¿Podríamos utilizar el aprendizaje automático para reconstruir y optimizar el funcionamiento de los ecosistemas que nos alimentan?

Estamos muy lejos de lo que propones. El aprendizaje automático, en el nivel más básico, es una herramienta de análisis que se utiliza para la clasificación de datos. Hay muchos sistemas de ML diferentes y probablemente haya visto a los que están jugando un videojuego simple o que pueden jugar algún juego de mesa. De hecho, estos son “máquinas pensantes” en el hecho de que están usando una red neuronal artificial (generalmente una combinación de clasificadores y redes neuronales recurrentes) para realizar la tarea. Si bien esto es impresionante, solo está resolviendo un problema único: cómo lograr el objetivo de ganar.

Las estructuras de datos de ML son impresionantes, ya que incluso se usan en vehículos autónomos como identificadores de imagen: lo que es humano, lo que es el camino, lo que es el semáforo, etc. Pero mientras pueden manejar ciertas tareas para las que han sido entrenados muy bien, no están “pensando” en términos de un simple cerebro biológico, como un ratón. Tenemos ML que puede funcionar en micromundos donde las reglas son bastante simples y es un sistema cerrado. Pero todavía no tenemos cerebros sintéticos lo suficientemente grandes y no tenemos suficientes datos para entrenarlos todavía. Imagínese esto, usted toma más de 7GB por segundo de datos solo a través de sus ojos, eso es 25TB en una hora – ese es el tipo de datos que se transmiten (spiking) desde nuestras retinas a nuestro cerebro. Ese es el tipo de información que se necesita para entrenar redes neuronales grandes. Como bebés, no sabíamos nada. Se necesitan 18 meses para hacer un sonido rudimentario, pero un buen habla dura aproximadamente 10 años. Las máquinas pueden aprender más rápido que nosotros, pero incluso si tuviéramos un cerebro de software totalmente capaz, entrenarlo llevaría tiempo.

El problema con los ecosistemas, como señaló el usuario de Quora, es que hay muchas variables y tienen interacciones profundas. Creo que esto es lo que te llevó a esta pregunta en primer lugar. Creo que estás preguntando: “¿Podría ML reconocer las características que no podemos para ayudarnos a comprender mejor un ecosistema y ayudarnos a reconstruirlo?” En eso, puedo decir que sí. Pero será necesario que haya múltiples estructuras ML que enseñen varias particiones del ecosistema que finalmente se conectarán para detectar características más amplias. La capacitación de cada uno de esos NM requerirá tiempo y debe verificarse que converja dentro de una tolerancia razonable a los errores. Mientras tanto, es probable que el ecosistema esté cambiando, por lo que ahora tiene un modelo de muestra de ese sistema que alguna vez existió. No significa que no podamos usar eso para hacer inferencias, pero el ML no pudo. No estamos allí todavía La parte más difícil de modelar un ecosistema es obtener la gran cantidad de datos que va a necesitar en los micro niveles para formar una gran estructura de datos de ML.

Espero que en algún lugar del mundo haya algún dinero de subvención para hacer exactamente este tipo de cosas. Al igual que todos los sistemas complicados, construirlos lleva tiempo, capacitarlos lleva tiempo, y no se obtiene una gran cantidad hasta que eso se hace. Eso lo convierte en un proyecto a muy largo plazo, y las subvenciones generalmente quieren resultados a corto plazo. Me gusta su idea, creo que podemos usar ML para ayudarnos a comprender ecosistemas complejos, pero no para tomar decisiones por nosotros.

Gracias por el A2A.