El lugar de trabajo del mañana funcionará con cantidades alucinantes 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 cálculo numérico más eficientes.

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

El marco, descrito en un artículo.publicadoen el diarioCiencias de la información, se especializa en brindar soluciones aaprendizaje por refuerzo profundo(DRL) solicitudes.DRL es un subconjunto del aprendizaje automático que combina el aprendizaje profundo, que utiliza capasredes neuronalesencontrar patrones en enormes conjuntos de datos, yaprendizaje por refuerzo, en el que un agente aprende a tomar decisiones interactuando con su entorno basándose en un sistema de recompensa/pena.

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

El marco une 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, se basa en una cadena de bloques y utiliza un contrato inteligente (un contrato con un conjunto predefinido de condiciones integradas en el código) para conectar a los usuarios con el proveedor de servicios adecuado.

"La colaboración colectiva en el proceso de formación y diseño de DRL hace que el proceso sea más transparente y accesible", afirma Ahmed Alagha, Ph.D.candidato 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. Según su experiencia, capacitación y calificaciones, se les pueden asignar las tareas que los usuarios solicitan".

democratizando el 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 de 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 blockchain.Las consecuencias potencialmente catastróficas de una caída del servidor o de un ataque malicioso se mitigan teniendo docenas o cientos de otras máquinas trabajando en el mismo problema.

"Si falla un servidor centralizado, toda la plataforma se cae", explica Alagha."Blockchain ofrece distribución y transparencia. Todo queda registrado en él, por lo que es muy difícil manipularlo".

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 de un usuario.

"Por ejemplo, supongamos que una gran ciudad desarrolla un modelo que puede automatizar secuencias de semáforos para optimizar el flujo de tráfico y minimizar los accidentes. Es posible que las ciudades o pueblos más pequeños no tengan los recursos para desarrollar uno por sí solos, pero pueden utilizar el de la gran ciudad.desarrollado y adaptado a sus propias circunstancias."

Más información:Hadi Otrok et al, Aprendizaje de refuerzo profundo colaborativo basado en blockchain como servicio,Ciencias de la información(2024)DOI: 10.1016/j.ins.2024.121107