De la ilusión de la IA a resultados medibles reales
MadridCientíficos del Laboratorio de Física de Plasma de Princeton del Departamento de Energía de los EE.UU. y de la Universidad de Princeton investigaron la eficacia del aprendizaje automático para resolver ciertos problemas matemáticos fluidodinámicos conocidos como ecuaciones en derivadas parciales. Descubrieron que, aunque frecuentemente se alaba al aprendizaje automático, su efectividad suele ser exagerada. En muchos casos, los métodos tradicionales siguen siendo más eficientes. Los investigadores señalaron que el aprendizaje automático presenta errores consistentes y enfatizaron la importancia de establecer formas claras para medir su éxito.
Observaciones clave del estudio indican que a menudo se presenta un sesgo en las comparaciones, favoreciendo a los métodos de aprendizaje automático sobre los métodos tradicionales. Además, los resultados negativos suelen quedar sin reportar, ofreciendo una visión excesivamente optimista. En ocasiones, el aprendizaje automático se compara con bases numéricas más débiles, lo que distorsiona los beneficios percibidos de su rendimiento.
Las personas suelen tener grandes expectativas respecto a la IA, pero estas no siempre son realistas. El aprendizaje automático puede ser más rápido en ocasiones, pero los métodos numéricos tradicionales generalmente son más precisos y ofrecen un mejor equilibrio entre velocidad y precisión. Comprender este equilibrio es crucial al evaluar la efectividad de un método. No obstante, muchos artículos académicos no muestran claramente estos compromisos. A menudo comparan técnicas de aprendizaje automático con métodos numéricos menos eficientes, lo que tiende a ocultar el potencial de enfoques más avanzados.
10 de octubre de 2024 · 21:15
El nobel Geoffrey Hinton advierte que la IA necesita medidas de seguridad.
Publicar solo resultados positivos puede llevar a una información sesgada. Las revistas científicas a menudo pasan por alto los resultados negativos debido a estos sesgos. Los investigadores están motivados a publicar hallazgos notables, lo que los lleva a centrarse más en perfeccionar sus modelos que en compararlos exhaustivamente con los mejores métodos disponibles.
Para avanzar en la investigación científica con aprendizaje automático, es crucial comparar los métodos de manera justa. Esto implica evaluar los métodos de aprendizaje automático frente a estándares numéricos sólidos y divulgar los resultados de forma honesta. Las entidades financiadoras y los eventos académicos deben establecer normas que fomenten la transparencia. Esto incluye solicitar explicaciones claras sobre las elecciones de referencia y las razones detrás de su selección.
Este estudio resalta la necesidad de implementar métodos científicos más sólidos y cuidadosos para mejorar verdaderamente el uso de la inteligencia artificial en ciencia e ingeniería. Al fomentar evaluaciones más detalladas y exhaustivas, podemos evitar afirmaciones exageradas y lograr un progreso real.
El estudio se publica aquí:
http://dx.doi.org/10.1038/s42256-024-00897-5y su cita oficial - incluidos autores y revista - es
McGreivy, N., Hakim, A. Weak baselines and reporting biases lead to overoptimism in machine learning for fluid-related partial differential equations. Nat Mach Intell, 2024 DOI: 10.1038/s42256-024-00897-510 de octubre de 2024 · 21:15
El nobel Geoffrey Hinton advierte que la IA necesita medidas de seguridad.
10 de octubre de 2024 · 4:49
Descubriendo alivio del dolor con IA innovadora
10 de octubre de 2024 · 2:49
Sabores descifrados: IA y la lengua electrónica innovadora
5 de octubre de 2024 · 22:33
La IA iguala a médicos en diagnósticos de tumores cerebrales
Compartir este artículo