arXiv blog

Los discursos políticos son tan similares que un ordenador ya sabe hacerlos

No se pierda el primer argumentario político escrito por un algoritmo de inteligencia artificial. La técnica podría aplicarse para redactar noticias

The Physics arXiv Blog 25/01/2016


"No pregunte lo que su país puede hacer por usted; pregúntese lo que usted puede hacer por su país", John F. Kennedy, 1961.

Cuando de discursos políticos se trata, los que pasan a la historia son pocos y muy espaciados en el tiempo. Pero los discursos políticos corrientes, los que se hacen durante los debates del Congreso de Estados Unidos, por ejemplo, son numerosos.

También son increíblemente similares. Todos tienden a seguir un formato estándar, repetir argumentos similares y hasta emplear las mismas frases para indicar una afiliación u opinión política determinada. Es casi como si existiera algún tipo de algoritmo que definiera su contenido.

Esto suscita una pregunta interesante. ¿Es posible que una máquina redacte este tipo de discursos políticos de forma automática?

Hoy recibimos una respuesta gracias al trabajo de Valentin Kassarnig de la Universidad de Massachusetts en Amherst (EEUU), que ha creado una máquina de inteligencia artificial que ha aprendido a escribir discursos políticos que son sorprendentemente parecidos a los discursos reales.

El enfoque es sencillo en principio. Kassarnig utilizó una base de datos de casi 4.000 segmentos de discursos políticos de 53 debates del Congreso de Estados Unidos para entrenar un algoritmo de aprendizaje de máquinas para que generara sus propios discursos.

Estos discursos consisten en más de 50.000 frases, cada una con una media de 23 palabras. Kassarnig también categorizó los discursos por partido político, Demócrata o Republicano, y por su postura a favor o en contra de un tema determinado.

Por supuesto, "el diablo está en los detalles" de cómo analizar esta base de datos. Habiendo probado varias técnicas, Kassarnig se decidió por un enfoque basado en n-gramas, secuencias de "n" palabras o frases. Primero analizó el texto utilizando un enfoque de categoría gramatical que etiqueta cada palabra o frase con su papel gramatical (nombre, verbo, adjetivo y así sucesivamente).

Entonces evaluó las 6-gramas y la probabilidad de que una palabra o frase aparezca dada las cinco que la preceden. "Eso nos permite determinar muy rápidamente todas las palabras que pueden ir detrás de las cinco anteriores y la probabilidad de cada una", explica.

El proceso de generar discursos automáticamente sigue después. Kassarnig empieza por decirle al algoritmo qué tipo de discurso ha de redactar - para demócratas o republicanos. El algoritmo entonces explora la base de datos de 6-gramas en busca de esa categoría para encontrar el conjunto completo de 5-gramas que se han empleado para arrancar uno de estos discursos.

El algoritmo entonces escoge una de estas 5-gramas al azar para empezar el discurso. Después, elige la próxima palabra de todas las que pueden seguir a esa 5-grama. "Entonces el sistema empieza a predecir palabra tras palabra hasta que prediga el final del discurso", dice.

Se emplean algunos trucos a lo largo del proceso, claro está. El algoritmo conoce, por ejemplo, la probabilidad de que un tema concreto se incluya en un discurso. Entonces escoge temas al evaluar qué otros temas contiene ya el discurso y determinar lo bien que están siendo desarrollados.

Los resultados son sorprendentemente buenos. Aquí hay un ejemplo de un discurso de demócratas generado automáticamente:

"Señor portavoz, durante años, los consumidores honestos pero desafortunados han tenido la oportunidad de presentar sus alegatos para que se apliquen las protecciones contra la bancarrota a sus casos y que se cancelen sus deudas razonables y válidos. Tal y como se supone que ha de funcionar el sistema, el Tribunal de Quiebras evalúa varios factores incluidos los ingresos, bienes y deudas para determinar qué deudas pueden ser saldadas y cómo los consumidores pueden volver a alcanzar un estado económico estable. Defienda el crecimiento y la oportunidad. Apruebe esta legislación".

