El Modelo de Difusión Variacional Condicional (CVDM) Aprovecha la IA para Resolver ‘Problemas Inversos’

Esta semana marca un hito importante en el desarrollo de la IA, ya que un equipo de investigadores presentó un nuevo modelo de difusión que podría reducir los costos de programación de IA, mejorar el rendimiento y abrir la puerta a nuevas innovaciones. Así es como los ingenieros usaron la IA para ayudar a crear el Modelo de Difusión Variacional Condicional (CVDM) y lo que significa para el futuro.

El Modelo de Difusión Variacional Condicional es un protocolo de código abierto que será el centro de atención en la próxima Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR). Allí, los desarrolladores responderán preguntas del público sobre cómo este estado de programación ayuda a los sistemas de aprendizaje profundo a mejorar el rendimiento, la escalabilidad y la sostenibilidad.

Los investigadores logran un avance con CVDM

Los investigadores detrás del desarrollo y pruebas de CVDM provienen del Centro de Comprensión Avanzada de Sistemas (CASUS) en el Helmholtz-Zentrum Dresden-Rossendorf. Trabajaron estrechamente con investigadores del Imperial College London y del University College London para llevar el concepto a la realidad. He aquí por qué sus esfuerzos podrían cambiar el mundo.

Fuente – LinkedIn

El equipo de investigación cree que su creación ayudará a inaugurar una nueva era de programabilidad de IA. Al discutir el nuevo enfoque de programación, el estudiante de doctorado en CASUS y autor principal del artículo de ICLR, Gabriel della Maggiora, comentó cómo estos sistemas le permiten “ver más allá de lo que los ojos perciben“.

El Dr. Artur Yakimovich, autor correspondiente del artículo de ICLR, también comentó sobre la eficiencia de los actuales modelos de entrenamiento de difusión y cómo la mejora ayudará a abordar estos problemas. Además, habló de cómo las ejecuciones improductivas hacen que la programación de modelos de difusión sea costosa y de cómo CVDM ayuda a resolver estos inconvenientes.

¿Qué son los Problemas Inversos?

Para comprender plenamente la importancia de CVDM es vital entender qué son los problemas inversos, su papel en la IA y cómo ayudan a desentrañar los misterios ocultos de la ciencia. Estas ecuaciones matemáticas invierten la observación para determinar las causas raíz. Al calcular los factores causales visibles, se pueden determinar variables desconocidas e invisibles. Así, muchos de los mayores descubrimientos de la historia han utilizado este método con éxito.

Ejemplos de Resolución de Problemas Inversos

Los problemas inversos pueden sonar como una forma extraña de resolver un asunto, pero son altamente eficaces para determinar factores invisibles. Por ejemplo, un astrónomo podría usar un campo gravitacional para determinar la masa de un objeto demasiado lejano para medir directamente. El investigador podría comparar el campo gravitacional con otros para encontrar la masa real del objeto.

Conversiones de

Otro ejemplo mucho más cercano sería usar la resolución de problemas inversos para colorear videos en blanco y negro. Los videos históricos coloreados son populares hoy en día porque ofrecen una visión más clara del pasado. Estos procedimientos de coloreado utilizan soluciones de problemas inversos.

Comienzan determinando qué tono en la imagen en blanco y negro corresponde a qué colores basándose en ejemplos previamente revisados y convertidos. A partir de ahí, estos sistemas llegan a unas pocas opciones. La selección se debe a que algunos colores tienen el mismo tono cuando se convierten a blanco y negro.

El sistema entonces determina qué color es el más apropiado según la escena. Por ejemplo, el azul y el rojo pueden verse iguales cuando se convierten. Sin embargo, un sistema de restauración notaría que el agua debe ser azul y el fuego, rojo. Así, puede usar estas referencias para determinar las mejores opciones.

Óptica

Este mismo enfoque puede aplicarse a la óptica, como telescopios o microscopios. Los investigadores pueden preprogramar ciertos parámetros esperados usando ecuaciones matemáticas. Por ejemplo, un fabricante podría configurar su IA fotográfica para determinar los mejores ajustes según cómo contraste con el fondo.

