Conexión profunda

¿Cómo trabaja una máquina de aprendizaje profundo? ¿Cómo se puede instalar para que se coloque en futuras generaciones de vehículos? ¿Y qué tiene que hacer Porsche Engineering con ello? Lea para descubrirlo.

Durante décadas, los científicos han estado fascinados por el tema de la inteligencia artificial. Muchos sistemas creados bajo esta denominación han sido artificiales desde hace mucho tiempo, pero la inteligencia no era una propiedad que poseyeran ampliamente. En los últimos siete años, sin embargo, esto ha cambiado rápidamente: Con redes neurales profundas, los desarrolladores tienen ahora una potente herramienta a su disposición.

En julio de 1956, parecía inminente la creación del primer hombre artificial. Un grupo de científicos de informática y matemáticos en el renombrado Dartmouth College, en New Hampshire, EE. UU., habían convocado un ambicioso proyecto de investigación, el Dartmouth Summer Research Project on Artificial Intelligence. En su entusiasmo, los fundadores del proyecto creyeron que tendrían al alcance de su mano máquinas parlantes, redes a imagen de la mente humana, ordenadores auto-optimizantes e incluso creatividad mecánica. Pero, si bien un verano activo produjo poco más que montones de cuartillas escritas y grandes ideas, los científicos utópicos sí acuñaron el término Inteligencia Artificial (IA) y abrieron un campo enteramente nuevo de investigación que a partir de entonces mantendría al mundo entero expectante.

Inteligencia artificial: difícil de atrapar

Sesenta y pico años después, una cosa es segura: lo que podría denominarse como auténtica inteligencia artificial –o sea, IA que copia enteramente o incluso supera la inteligencia humana- sigue siendo un sueño utópico hoy en día. Ningún sistema tecnológico en un futuro inmediato será capaz de pasar el test de Turing. Sistemas IA ‘débiles’, que actualmente son el objeto primordial de investigación, no se proponen pasar el test de Turing. Lo que sí pretende el planteamiento de esos sistemas es resolver autónomamente problemas dentro de límites definidos, o responder a preguntas planteadas. Los algoritmos IA débiles se muestran cada vez más eficientes para superar problemas concretos de aplicación; por ejemplo, la solución de complejas expresiones lógicas o matemáticas. También pueden ser eficaces contendientes en un juego de ajedrez, damas o Go. Se lucen en el análisis de grandes volúmenes de textos o datos y forman el elemento nuclear de las máquinas de búsqueda de Internet. Integrada en miríadas de apps de smartphones, la inteligencia artificial es nuestra constante acompañante; llevamos con nosotros IA en el bolsillo. Cuando hablamos a “Alexa” o a “Siri”, nuestras palabras y frases son analizadas por algoritmos de IA. Como fundador de la Conferencia Dartmouth, el propio John McCarthy ya confesó secamente, a propósito de las aplicaciones IA: “Tan pronto como funcionan, ya nadie las llama IA”.

Interconectadas como un cerebro

Las primeras redes neurales artificiales fueron concebidas a principios de los años cincuenta. Redes que son clave para el éxito de la inteligencia artificial. En una red de este tipo, las operaciones separadas de computación no son opciones binarias rígidas, que permiten sólo dos opciones: on/off, 1 o 0. Por el contrario, estas redes siguen la pauta de sistemas nerviosos biológicos. Los sistemas nerviosos funcionan basados en valores-umbral y pueden manejar multitud de valores entre el 1 y el 0; un número casi infinito de células nerviosas están dinámicamente interconectadas por eslabones crecientes y mutables. El cerebro humano aprende a base de reconsiderar constantemente la importancia de esos eslabones. Las rutas de conexión usadas frecuentemente se refuerzan, mientras que los eslabones poco utilizados tienden a atrofiarse. Por supuesto, las redes neurales artificiales pueden funcionar en ordenadores convencionales; en última instancia, también funcionan con unos y ceros. Pero, dentro de ese sistema, el complejo principio operativo del algoritmo y la lógica de umbrales reflejan a sus equivalentes biológicos.

