El trabajo pesado de la inteligencia artificial se puede externalizar utilizando un nuevo marco basado en blockchain

El lugar de trabajo del mañana se basará en cantidades asombrosas de datos. Para que todo esto tenga sentido, las empresas, los desarrolladores y los individuos necesitarán mejores sistemas de inteligencia artificial (IA), trabajadores de IA mejor capacitados y servidores de procesamiento de números más eficientes.

Si bien las grandes empresas tecnológicas cuentan con los recursos y la experiencia necesarios para satisfacer estas demandas, siguen estando fuera del alcance de la mayoría de las pequeñas y medianas empresas y de los particulares. Para responder a esta necesidad, un equipo internacional de investigadores dirigido por Concordia ha desarrollado un nuevo marco para que las tareas complejas de IA sean más accesibles y transparentes para los usuarios.

El marco, descrito en un artículo publicado en la revista Ciencias de la informaciónse especializa en brindar soluciones a solicitudes de aprendizaje de refuerzo profundo (DRL). DRL es un subconjunto del aprendizaje automático que combina el aprendizaje profundo, que utiliza redes neuronales en capas para encontrar patrones en grandes conjuntos de datos, y el aprendizaje de refuerzo, en el que un agente aprende a tomar decisiones interactuando con su entorno en función de un sistema de recompensa/penalización.

DRL se utiliza en industrias tan diversas como los juegos, la robótica, la atención médica y las finanzas.

El marco vincula a desarrolladores, empresas e individuos que tienen necesidades de IA específicas pero fuera de su alcance con proveedores de servicios que tienen los recursos, la experiencia y los modelos que necesitan. El servicio es de colaboración colectiva, está construido sobre una cadena de bloques y utiliza un contrato inteligente (un contrato con un conjunto predefinido de condiciones incorporadas en el código) para vincular a los usuarios con el proveedor de servicios adecuado.

«La colaboración colectiva para el proceso de capacitación y diseño de DRL hace que el proceso sea más transparente y más accesible», dice Ahmed Alagha, candidato a doctorado en la Escuela de Ingeniería y Ciencias de la Computación Gina Cody y autor principal del artículo.

«Con este marco, cualquiera puede registrarse y crear un historial y un perfil. En función de su experiencia, formación y calificaciones, se les pueden asignar tareas que los usuarios soliciten».

Democratizando la DRL

Según su coautor y supervisor de tesis, Jamal Bentahar, profesor del Instituto Concordia de Ingeniería de Sistemas de Información, este servicio abre el potencial que ofrece DRL a una población mucho más amplia que la que estaba disponible anteriormente.

«Para entrenar un modelo DRL, se necesitan recursos computacionales que no están disponibles para todos. También se necesita experiencia. Este marco ofrece ambas cosas», afirma.

Los investigadores creen que el diseño de su sistema reducirá los costos y el riesgo al distribuir los esfuerzos computacionales a través de la cadena de bloques. Las consecuencias potencialmente catastróficas de una caída del servidor o un ataque malicioso se mitigan al tener docenas o cientos de otras máquinas trabajando en el mismo problema.

«Si falla un servidor centralizado, se cae toda la plataforma», explica Alagha. «La tecnología blockchain ofrece distribución y transparencia. Todo queda registrado en ella, por lo que es muy difícil manipularla».

El difícil y costoso proceso de entrenar un modelo para que funcione correctamente se puede acortar si se dispone de un modelo existente que sólo requiere algunos ajustes relativamente menores para adaptarse a las necesidades particulares del usuario.

«Por ejemplo, supongamos que una gran ciudad desarrolla un modelo que puede automatizar las secuencias de semáforos para optimizar el flujo de tráfico y minimizar los accidentes. Las ciudades o pueblos más pequeños pueden no tener los recursos para desarrollar uno por sí mismos, pero pueden usar el que desarrolló la ciudad grande y adaptarlo a sus propias circunstancias».