Los sistemas podrían referenciar una gran cantidad de fotos premium y ver cómo se establece el contraste. A partir de ahí, pueden usar esas imágenes para determinar la mejor forma de limpiar la imagen presentada.

Sistemas de Radar

Los sistemas de radar son un ejemplo clásico de resolución de problemas inversos. Las torres de radar emiten ondas al aire. Estas ondas rebotan de regreso a los receptores cuando golpean un objeto. La firma de radar y el tiempo de refracción de la onda se utilizan para determinar el tipo de la nave, su rumbo y otros datos vitales.

Problemas de la Resolución de Problemas Inversos

La resolución de problemas inversos es solo una herramienta que los investigadores usan para ayudar a descubrir misterios invisibles. Es muy eficaz; sin embargo, no es perfecta. Hay algunas desventajas. Por ejemplo, la resolución de problemas inversos puede requerir la solución de ecuaciones matemáticas complejas y a menudo incompletas.

Algunos de los factores limitantes de este enfoque pueden ser datos faltantes, resultados confusos y demasiado ruido aleatorio. Estas situaciones aumentan la carga de trabajo y hacen que determinar la mejor solución parezca confuso. Afortunadamente, los avances en IA continúan remodelando el sector y mejorando la eficiencia.

Aparece la Inteligencia Artificial Generativa

Los sistemas de IA generativa demuestran el poder de esta tecnología. Plataformas como ChatGPT o Stable Diffusion brindan a los usuarios acceso directo a avanzados sistemas de IA generativa. Estos protocolos están diseñados para referenciar la distribución subyacente de los datos y determinar las soluciones ideales. La IA generativa puede programarse usando muchos métodos diferentes, pero uno de los más poderosos es un método llamado difusión.

¿Qué son los Modelos de Difusión?

Los enfoques de IA modelados por difusión abordan la fase de programación de manera un poco diferente a otros métodos. Este estilo de IA generativa tomará un conjunto de datos y aplicará ruido gaussiano hasta que se vuelva aleatorio. Luego, el sistema escaneará el conjunto de datos para encontrar similitudes, como qué disposiciones de píxeles son comunes y poco comunes en las imágenes de entrenamiento.

Estos modelos luego comienzan a reconstruir una imagen a partir del ruido encontrando datos que coincidan con el conjunto de datos pero que no sean idénticos. Cada pieza de datos se combina para crear un conjunto de datos que se alinee con las bibliotecas. Este es el estilo de difusión encontrado en generadores de imágenes avanzados como DALL‑E 2.

Principales Desventajas de la Difusión

La mayor desventaja de la IA modelada por difusión es el desperdicio. Cuando tienes que crear ruido, habrá muchas soluciones que no son utilizables, incorrectas o sin sentido. Estos esfuerzos desperdiciados pueden acumularse ya que se utiliza potencia computacional en cada paso. Además, añaden al tiempo requerido para programar IA modelada por difusión.

Ruido

Otro problema importante para estos sistemas es la adición de ruido. Añadir ruido a los sistemas requiere muchas habilidades matemáticas. Si añades demasiado o muy poco, puede afectar los resultados. Además, el momento es un factor. Añadir ruido en el momento equivocado también alterará los resultados.

Estos requisitos han hecho que sea muy costoso crear y mejorar modelos de difusión desde cero. Afortunadamente, el modelo CVDM mejora la eficiencia al eliminar gran parte del esfuerzo perdido al programar. Estas mejoras han entusiasmado a muchos en la industria de IA, que están ansiosos por abandonar el enfoque de prueba y error y adoptar algo más eficiente.

Modelo de Difusión Variacional Condicional (CVDM)

El CVDM busca reducir los costos de programación al disminuir los requisitos computacionales de los modelos de difusión. El protocolo de código abierto ya ha sido probado y ha mostrado resultados positivos en comparación con las estrategias de modelado tradicionales.  CVDM brinda mayor flexibilidad y produce resultados similares, si no mejores, para los usuarios.

