en Raven's Progressive Matrices, una prueba estandarizada no verbal que mide el razonamiento abstracto. Todos los problemas de la prueba consisten en una matriz con una imagen faltanteEl examinado tiene entre seis y ocho opciones con las cuales completar mejor la matriz. El modelo computacional de Forbus y Lovett se desempeñó mejor que el estadounidense promedio.
"La prueba de Raven es el mejor predictor existente de lo que los psicólogos llaman 'inteligencia fluida, o la capacidad general de pensar de manera abstracta, razonar, identificar patrones, resolver problemas y discernir relaciones'", dijo Lovett, ahora investigador en los EE. UU.Laboratorio de Investigación Naval. "Nuestros resultados sugieren que la capacidad de utilizar con flexibilidad representaciones relacionales, compararlas y reinterpretarlas, es importante para la inteligencia fluida".
La capacidad de usar y comprender representaciones relacionales sofisticadas es clave para la cognición de orden superior. Las representaciones relacionales conectan entidades e ideas como "el reloj está por encima de la puerta" o "las diferencias de presión hacen que el agua fluya". Este tipo de comparacionesson cruciales para hacer y comprender analogías, que los humanos usan para resolver problemas, sopesar dilemas morales y describir el mundo que los rodea.
"La mayoría de las investigaciones de inteligencia artificial actuales relacionadas con la visión se centran en el reconocimiento o el etiquetado de lo que hay en una escena en lugar de razonar sobre ello", dijo Forbus. "Pero el reconocimiento solo es útil si respalda el razonamiento posterior. Nuestra investigación proporciona un paso importante haciacomprender el razonamiento visual de manera más amplia "
Fuente de la historia :
Materiales proporcionado por Universidad del Noroeste . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :