Nested Learning: una nueva dimensión para la inteligencia artificial continua

Uno de los grandes retos en el desarrollo de modelos de inteligencia artificial es el llamado olvido catastrófico, un fenómeno en el que los sistemas olvidan tareas previamente aprendidas al adquirir nuevas. Este problema, que limita la capacidad de los modelos para aprender de manera continua, se asemeja a una especie de «amnesia anterógrada» tecnológica.

Frente a este obstáculo, Google Research ha presentado un nuevo enfoque denominado Nested Learning, cuyo objetivo es permitir un aprendizaje más humano y constante. Inspirado en el principio de neuroplasticidad del cerebro humano, este paradigma redefine la forma en que se construyen y entrenan los modelos de aprendizaje automático. Continúa leyendo «Nested Learning: una nueva dimensión para la inteligencia artificial continua»

Superando el «olvido catastrófico»: un algoritmo inspirado en el cerebro humano permite a las redes neuronales retener el conocimiento

Uno de los mayores desafíos a los que se enfrentan las redes neuronales artificiales es el olvido catastrófico. Esto ocurre cuando un modelo, tras aprender nuevas tareas, olvida cómo realizar las tareas anteriores. Por ejemplo, una red neuronal entrenada para reconocer letras manuscritas podría perder esta habilidad si se le enseña a identificar otro conjunto de datos, como tipos de frutas. ¿Cómo resolver este problema? Inspirados en la capacidad de los cerebros biológicos para adaptarse, investigadores del Instituto de Tecnología de California (Caltech) han desarrollado un algoritmo que permite a las redes neuronales aprender de manera continua sin perder el conocimiento previo.

Continúa leyendo «Superando el «olvido catastrófico»: un algoritmo inspirado en el cerebro humano permite a las redes neuronales retener el conocimiento»