Es impresionante dado que no existe un entrenamiento previo más allá de las etiquetas iniciales del lenguaje, el análisis de 6-gramas de la base de datos de discursos políticos y un poquito de salsa mágica. Kassarnig ha evaluado estos discursos con criterios como la precisión gramatical, la transición entre frases y la estructura y el contenido del discurso y ha encontrado que en general, rinden bastante bien. "En particular, la precisión gramatical y las transiciones entre frases de la mayoría de los discursos fueron muy buenas", afirma.

No obstante, Kassarnig no se siente optimista acerca de las posibilidades de su algoritmo de tomar el escenario político por asalto. "A pesar de los buenos resultados, es muy poco probable que realmente se empleen estos métodos para generar discursos para los políticos", dice, presumiblemente porque el tipo de político sin escrúpulos que podría querer aprovecharse de su algoritmo es escaso (ejem).

Sin embargo, el algoritmo podría ser utilizado para generar otros tipos de texto. Kassarnig sugiere que podría generar nuevas noticias, después de recibir otros artículos sobre el mismo evento. Otra opción podría ser producir entradas de blog sobre los trabajos de arXIV, con el uso de una gran base de datos de noticias similares (ejem).

Y anima a cualquiera a probar su algoritmo, ya que todo el código fuente está disponible en GitHub (https://github.com/valentin012/conspeech). "Animamos de forma explícita a los demás para que lo utilicen, lo modifiquen y lo amplíen", asegura. "Los comentarios y las ideas de mejora son muy bienvenidos".

Ref: arxiv.org/abs/1601.03313: Political Speech Generation

No tomes más decisiones. Esta pistola de fotones lo hace por ti

El aparato, fundamentado en las leyes de la física cuántica, calcula de forma automática las probabilidades de un suceso

The Physics arXiv Blog 20/01/2016

Imagina que entras en un casino para jugar a las tragaperras. Has oído que una de ellas concede más premios que las demás, así que tu objetivo es averiguar cuál es. Pero, ¿cuántos recursos debes emplear para analizar las máquinas antes de que te decidas por una?

Este problema se conoce como el dilema de exploración-explotación, y surge en todo tipo de circunstancias, desde la explotación petrolífera y el juego, hasta la planificación de negocios. La dificultad, claro está, reside en que las máquinas son probabilísticas, así que siempre es posible ser engañado para jugar con una máquina que no conceda demasiados premios por una buena racha que se produce por casualidad.

Hay varios algoritmos que pueden ayudar. Estos programas informáticos de distintos grados de complejidad simulan lo que pasa y utilizan la teoría de la probabilidad para calcular el mejor próximo paso.

Pero ahora existe otro método. Recientemente, Makoto Naruse del Instituto Nacional de Tecnologías de Información y Comunicación de Tokio (Japón) y su equipo han señalado que las leyes de la mecánica cuántica son probabilísticas, y por tanto proporcionan un entorno natural para la teoría de la decisión.

Esto les ha permitido construir un extraordinario dispositivo de toma de decisiones. Su nuevo juguete se compone de una pistola de fotones y un detector de fotón único que utiliza las leyes de la física para tomar decisiones en lugar de emplear complicados algoritmos. El dispositivo aumenta las posibilidades de que este tipo de inteligencia fotónica ayude a tomar decisiones complejas.

La teoría es sencilla. Una estrategia para encontrar la mejor máquina tragaperras sería empezar a alimentar las máquinas y contar cuánto pagan cada vez que dan un premio. Entonces, mientras aprendes, alimentas más las máquinas que más favorables hasta dar con la mejor de todas.

El tomador de decisiones de fotón único hace todo esto de forma automática. Consta de una pistola que dispara fotones a través de un filtro polarizador. Este filtro puede ajustarse para polarizar los fotones de forma horizonal o vertical.

