Búsqueda · 26 momentos en 11 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindreducción espacio búsqueda alphagoredes neuronales alphagoaguja en un pajar alphagored política imita jugadores humanosalphago reduce espacio búsqueda redes neuronalesentrenamiento red política partidas expertosmovimientos prometedores según alphagoAlphaGoJuan Carlos GilFrancis Villatoroárbol de Monte CarloHéctor SocasFan HuiIcedolIgnacio CrespoLee SedolAlberto ApariciMonte Carlo
AlphaGo reduce Espacio búsqueda Redes Neuronales
Con
0:000:301:001:302:002:303:003:33
Juan Carlos Gil explica cómo su trabajo con AlphaGo abordó el desafío de reducir el espacio de búsqueda en el juego de Go, comparándolo con buscar una aguja en un pajar.
…primeros movimientos por ejemplo y luego la duración del juego es la profundidad de este árbol. Y bueno sabes eso genera una estructura combinatoria realmente enorme y si quieres jugar de forma óptima prácticamente tienes que recorrer toda esa estructura. Y entonces la gran pregunta que nuestro trabajo con AlphaGo fue capaz de responder es: ¿cómo reducir ese espacio de búsqueda? De modo que ahora, aunque seguimos buscando una aguja en un pajar, la estamos buscando en un pajar mucho más pequeño. Y todo esto se lleva a cabo con la asistencia de redes neuronales. En este escenario hay dos redes neuronales que AlphaGo empleó; a una de ellas la conocemos como la red de política y a la otra la identificamos como la red de valor. La red de políticas es la que imita la capacidad de los humanos de observar el tablero y seleccionar los movimientos que parecen más prometedores. Fue entrenada con muchísimas partidas de expertos humanos y le permite a la red neuronal decir, oh, sabes, no voy a analizar todos los movimientos posibles; solo me voy a fijar en aquellos movimientos que me saltan a la vista, que destacan, justo como lo harían para un jugador humano de Go como tú mismo y lo que eso hace es que el árbol se vuelva más estrecho porque estos son todos los movimientos, pero ahora solo estamos considerando una pequeña selección de movimientos en cada etapa y eso es muy útil. La red de valor resulta muy útil, ya que normalmente tendríamos que analizar todas las variaciones hasta el mismísimo final, porque solo entonces sabríamos si el bando negro o el blanco ha ganado la partida. Pero la red de valor nos brinda la capacidad de…
Significado #2 · Palabras #1
Francis Villatoro reflexiona sobre el impacto de la inteligencia artificial en la ciencia, destacando cómo AlphaGo demostró la capacidad de las máquinas para superar el conocimiento humano.
Habla: Francis VillatoroSignificado #15alphago superando conocimiento humanomovimiento 37 ciencia biologíareplicar movimiento 37 computación cuánticadescubrimientos movimiento 37 informática…avances científicos como Alphafold y otros sistemas de IA diseñados para apoyar el descubrimiento científico. Entonces, desde su perspectiva, ¿cuál es el papel más emocionante que la IA puede desempeñar en la ciencia en este momento? Gracias por la pregunta. Creo que es un momento muy interesante en el campo de la inteligencia artificial y en el campo de la ciencia. Lo que AlphaGo inició fue esta increíble realización de que las máquinas pueden ayudarnos a ir más allá del conocimiento humano. En el movimiento 37, nos demostró que las máquinas pueden exhibir creatividad, novedades y realmente ayudarnos a pensar y obtener una mejor comprensión, no solo del juego de Go, sino que si pueden hacerlo para el juego de Go, probablemente puedan hacerlo para nuestra comprensión del mundo. Y durante los últimos 10 años más o menos hemos estado en esa misión de replicar ese movimiento 37 en muchos campos de la ciencia, en biología, en ciencia de materiales, en predicción del clima, en fusión, en computación cuántica, en matemáticas, en informática y en todos estos diferentes dominios estamos viendo que existen este tipo de descubrimientos de Movimiento 37 y por eso estamos viviendo un momento muy emocionante hoy. Veremos una aceleración dramática de la ciencia con este poderoso paradigma que AlphaGo ha desatado y estamos viviendo el legado de ese momento en particular. Muchísimas gracias, realmente muy interesante. Ahora vamos a seguir con Alberto. Sí, gracias María.…
Juan Carlos Gil explica cómo su trabajo con AlphaGo abordó el desafío de reducir el espacio de búsqueda en el juego de Go, comparándolo con buscar una aguja en un pajar.