Digital, 2018, Porsche Engineering, Porsche AG
Los Porsche de ensayos incorporan potentes ordenadores, capaces de encargarse de la conducción.


Neuronas artificiales encadenadas reciben valores de entrada y pasan el dato a neuronas en un nivel a favor del flujo. Al final de la cadena, un nivel de neuronas de salida suministra un valor como resultado. La importancia variable de las conexiones individuales presta a la red una notable propiedad: la capacidad de aprender. Hoy día, esas redes poseen cada vez más niveles, son más complejas, más acusadamente suministradas; son más profundas. Las redes neurales profundas en algunos casos están compuestas por más de cien de esos niveles sucesivos de programas. Siendo como son redes con aprendizaje, usualmente siguen teniendo en cuenta información correctiva, hasta que son capaces de producir la solución ideal para un problema. Por ejemplo, en reconocimiento de imagen: durante el entrenamiento, también denominado “aprendizaje profundo”, el sistema devora miles y miles de fotografías, hasta que es capaz de dar opiniones sobre imágenes no vistas anteriormente. Realiza una tarea de aplicación de conocimiento: ve un gato como un gato y denomina manzana a una manzana aunque en la imagen la manzana esté semi-velada por hojas; reconoce señales de tráfico, ciervos, personas. El reconocimiento altamente fiable no sólo permite a los taxis-robots seguir las normas de tráfico; ahora ya ayuda a los cirujanos a identificar el tipo de tumor. Los escaneos de imagen por resonancia son cada vez más comparados con bases médicas de imagen en un proceso enteramente automático. Durante mucho tiempo, a las redes neurales profundas no se les prestó atención en la investigación IA. La naturaleza caótica de su crecimiento era incapaz de igualar la velocidad de los clásicos algoritmos deterministas. Pero en la primera década del nuevo milenio, la capacidad de computación poco a poco fue haciéndose suficiente para explotar todo el potencial de las redes profundas. Geoffrey Hinton, de la Universidad de Toronto, en Canadá, sufrió largamente burlas por su enfoque autodidacta. En 2012, no obstante, ganó la ImageNet Challenge, un concurso en el que los sistemas IA compiten para interpretar cientos de miles de imágenes.

Diversas aplicaciones

Las redes neurales profundas brillan en cualquier campo que precise analizar pautas complejas. Reconocen, interpretan y traducen lenguas; analizan secuencias de vídeo o predicen variaciones de cotizaciones de Bolsa. Son el elemento central de asistencias por voz como los que usan Amazon y Apple. Con un entrenamiento extenso y bien dirigido puedes aprender a competir en juegos de ordenador, o incluso ganar a Grand Masters en el altamente complejo juego Go. Cuando se combinan con otro tipo de redes o con robótica, las capacidades de las redes profundas pueden ampliarse grandemente. Durante un largo tiempo, jugadores artificiales de fútbol han competido uno contra otro en el campeonato anual RoboCup. Reaccionan de forma enteramente autónoma ante sus adversarios, interactúan con compañeros de equipo y, ocasionalmente, incluso se las arreglan para marcar un gol. En la RoboCup de Nagoya este año, a los robots más hábiles se les daba la oportunidad de competir autónomamente también en otras disciplinas. Por ejemplo, en la Logistics League, la categoría robot industrial de @work, rescatando víctimas de accidentes en guiones de la Rescue Robot League, o como mayordomos electrónicos en la competición japonesa RoboCup@. El progreso hecho en el campo de la inteligencia artificial producirá cambios radicales en el sector de la movilidad en los próximos años, cuando la enorme complejidad del tráfico vial, particularmente en ámbitos de centros urbanos, llevará a los algoritmos clásicos a sus límites al desarrollar vehículos altamente automatizados o incluso autónomos. Dr. Christian Koelen, líder de proyecto en Porsche Engineering, explica: “Cubrir todas las variaciones de parámetros imaginables utilizando algoritmos convencionales, haría dilatar el tiempo de estudio e incurrir en altos gastos para programación y ensayos.” Para la clasificación de objetos que detecte fiablemente otros elementos en el tráfico, como peatones, Porsche Engineering ha elegido seguir el método de aprendizaje profundo. “Las redes neurales profundas consiguen hoy día altas cotas de éxito”, confirma Koelen