Cuando esté a 45º, sin embargo, cada fotón tiene las mismas probabilidades de ser polarizado de forma horizontal o vertical. Así, esta configuración produce un flujo constante de fotones polarizados de forma horizontal o vertical con unas probabilidades del 50% cada una.

Rotar el filtro cambia estas probabilidades. Desplazar el filtro en vertical aumenta las probabilidades de una polarización vertical mientras reduce las probabilidades de la polarización horizontal. Así, con esta configuración, más fotones serán polarizados verticalmente.

Entonces el equipo de Naruse utiliza la polarización de los fotones para elegir entre dos máquinas tragaperras. Por ejemplo, un fotón vertical representa una apuesta hecha con la primera máquina, mientras que un fotón horizontal representa una apuesta en la segunda.

El proceso de toma de decisiones se produce al crear un bucle de retroalimentación después de cada apuesta. Así que si la primera máquina da un premio, el filtro se desplaza hacia el vertical, aumentando las posibilidades de que reciba más apuestas en el futuro. Pero si un fotón horizontal genera un premio, el filtro se desplaza hacia el horizontal.

De esta manera, la máquina de fotones "aprende" cuál de las dos máquinas concede premios con mayor frecuencia.

Lo que interesa de esta configuración es que no requiere de la computación estándar, ni de ninguna simulación del sistema, ni de ningún cálculo de las probabilidades. En lugar de ello, las leyes de la física toman la decisión mediante un sencillo mecanismo de retroalimentación.

Esto no es un trabajo únicamente teórico. El equipo de Naruse ha desarrollado su propio tomador de decisiones de fotones utilizando una pistola de fotones hecha de la vacante de nitrógeno de nanodiamantes. Los fotones de este dispositivo determinan con cuál de las máquinas realizar una apuesta con la retroalimentación de los resultados para cambiar la orientación del filtro de polarización.

Los resultados con impresionantes. El tomador de decisiones de fotón único encuentra rápidamente la máquina más apremiante e incluso cambia de "opinión" cuando el equipo de Naruse cambia las probabilidades de premio de las máquinas. "Demostramos de forma experimental una toma de decisiones precisa y adaptiva", afirman.

Es un trabajo interesante que tiene importantes implicaciones para las máquinas inteligentes. Una de las ventajas de esta nueva máquina es su sencillez, ya que no requiere ninguna maquinaria de computación convencional. También puede ser diminuto, operando a una escala de nanómetros mientras consume muy poca energía.

Pero es en lo conceptual donde el nuevo dispositivo puede tener el mayor impacto. Hay un claro sentimiento de que las máquinas inteligentes deben depender de la computación electrónica para tomar decisiones. El equipo de Naruse demuestra que no es así. En lugar de eso, un nuevo tipo de inteligencia fotónica emplea las leyes de la física y un diseño ingenioso parecen decidir por sí mismo.

Ref: arxiv.org/abs/1509.00638 : Single-Photon Decision Maker

Un algoritmo predice con éxito el 90% de las acciones de los conductores

La información de los movimientos de la cabeza y la velocidad, combinados con la ubicación le permiten adelantarse 3,5 segundos a la acción

The Physics arXiv Blog 19/01/2016


Si ahora se compra un coche nuevo probablemente vendrá equipado con un sistema de tecnologías de asistencia para la conducción. Estas sirven para ayudar a igualar la velocidad a la de otro coche, gestionar el cambio de carril de forma segura y hasta frenar para evitar a otro vehículo. Así que una pregunta interesante es cuánto podrán mejorar estos sistemas de seguridad antes de que ocurra lo inevitable y el coche asuma el control completamente.

Hoy recibimos una respuesta parcial gracias al trabajo de Ashesh Jain de la Universidad de Cornell (EEUU). Su equipo ha desarrollado un sistema que puede predecir la próxima maniobra de un conductor humano tres segundos antes de que la realice. Esta información, afirman, puede entonces ser empleada para identificar y prevenir accidentes en potencia.

