Búsqueda · 30 momentos en 19 episodios
María RibesAlberto ApariciJuan Carlos GilIgnacio CrespoFrancis VillatoroHéctor SocasLuisa AchaerandioPushmeet Kohli · DeepMindThore Graepel · DeepMindecuación de navier-stokes fenómenos complejoscálculos realizados saber qué ha ocurridou aproximación conjunto cálculos originalescomplejidad teórica información problemacomplejidad computacional científicosredes neuronales complejidad informaciónsoluciones redes neuronales villatoroFrancis VillatoroAlphaGoIgnacio CrespoAlberto Apariciecuación de Navier-StokesMaría RibesGreppeljugada 37
Complejidad computacional científicos
Con
0:000:301:001:302:002:303:003:33
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.
…no en la complejidad del peor de los casos sino en la complejidad inherente al problema mismo, lo que le permite predecir las cosas de manera muy efectiva. Y esto es un poco a costa de la interpretabilidad de los resultados, ¿verdad? Lo que significa. Quiero decir, definitivamente hay un papel para esas ecuaciones porque nos dan una comprensión más profunda. La ecuación de Navier-Stokes, ¿no? Sí, sí, exacto. Entonces creo que es decir, puedes desplegar y ver exactamente qué cálculos se han realizado, así sabes exactamente qué ha ocurrido. Pero la cuestión es, ¿por qué realizó esos cálculos y por qué estas computaciones? Entonces U 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…
Significado #1 · Palabras #1
Alberto Aparici explica una característica clave del juego de Go: al inicio, el tablero está vacío, lo que aumenta la complejidad computacional debido a la gran cantidad de posibles posiciones iniciales para colocar las piedras.
Habla: Alberto ApariciPalabras #4tablero go vacío complejidad computacionalgo tablero ego 19 por 19piedras go posiciones iniciales tablero…hay imitaciones en ese sentido y a diferencia de otros juegos que nos pueden sonar, como el ajedrez, el Go no consiste en tener piedras encima del tablero y moverlas, sino que la jugada es coger una piedra de tu reserva y colocarla en algún sitio del tablero. entonces el tablero empieza vacío y eso es una de las cosas que lo hace computacionalmente difícil, porque al estar vacío, claro, al principio tienes todas las posibles posiciones del tablero para poner una piedra, que en este caso el tablero ego es de 19 por 19, así que son 361 posiciones diferentes y a medida que se va consumiendo el juego pues va estando más lleno el tablero. ¿De qué va este juego? Pues básicamente es un juego que imita la estrategia militar de la época antigua. Es un juego en el que tú obtienes puntos por tener rodeada una zona con piezas de tu color, y los puntos que tú tienes son las posiciones que están en el interior de ese muro…
Alberto Aparici explica que la gran dificultad computacional del juego de Go radica en la posibilidad de jugar en cualquier casilla vacía del tablero, lo que genera un número muy grande de posibles jugadas.
Habla: Alberto ApariciPalabras #18go casilla vacía tablerojugada 37 entrevista greppeldificultad computacional juego go…¿vale? Entonces, este asunto de que todo va sobre rodear en el Go: obtienes puntos rodeando casillas vacías y matas a las piedras del contrario también rodeándolas y en el momento en que las has ahogado por completo desaparecen del tablero; es fundamental. La dificultad computacionalmente que tiene el Go es este asunto de que tú, partiendo de una situación que ves en el tablero, tú puedes jugar en cualquier casilla que no esté llena; por lo tanto, el número de jugadas es muy grande. Esto lo explicará Greppel en la entrevista y, por añadir una cosa más, simplemente hablamos bastante en la entrevista de la famosa jugada 37. El alfago costó un tiempo estar seguros de que era tan fuerte como a día de hoy sabemos que es. Hicieron una primera prueba haciéndole jugar contra el campeón de Europa. Para los oyentes que no sepan mucho de Go, los países fuertes en Go son China, Japón y…
Ignacio Crespo plantea una pregunta sobre por qué el juego de Go representa un desafío computacional y cómo AlphaGo superó esa barrera.
Habla: Ignacio CrespoPalabras #3juego go desafío computacionalalphago superó barrera goposiciones posibles juego go…María. Bueno, yo creo que mi primera pregunta es para el Dr. Greipel, pero no estoy del todo seguro, así que quizás cualquiera de ustedes puede responder. En el podcast principal ya hemos explicado cómo funciona Go más o menos, los principales problemas. Entonces, ¿por qué Go es un desafío computacional y por qué lo era antes de AlphaGo y cómo este nuevo enfoque rompe esa barrera? Sí, sí, esa es realmente una buenísima pregunta. Bueno, el juego de Go es computacionalmente muy complejo porque la cantidad de partidas posibles que se pueden jugar es extremadamente alta o para dar otra cifra que lo refleje. El número de posiciones posibles en el juego de Go es también extremadamente elevado, concretamente alrededor de 10 elevado a La potencia de 170. Así que estamos hablando de un 1 con 170 ceros, eso es realmente un número bastante considerable. Y bueno, sabes, algunas personas incluso afirman que es una cantidad mayor que el total de átomos que se estima que existen en todo el…
Ignacio Crespo reflexiona sobre la enorme complejidad que existe entre los niveles molecular (proteínas) y el fenotipo humano, destacando la falta de datos suficientes para inferir conclusiones.
