Más precisamente, los sistemas de ML actuales no pueden inferir estructuras fractales a partir de datos de series temporales.
¿Entonces cosas como los autos autónomos, AlphaStar (IA de StarCraft 2) o las RNN no procesan datos de series temporales? => Así es.
- Autos autónomos
La conducción autónoma usa un híbrido de ML y programación procedural.
El ML se encarga de elementos de bajo nivel, como el reconocimiento de peatones, mientras que la programación procedural (no estadística) maneja elementos como la navegación. Se explica con el reporte sobre el auto de Uber que se chocó solo.
- AlphaStar
Usa dos redes neuronales, en un nivel un poco más complejo que Uber. Una predice la probabilidad de victoria y la otra determina qué movimiento ejecutar. Entre ambas convierten un problema de series temporales en dos problemas separados sin estado.
Si no hubiera hándicap de APM, obviamente AlphaStar ganaría, pero incluso con hándicap sigue ganando tácticamente; sin embargo, los jugadores de alto nivel tienen ventaja en comprensión estratégica, por lo que los humanos pueden ganar. A menos que exista poder de cómputo infinito, se topa con un muro en los cálculos estratégicos complejos. El cerebro humano no está limitado de esta manera.
La primera ley de la inteligencia artificial del autor:
"Un algoritmo que no está compuesto de manera fractal eventualmente chocará contra un muro computacional, y lo contrario también es cierto".
En la conclusión se mencionan Feed Forward Neural Network (FFNN) y Connectome-Specific Harmonic Waves (CSHW) como formas de estructurar redes neuronales de manera fractal.
Aún no hay comentarios.