El enfoque es sencillo en teoría. El equipo de Jain señala que un exhaustivo conocimiento del entorno de conducción, tanto dentro como fuera del coche, permite adivinar las intenciones del conductor con bastante fiabilidad. Por ejemplo, normalmente los conductores miran los carriles colindantes antes de cambiar de carril. Así que monitorizar los movimientos de la cabeza del conductor ayuda a predecir si el conductor tiene intención de cambiar de carril durante los próximos segundos.

Igualmente, datos procedentes de GPS y mapas callejeros muestran cuando un coche se acerca a un cruce donde existan opciones de girar a la izquierda o a la derecha. Y la velocidad también es un importante indicador puesto que los conductores generalmente aminoran la marcha antes de realizar un giro.

Pero estos datos son dispares. Los datos de los movimientos de cabeza son totalmente distintos a los datos de velocidad o del mapa. La dificultad reside en combinar y analizar estos flujos de información para realizar buenas predicciones.

La solución que ha diseñado el equipo de Jain es analizar estos flujos de forma conjunta con el uso de unos avanzados algoritmos de inteligencia artificial que aprenden a reconocer indicios de que se avecina una maniobra.

La primera parte de su trabajo se centró en recopilar los datos que se necesitaban para entrenar su máquina. El equipo colocó una cámara en uno de los coches para monitorizar al conductor y otra para monitorizar la carretera. También emplearon datos de GPS y mapas, y una herramienta de rastreo de velocidad.

10 conductores que recorrieron unos 625 kilómetros por carretera y ciudad durante dos meses permitieron generar el conjunto de datos. Anotaron los datos a mano para indicar las maniobras producidas. En total, identificaron 700 "eventos": unos 300 cambios de carril, 130 giros y casi 300 casos, elegidos al azar, de conducción en línea recta.

Emplearon estos datos para entrenar varias máquinas distintas de cálculo numérico para identificar las condiciones bajo las que un conductor giraría a izquierda o derecha, cambiaría de carril hacía la izquierda o la derecha o simplemente seguiría conduciendo en línea recta.

Los resultados representan una lectura interesante. El algoritmo de mejor rendimiento fue capaz de determinar correctamente una futura maniobra la mayor parte del tiempo: acertó en alrededor del 90% de sus predicciones. Y de media emitió su predicción unos 3,5 segundos antes de producirse la maniobra en cuestión.

Por supuesto, queda más trabajo por hacer. Un problema en potencia es determinar lo bien que funciona el algoritmo bajo las condiciones de conducción más peligrosas, especialmente por la noche o cuando la visibilidad sea limitada por nieve o tormentas de lluvia o cuando el Sol esté bajo en el cielo.

Los accidentes son más probables bajo estas condiciones así que un buen algoritmo predictivo podría proporcionar el mayor beneficio. Pero cómo será el rendimiento de estos sistemas bajo dichas condiciones no está claro.

Otra pregunta es qué hacer con estas informaciones una vez recopiladas. ¿Cómo puede emplearse para prevenir accidentes? De nuevo, no está claro cómo los fabricantes automovilísticos podrán aprovechar estos datos.

No obstante, el nuevo enfoque podría señalar un cambio interesante en la forma de abordar la conducción segura. La predicción fiable de maniobras del conductor seguramente ayudará a hacer que los coches sean más seguros en un futuro próximo. A no ser, por supuesto, que la tecnología de conducción autónoma haga tanto que los humanos como la tecnología que predice sus acciones se vuelvan obsoletos mucho antes de lo que esperamos.

Ref: arxiv.org/abs/1601.00740 : Brain4Cars: Car That Knows Before You Do via Sensory-Fusion Deep Learning Architecture

Informes Especiales

El futuro de la medicina: un tratamiento para cada paciente

Una ola de avances científicos e inversiones financieras puede estar a punto de marcar el nacimiento de una nueva era de atención sanitaria marcada por la personalización y la precisión. Bienvenidos al futuro de la medicina.

Otros Informes Especiales

Advertisement
Advertisement
Publicidad