Significado #20proteínas y fenotipo humano complejidadfalta datos inferir conclusionesplegamiento de proteínas base sólida…proteínas es de aproximadamente 10 a la menos 9 metros, por lo que un nanómetro es más o menos el tamaño que realmente importa en ese nivel. Pero un organismo, o al menos a los ojos de un físico, un organismo mide aproximadamente un metro de altura, ¿verdad? Así que tenemos nueve órdenes de magnitud entre lo que sucede a nivel de las proteínas y lo que ocurre a nivel del fenotipo humano y cada uno de estos niveles está repleto de una gran complejidad, gran parte de la cual aún no se comprende del todo y sobre mucha de la cual tampoco disponemos de suficientes datos para poder inferir conclusiones todavía y así nos espera un gran camino por delante ahora, afortunadamente, sobre una base muy sólida en el ámbito del plegamiento de proteínas. Sí, absolutamente. Entonces, creo que tenemos que avanzar realmente a nivel de no solo entender las proteínas, entender otros tipos de moléculas biológicas como los ácidos nucleicos. Entonces tenemos que pensar en cómo operan las células e incluso dentro de las células cómo…
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 #1 · Palabras #1ecuación de navier-stokes fenómenos complejoscálculos realizados saber qué ha ocurridou aproximación conjunto cálculos originalescomplejidad teórica información problemacomplejidad computacional científicosredes neuronales complejidad informaciónsoluciones redes neuronales villatoro…no en la complejidad del peor de los casos sino en la complejidad inherente al problema mismo, lo que le permite predecir las cosas de manera muy efectiva. Y esto es un poco a costa de la interpretabilidad de los resultados, ¿verdad? Lo que significa. Quiero decir, definitivamente hay un papel para esas ecuaciones porque nos dan una comprensión más profunda. La ecuación de Navier-Stokes, ¿no? Sí, sí, exacto. Entonces creo que es decir, puedes desplegar y ver exactamente qué cálculos se han realizado, así sabes exactamente qué ha ocurrido. Pero la cuestión es, ¿por qué realizó esos cálculos y por qué estas computaciones? Entonces U 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…
María Ribes recuerda su experiencia en lingüística computacional, explicando que estudiaba cómo hacer que las máquinas hablen y comprendan.
Habla: María RibesPalabras #14lingüística computacional maria ribesmáquinas hablan comprenden maria ribesadquirir aprender lengua bebés…challenge que se me ha lanzado. Primero, no creo que nos debamos referir al conocimiento de los filólogos para el procesamiento del lenguaje natural porque los filólogos realmente estudian el texto, los textos, la construcción textual. Yo diría más bien los Lingüistas, cuando yo era joven, antes de la IA, pues yo estudiaba lingüística computacional: cómo hacer que las máquinas hablen y que nos comprendan. Y esas relaciones que tú has dicho, que tiene razón y no, y te lo voy a justificar; que los bebés aprenden de manera, como dices, trivial, bueno, de manera informal, no sé cómo decir, inconsciente. Es la diferencia entre adquirir y aprender una lengua, ¿no? Actual tu bebé, cuando le hablas no le dices, y ahora cariñito, vamos a aprender el plural, y ahora vamos a formar el femenino. Tú hablas y el bebé infiere cosas, que es como podríamos decir que hace la red neuronal: ve cosas, escucha y aprende. Pero esas…
Francis Villatoro introduce una distinción entre sintactistas y semantistas dentro del campo de la lingüística, sugiriendo que uno de estos grupos merece más reconocimiento.
Habla: Francis VillatoroPalabras #10lingüística sintactistas semantistascampo lingüística computacional 2020lenguaje natural problema décadasinteligencia artificial resolución imposible…de las palabras según su posición gramatical, su posición en la frase, según su función sintáctica. Entonces, eso yo tengo que decir que no es trivial, es que sin eso no existe, o sea, yo diría, es más, hay dos tipos de personas, déjame que termine esto. Hay dos tipos de personas, los sintactistas y los semantistas, y solo uno de ellos merece No, no, no, no sé si sabéis a cuál No, pero en el campo de si has estudiado lingüística computacional, si has estudiado lingüística computacional recordarás que en el año 2020 el conocimiento básico de lingüística computacional era el lenguaje natural; es imposible, probablemente no lo resolvamos en las próximas décadas; es una cosa absolutamente imposible de resolver, la clave de la inteligencia de. Una máquina es el Test de Turing, que básicamente es un test lingüístico; es entender el lenguaje el Test de Turing, es entender el lenguaje, es una trivialidad, no requiere conocimiento. Cuando hacíamos los concursos de Test de Turing, lo que le complicaba a…