Balancing training data and human knowledge makes AI act more like a scientist

El artículo presenta un marco conceptual para el «aprendizaje automático informado» que equilibra la influencia de las reglas proporcionadas por humanos frente a los patrones impulsados por los datos en los modelos de inteligencia artificial (IA). A diferencia de la IA generativa puramente basada en datos, que a menudo no logra comprender las leyes físicas fundamentales y tiene dificultades para manejar escenarios poco familiares, los modelos informados integran principios científicos explícitos para reflejar mejor la realidad. Este enfoque aborda el desafío crítico de determinar cuánto peso asignar al conocimiento frente a los datos, garantizando que los sistemas de IA puedan navegar eficazmente problemas científicos complejos mientras mantienen un rendimiento robusto más allá de sus conjuntos de datos de entrenamiento. Al evaluar la contribución relativa de cada regla, el marco permite a los desarrolladores optimizar la precisión y la eficiencia de los modelos. Los investigadores demuestran que analizar las interacciones entre múltiples reglas ayuda a filtrar restricciones redundantes o conflictivas, al tiempo que identifica combinaciones sinérgicas. Esta optimización previene el colapso del modelo al manejar ecuaciones complejas o condiciones experimentales, como en el campo de la química, demostrando que el conocimiento estructurado mejora significativamente las capacidades predictivas en aplicaciones de ingeniería y física. Esta investigación es altamente relevante para el movimiento de datos abiertos, ya que avanza en el objetivo de crear sistemas de IA transparentes, interpretables y rigurosos desde el punto de vista científico. Al permitir que los modelos extraigan reglas directamente de los datos, este trabajo avanza hacia la creación de «científicos de IA» autónomos capaces de generar y validar conocimiento de manera abierta. Esto reduce la dependencia de algoritmos opacos y de «caja negra», fomentando un futuro en el que el desarrollo de la IA se base en principios científicos verificables, accesibles y reproducibles, en lugar de correlaciones estadísticas ocultas.

Fuente: sciencedaily.com
Publicado el 2024-03-11

Balancing training data and human knowledge makes AI act more like a scientist

Noticias relacionadas