Mihisea maisulan bilakatzeko gai al da robota?

Ziortza Guezuraga

Zelan ordena ditzake argazkiak gaiaren arabera Google Photos-ek? Nola programatzen da makina irudia errekonozitu dezan? Zelan uler dezake irudiaren edukia? Irudi batean pertsona ala bazkari platera dagoen nola daki? Pertsonentzat oso sinpleak diruditen atazak badira ere, oso konplexuak dira makinentzat, hainbeste, ezen horrelakoak eskuz programatzea oso zaila den, ezinezkoa ez bada. Klabea ikasketa da, ikasketa sakona.

“Yo, Robot” filmaren zatia (ingelesez)

Esan bezala, robotak eginkizun konplexuak aurrera eraman ditzaten eskuz programatzea ia ezinezkoa da eta, beraz, makinen garapen horren atzean dagoena ez da programazioa, ikasketa sakona (deep learning) baizik.

Oso garrantzitsua da ikasketaren kontzeptua, makinak bere kabuz ikasi behar du arazoak konpontzen, dena ezin baita eskuz programatu. Har dezagun, adibidez, aurpegien errekonozimendua. Pertsona batentzat oso erraza da irudi batean aurpegi bat errekonozitzea, atzetik milioika urteetako eboluzioa izateaz gain, aurpegiak ezagutzeko jaiotzatik entrenatu duelako garuna (modu inkontzientean izan bada ere).

Makina batentzat, ordea, oso prozesu konplexua da. Eta oso zaila da eskuz programa bat egitea irudi guztiak prozesatu eta errekonozituko dituena. Ikasi behar du, ikasketa sakona egin. Izan ere, zenbait alderdi programatzea ia ezinezkoa da: ikusmena, lengoaia naturala eta elkarrizketa, entzumena, objektuen manipulazioa edota eguneroko fisika.

Nola, baina?

Neurona sare artifizialen bidez ikasten dute makinek.

Irudian neurona artifizial baten eskema ikus daiteke. Ezkerreko aldean estimuluen sarrera gertatzen da, irudien errekonozimenduen kasuan, adibidez, pixelen (x₁, x₂,…) sarrera (w_1j, w_2j, …). Estimulu guztien gehiketa egiten da orduan (∑) eta batuketa horren emaitzaren arabera erantzuna emango da (0_j) ala ez (0_j).

Neurona hauek geruzatan antolatzen dira eta geruza bateko neuronak hurrengo geruzako neuronekin lotzen dira. Modu honetan neurona sare artifiziala sortzen da.

Neurona sare artifizial sinple baten eskema da irudian ikus daitekeena. Lehengo zutabean datuen sarrera gertatzen da. Bigarrenean, geruza ezkutua deritzona, ikasketa ematen da eta azkenean erantzuna (edo erantzun eza).

Egun garatzen ari direnak neurona sare sakonak dira, non bi geruza ezkutu baino gehiago dauden. Ikasketa hierarkikoa ematen da sare hauetan, hau da, geruza batek ikasitakoa hurrengo geruzara pasatzen da, geruzaz geruza abstrakzio maila altuagoa lortzen delarik.

Sare arkitektura

Neurona geruzak, hala ere, ez dira modu bakarrean eratzen. Neurona geruzen antolaketak “sare arkitektura” izena du eta honen arabera bi sare mota aurki daitezke:

1. Sare konboluzionalak. Pertzepziorako dira baliagarriak honako sareak, irudien errekonozimendua, ahotsarena. Sare hauetan ikasketa hierarkikoa ematen da.
2. Sare errekurrenteak. Memoria erabiltzen ikasten dute. Oso erabilgarriak dira serie tenporalak tratatzeko.

Ikasketa motak

Sare neuronalak ez dute ikasteko modu bakarra, disposizioaren eta programazioaren arabera, gaur egun, hiru ikasketa modu ezberdintzen dira:

1. Gainbegiratua. Adibideetatik orokortzeko gaitasunean oinarritzen da. Makinari adibide asko emanda momentu batetik aurrera adibide horietatik orokortzeko gaitasuna garatzen du.
2. Errefortzu bidezkoa. Sari-zigor kontzeptuan oinarritzen da. Robotikan edota bideo-jokoetan ibiltzen diren makinekin baliatzen da gehienbat, ataza ondo egitean puntuak irabazi eta gaizki egitean galtzen ditu, puntuak lortzeko helburua duela.
3. Ez-gainbegiratua. Datuen egituraketan oinarritzen da honakoa. Datu andana eskuratu eta hauetatik eredu sinplifikatuak sortzeko gaitasuna da.

Ikusitakoa ikusita, beraz, maisulana agian momentuz ez, baina horretara doaz. Hain zuzen, maisulanen lanak aztertuta eta estiloa imitatuta lortu du robot batek koadroa egitea. Ez hori bakarrik, musika konposatzeko eta Go bezalako mahai jokoetan gizakiei irabazteko gai ere badira.

Egileaz: Ziortza Guezuraga kazetaria eta UPV/EHUko Kultura Zientifikoko Katedraren kolaboratzailea da.