Modelando la experiencia de aprendizaje del animal. Crédito: Biorxiv doi: 10.1101/2024.01.12.575461
Necesitamos aprender nuestras letras antes de poder aprender a leer y nuestros números antes de que podamos aprender a sumar y restar. Los mismos principios son ciertos con IA, un equipo de científicos de la Universidad de Nueva York ha mostrado a través de experimentos de laboratorio y modelado computacional.
En su trabajo, publicado en la revista Nature Machine Intelligence, los investigadores descubrieron que cuando las redes neuronales recurrentes (RNN) se entrenan primero en tareas cognitivas simples, están mejor equipadas para manejar las más difíciles y complejas más adelante.
Los autores del documento etiquetaron esta forma de entrenamiento de aprendizaje del plan de estudios de jardín de infantes, ya que se centra primero en inculcar una comprensión de las tareas básicas y luego combinar el conocimiento de estas tareas para llevar a cabo otras más desafiantes.
“Desde muy temprano en la vida, desarrollamos un conjunto de habilidades básicas como mantener el equilibrio o jugar con una pelota”, explica Cristina Savin, profesora asociada en el Centro de Ciencias Neural de la NYU y Centro de Ciencia de Datos.
“Con la experiencia, estas habilidades básicas se pueden combinar para apoyar un comportamiento complejo, por ejemplo, hacer malabares con varias pelotas mientras se maneja en bicicleta.
“Nuestro trabajo adopta estos mismos principios para mejorar las capacidades de los RNN, que primero aprenden una serie de tareas fáciles, almacenan este conocimiento y luego aplican una combinación de estas tareas aprendidas para completar con éxito las más sofisticadas”.
Los RNN, las redes neurales que están diseñadas para procesar información secuencial basada en el conocimiento almacenado, son particularmente útiles en el reconocimiento de voz y la traducción del idioma.
Sin embargo, cuando se trata de tareas cognitivas complejas, el entrenamiento de RNN con los métodos existentes puede resultar difícil y no puede capturar aspectos cruciales del comportamiento animal y humano que apuntan a replicar los sistemas de IA.
Para abordar esto, los autores del estudio, que también incluyeron a David Hocker, un investigador postdoctoral en el Centro de Ciencia de Datos de la NYU, y Christine Constantinople, profesora en el Centro de Ciencia de Datos de la NYU, realizó una serie de experimentos con ratas de laboratorio.
Los animales fueron entrenados para buscar una fuente de agua en una caja con varios puertos compartimentados. Sin embargo, para saber cuándo y dónde estaría el agua disponible, las ratas debían saber que la entrega del agua se asoció con ciertos sonidos y la iluminación de las luces del puerto, y que el agua no se entregó inmediatamente después de estas señales.
Para llegar al agua, los animales necesitaban desarrollar un conocimiento básico de fenómenos múltiples (por ejemplo, los sonidos preceden a la entrega de agua, esperando después de las señales visuales y de audio antes de tratar de acceder al agua) y luego aprender a combinar estas tareas simples para completar un objetivo (recuperación de agua).
Estos resultados señalaron principios de cómo los animales aplicaron el conocimiento de las tareas simples para emprender otras más complejas.
Los científicos tomaron estos hallazgos para capacitar a los RNN de manera similar, pero, en lugar de la recuperación del agua, los RNN manejaron una tarea de apuesta que requería que estas redes se construyan sobre la toma de decisiones básicas para maximizar la recompensa con el tiempo. Luego compararon este enfoque de aprendizaje del plan de estudios de jardín de infantes con los métodos existentes de capacitación RNN.
En general, los resultados del equipo mostraron que los RNN entrenados en el modelo de jardín de infantes aprendieron más rápido que los entrenados en los métodos actuales.
“Los agentes de IA primero deben pasar por el jardín de infantes para luego poder aprender mejor tareas complejas”, observa Savin.
“En general, estos resultados apuntan a formas de mejorar el aprendizaje en los sistemas de IA y pedir para desarrollar una comprensión más holística de cómo las experiencias pasadas influyen en el aprendizaje de nuevas habilidades”.
Más información: el pretrénsco compositivo mejora la eficiencia computacional y coincide con el comportamiento animal en tareas complejas, inteligencia de la máquina de la naturaleza (2025). Doi: 10.1038/s42256-025-01029-3 en biorxiv: doi: 10.1101/2024.01.12.575461
Proporcionado por la Universidad de Nueva York
Cita: AI va a ‘Kindergarten’ para aprender tareas más complejas (2025, 19 de mayo) Recuperado el 19 de mayo de 2025 de https://techxplore.com/news/2025-05-ai-kindergarten-complex-tasks.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
