A pesar del increíble avance de la inteligencia artificial en los últimos años, todavía hay un elevado número de tareas donde las máquinas son incapaces de comportarse con una destreza cercana al ser humano, fundamentalmente porque no se ha sabido determinar cómo entrenar eficazmente a estas máquinas.
El enorme progreso en el reconocimiento de rostros, por ejemplo, se ha producido en gran parte debido a las bases de datos masivas de imágenes en las que personas han marcado claramente los rostros de antemano. Algoritmos de Inteligencia Artificial han utilizado estas bases de datos para aprender.
Sin embargo, nadie ha sido capaz de crear bases de datos similares para las tareas más complejas, como la conducción. La ausencia de este tipo de bases de datos es una de las principales razones de la falta de progreso en esta área.
Precisamente a esta labor se han dedicado en los últimos tiempos varios investigadores de la Universidad de Stanford (California), que han desarrollado una forma de grandes bases de datos relacionadas con situaciones de conducción, para poder mejorar la habilidad de conducción de los vehículos autónomos.
Su enfoque es simple en esencia. La idea básica es conseguir un proceso que facilite a personas incorporar situaciones y escenarios a la base de datos (del mismo modo comentado anteriormente con las imágenes) para posteriormente poder evaluarlo. Para ello, han desarrollado un simulador de conducción que se ejecuta en un navegador Web, que recrea por completo la conducción en todo tipo de escenarios.
Para ello, la labor realizada constó de los siguientes pasos:
- 1.- Creación de una base de datos de estado de las carreteras, con un vehículo equipado de GPS, sistemas de visión y escaneo, etc.
- 2.- Procesado de esos datos y generación de un entorno 3D virtual, para a partir de ahí, poder recrear todo tipo de situaciones.
Dentro del estudio realizado, estos investigadores se han centrado exclusivamente en el problema de la identificación de carril. Esta es una tarea que es trivial para los conductores humanos pero curiosamente resulta muy difícil para las máquinas, debido a la naturaleza 3-D del problema y el efecto que las diferentes condiciones de iluminación y meteorológicas pueden tener en la tarea.
En el juego desarrollado en el navegador, la labor del usuario es es corregir los errores que va viendo en el coche modelado en movimiento. Estas correcciones se incorporan después de nuevo a la red neuronal para que el propio sistema aprenda cómo analizar mejor el camino. Mediante la recopilación de datos de una amplia gama de anotadores, el sistema va aprendiendo a conducir mucho mejor.
Aunque hay muchos más elementos a tener en cuenta en la conducción autónoma, este enfoque nos ayuda a conocer cómo se entrenan estas máquinas, cómo consiguen aprender habilidades, y la forma utilizada para que mejoren, lo que sin duda hará que cada vez los vehículos autónomos sean más seguros y gestionen mejor la información.
Igualmente, este método de búsqueda de bases de datos corregidas por humanos es la vía para que sistemas de Inteligencia Artificial de todo tipo puedan aprender a realizar bien otras tareas que, de otra forma, sería complicado de enseñar.
Fuente de la noticia: MIT Techonology Review