Prometedores ensayos prácticos

La inteligencia artificial no sólo es útil para reconocer el entorno en conducción autónoma. Sistemas de asistencia como el Lane Keep Assist, por ejemplo, pueden beneficiarse también del aprendizaje profundo. Johan Haselberger, de Porsche Engineering, ha completado un estudio de viabilidad que lo demuestra. No es un tema menor. Después de todo, los sistemas de asistencia de este tipo toman el control de la dirección mientras se conduce. Para que la red neural realice la decisión correcta en fracciones de segundo, primeramente necesita ser enseñada. Diversos conductores profesionales completaron largas sesiones de conducción en una zona cercana a Stuttgart con un coche de pruebas equipado con un ordenador de alta capacidad y dos nuevos sensores de vídeo. Mientras conducían, los movimientos de dirección de los conductores humanos eran continuamente correlacionados con las grabaciones vídeo de la carretera por delante. Aproximadamente la mitad del tiempo, el coche rodaba por autopistas. La otra mitad lo hacía en carreteras secundarias y con conducción dinámica.

Digital, 2018, Porsche Engineering, Porsche AG
Los sistemas de asistencia ya se benefician actualmente del aprendizaje profundo

 

Tras varias semanas, el sistema era comprobado. Se permitía a la red neural conducir por sí misma. “Tanto la simulación de ordenador como los ensayos reales en carretera mostraron resultados iniciales francamente buenos,” dice Haselberger. Pero también mostraron que el actual estado de desarrollo aún tiene ciertas pegas. La fiabilidad del controlador basado en la red neural depende del volumen de datos de aprendizaje aportados, y la calidad del control depende grandemente en el material de ensayo empleado. Circunstancias especiales que el controlador aún no ha “visto” en ensayos –por ejemplo, obras en el pavimento con marcajes especiales- resultan difíciles de manejar. No obstante, se descartan situaciones peligrosas. El controlador convencional permanece siempre activo en segundo término. Si las redes neurales determinasen valores no sensatos, instantáneamente quedarían anuladas. Este tipo de combinación de aprendizaje de máquina y algoritmo convencional determinista se conoce como sistema híbrido. Muchos expertos esperan que estos sistemas híbridos se conviertan en habituales en la industria del automóvil en un futuro próximo.

En el momento de escribirse estas líneas, los ensayos en carretera no se habían completado totalmente. Pero Koelen sigue con la misma convicción. “Esta tecnología tiene gran potencial para proveer a los conductores una asistencia aún mejor. Podemos imaginar verla aplicada en coche de serie el año próximo.” Aún queda un poco de trabajo por hacer hasta entonces. En un coche de serie, el conductor debería conservar la capacidad de decidir si prefiere tomar una curva en un estilo dinámico y deportivo, o más conservador. Y también se precisa que el sistema de asistencia reaccione correctamente cuando el conductor decide cambiar su estilo a media curva. Haselberger considera el trabajo por delante: “Estamos combinando una clásica virtud Porsche –dinámica transversal- con inteligencia artificial, que es una nueva competencia crucial para nosotros. Es verdaderamente emocionante.” ¿Quién podría discutir eso?

Artículos relacionados

Consumo

  • 0,0 l/100km
  • 0,0 g/km
  • 26 kwh/100km

Taycan Turbo

Fuel consumption/Emissions*
Fuel consumption* combined 0,0 l/100km
CO2 emissions* combined 0,0 g/km
Electric power consumptions* combined 26 kwh/100km