Significado #2 · Palabras #1reducción espacio búsqueda alphagoredes neuronales alphagoaguja en un pajar alphagored política imita jugadores humanosalphago reduce espacio búsqueda redes neuronalesentrenamiento red política partidas expertosmovimientos prometedores según alphago…primeros movimientos por ejemplo y luego la duración del juego es la profundidad de este árbol. Y bueno sabes eso genera una estructura combinatoria realmente enorme y si quieres jugar de forma óptima prácticamente tienes que recorrer toda esa estructura. Y entonces la gran pregunta que nuestro trabajo con AlphaGo fue capaz de responder es: ¿cómo reducir ese espacio de búsqueda? De modo que ahora, aunque seguimos buscando una aguja en un pajar, la estamos buscando en un pajar mucho más pequeño. Y todo esto se lleva a cabo con la asistencia de redes neuronales. En este escenario hay dos redes neuronales que AlphaGo empleó; a una de ellas la conocemos como la red de política y a la otra la identificamos como la red de valor. La red de políticas es la que imita la capacidad de los humanos de observar el tablero y seleccionar los movimientos que parecen más prometedores. Fue entrenada con muchísimas partidas de expertos humanos y le permite a la red neuronal decir, oh, sabes, no voy a analizar todos los movimientos posibles; solo me voy a fijar en aquellos movimientos que me saltan a la vista, que destacan, justo como lo harían para un jugador humano de Go como tú mismo y lo que eso hace es que el árbol se vuelva más estrecho porque estos son todos los movimientos, pero ahora solo estamos considerando una pequeña selección de movimientos en cada etapa y eso es muy útil. La red de valor resulta muy útil, ya que normalmente tendríamos que analizar todas las variaciones hasta el mismísimo final, porque solo entonces sabríamos si el bando negro o el blanco ha ganado la partida. Pero la red de valor nos brinda la capacidad de…
Ignacio Crespo se refiere a la preparación inicial del sistema AlphaGo, describiendo su evolución desde una versión primitiva hasta un estado más robusto.
Significado #4 · Palabras #5búsqueda en árbol monte carloalphago contra lee sedol momento históricoentrenadores de alphago preparación seriesistema alphago versión primitivaredes neuronales en alphagobúsqueda en árbol alphagofan hui campeón europeo go…datos de partidas utilizando técnicas de aprendizaje automático. Y así la función principal de estas dos redes neuronales consiste en reducir significativamente el tamaño de este inmenso árbol de juego combinatorio, y luego existe otra técnica muy específica. conocida como búsqueda en árbol Monte Carlo que nos permite de una manera muy eficiente explorar y analizar las ramas restantes del árbol. Gracias, muy interesante. Así que hoy es exactamente el décimo aniversario del segundo juego, creo, de AlphaGo contra Lee Sedol y esa serie, AlphaGo contra Lee Sedol, es, podría decirse, el momento histórico para AlphaGo. Así que quería preguntarles, ustedes fueron de alguna manera los entrenadores, digamos, de Álfago Entonces, ¿cómo se prepararon para una serie de este tipo y esperaban el resultado? Que fue realmente asombroso Sí, así que la verdad es que sí requirió muchísima preparación, ¿sabes? Al principio el sistema era muy, muy, muy primitivo y no funcionaba del todo bien, aunque me ganó en mi primer día de trabajo cuando lo probé. Y luego lo fuimos desarrollando cada vez más y más. Fue entonces cuando introdujimos estas dos redes neuronales. También implementamos la búsqueda en árbol y con el tiempo llegamos a un punto en el que consideramos que era bastante robusto, pero todavía no habíamos alcanzado el nivel del Icedol y así trajimos a Fan Hui, el entonces campeón europeo de. Go para jugar un partido de 10 partidas, un encuentro de prueba que nos diría dónde estábamos porque es realmente difícil saber qué tan buena es la iteración actual del sistema. Puedes enfrentarlo a los sistemas que ya existen pero claro nuestra intención era…
Francis Villatoro reflexiona sobre cómo los científicos de la computación se han centrado tradicionalmente en la complejidad computacional, mientras que las redes neuronales parecen haber aprovechado una menor complejidad teórica de la información para encontrar soluciones.
Habla: Francis VillatoroSignificado #16complejidad computacional científicosredes neuronales complejidad informaciónsoluciones redes neuronales villatoro…representan una mejor aproximación a ese conjunto mucho más amplio de cálculos que originalmente habríamos necesitado llevar a cabo. Bueno, así que quizás hay una complejidad teórica de la información del problema y luego está la complejidad computacional del Problema y siempre como científicos de la computación hemos estado pensando en el tipo de complejidad computacional. ¿Cómo representamos ahora el sistema y calculamos un estado final mientras que la complejidad de la información del problema, la complejidad teórica de la información del problema era mucho menor? Y las redes neuronales de alguna manera lo aprovecharon para, por así decirlo, dar con esas soluciones que son mejores. Pero yo no creo que hayamos encontrado una respuesta completa a la pregunta que planteaste. Es un problema de investigación activo, digamos, sobre cómo estos modelos son capaces de extraer y hacer estas predicciones asombrosas con menos capacidad de cómputo. Y ¿cuál es el límite? ¿Cuál es el límite real, el verdadero límite de cuánto más eficientes…
Héctor Socas expresa su sorpresa y decepción con respecto a la estructura interna de AlphaGo, señalando que consta de tres componentes principales: dos redes neuronales y un árbol de Monte Carlo.
Habla: Héctor SocasPalabras #3árbol de monte carlo en alfagodecepción héctor socas alphagoredes neuronales policy value alphagodiseño humano detrás de alphagoárbol de decisiones en alphagoalphago incorpora diseño inteligentemonte carlo contribución humana alphagoconocimiento humano en modelo alphago…a futuro, pero muchísimos otros problemas. Eso no es así y ese es el primer tipo de los problemas, es los que alfa cero y sus descendientes han dominado claramente y en el segundo tipo de problemas es donde empezamos a ver avances en los últimos años. Yo quería comentar una de las cosas que para mí fueron más llamativas de la entrevista y que para mí fue un poco una decepción, que es que explicaron que realmente alfago es un sistema que tiene tres componentes principales, ¿no? tiene dos redes neuronales y tiene un árbol de jugados, un árbol de Monte Carlo. Digo que para mí fue un poco una decepción porque yo pensaba en su momento cuando se hablaba de esto y en medio de todo el "hype" se decía que este era un sistema que, por primera vez desde cero, había aprendido a jugar este juego tan complejo. Entonces yo, desde cero, entendía que esto era: habían hecho una red neuronal, habían puesto a jugar partidas y había aprendido; pero en cambio no, hay algo de diseño humano detrás, o sea, un humano ha decidido que hay que tener dos redes neuronales, una la de "policy", otra la de "value", que tiene que haber un árbol, o sea, que no era simplemente crear una red muy grande y ponerla a jugar; entonces, que realmente eso es un poco por donde va. al facero Claro, ese es Alpha Zero, exactamente, que vino después y el cero viene de ahí, de empezar casi que de primeros principios. Entonces, AlphaGo no está diseñado de primeros principios, sino que hay un poco de diseño, o sea, hay diseño inteligente detrás de AlphaGo. La componente de Monte Carlo es la contribución humana, es decir, el conocimiento humano estaba básicamente en el modelo de Monte Carlo, y eso fue el gran lastre de AlphaGo, y por eso cuando eliminaron ese lastre, AlphaCero ya pudo ser mucho más potente que AlphaGo, ¿no? Pero se pensaba que era un juego tan difícil que si no ponías un árbol de Monte Carlo como se había hecho toda…
Ignacio Crespo reflexiona sobre la naturaleza dinámica de las redes neuronales cerebrales y cómo el almacenamiento de información, como los artículos científicos leídos por Francis Villatoro, puede cambiar con el tiempo.
Habla: Ignacio CrespoSignificado #19memoria de francis villatororedes neuronales cerebrales dinámicasreconfiguración direccional de redesalmacenamiento de información en cerebro…como yo lo voy lesionando, no sé si estoy lesionando algo importante, pero como lo voy entrenando al mismo tiempo, entonces todo lo que la señora está entrenando, pues sé que lo que hubiera ahí se va a repartir por otras partes de la red neuronal cerebral. No es que se trasplante, efectivamente, pero incluso en estados totalmente fisiológicos, si yo ahora pudiera saber dónde tiene Francis codificado en su cerebro información relacionada con, por ejemplo, el último paper que ha leído, imagínate, y dentro de dos semanas fuera a buscarlo al mismo sitio exactamente, es probable que no esté ahí. Sabemos que hay pequeños movimientos de esas redes que se activan correlacionadas con determinados recuerdos o estímulos y eso es lo que se aprovecha en estos casos; que hay cierta facilidad para que se reconfigure simplemente que sea direccional esa reconfiguración para poco a poco conseguir que cambie un montón. Hay, aparte de estudios en humanos que son muy interesantes, hay estudios aún más radicales incluso con animales, lógicamente, y había algunos casos en los que habían conseguido desplazar totalmente la corteza visual de algunos animales, que en principio…