Fase de Entrenamiento del CVDM

Una ventaja del CVDM es que reduce los costos de entrenamiento de manera significativa. Los investigadores lograron esta tarea habilitando a la IA para determinar los mejores procedimientos de entrenamiento. Este enfoque disminuyó los costos y la carga de trabajo para implementar estos sistemas. También eliminó cualquier error humano y garantizó las infusiones de ruido adecuadas.

Fase de Pruebas del CVDM

Las pruebas con el CVDM proporcionaron resultados interesantes. Los investigadores decidieron aplicar el modelo a imágenes microscópicas. Principalmente, querían ver cómo la IA podría ayudar a resolver el problema de difracciones. La difracción es un término que se refiere a las limitaciones de una óptica. Puedes pensar en el momento en que tu cámara pasa de zoom óptico a zoom digital para obtener mejor calidad como un ejemplo similar.

Comenzaron alimentando a la IA con imágenes de alta resolución que se asemejaban a lo que verían al observar el objeto con ópticas de gran potencia. Su sistema eliminó todo el ruido de estas imágenes y conservó las soluciones perfectas. Estas imágenes permitieron a la IA tomar imágenes en tiempo real suministradas por un microscopio y reconstruir imágenes de mayor resolución.

Impresionantemente, el CVDM requirió mucho menos programación para ofrecer resultados similares. Este enfoque elimina la mayor parte del desperdicio de la ecuación de programación y no aumenta los tiempos de desarrollo. Como tal, este avance representa una mejora importante en el sector de IA que tiene el potencial de revolucionar múltiples mercados en el futuro.

Aplicaciones del CVDM

Muchas industrias dependen de sistemas de IA de difusión para mejorar sus productos y servicios. Estos sistemas podrían, algún día, mejorar múltiples sectores, incluyendo óptica, radar, teoría de la comunicación, acústica, procesamiento de señales, imágenes médicas, oceanografía, astronomía, procesamiento del lenguaje, secuenciación de ADN y muchos más.

Salud

Una aplicación importante del sistema CVDM es en la salud. La tecnología podría ayudar a reducir pronto los costos de programación de los sistemas de IA salud. Estos ahorros y eficiencia adicionales podrían maximizarse y combinarse con nuevas técnicas y materiales de fabricación para crear soluciones de bajo costo y duraderas.

Oceanografía

Muchas personas se sorprenden al saber que solo alrededor del 7 % del fondo oceánico está cartografiado. Hasta hace poco, no existía la tecnología para obtener una visión clara del lecho marino. Sin embargo, los avances en sonar e IA han llevado la oceanografía a un nivel completamente nuevo.

Empresas que podrían beneficiarse del CVDM

Existe una larga lista de empresas que actualmente dependen de la IA generativa para realizar tareas esenciales u ofrecer productos únicos al mercado. Estas firmas verán menores costos operativos y mejores resultados, lo que impulsará la innovación mediante el enfoque CVDM.

En casi todas las industrias, existe un caso de uso para las herramientas de IA generativa CVDM. El factor limitante real no es la tecnología, sino la capacidad de integrarla de manera rentable que aporte valor real a los productos. Aquí hay algunas empresas que han descubierto cómo lograr esta tarea con éxito.

1. Estée Lauder

Aplicar tu maquillaje acaba de recibir un impulso de IA gracias al nuevo asistente intuitivo de Estée Lauder. Este sistema utiliza una IA con reconocimiento de voz para ayudar a las personas con problemas de visión a aplicar su maquillaje correctamente. Los usuarios pueden escanear sus rostros y una combinación de IA y AR brinda guías para la aplicación.

(EL )

El sistema de Estée Lauder podría aprovechar CVDM para ofrecer más opciones y mejorar la capacidad de respuesta para estas personas. Esta maniobra estaría alineada con el deseo de la empresa de ser una de las compañías de belleza más inclusivas y diversas a nivel mundial.

2. Unistellar

Otra empresa que podría usar la tecnología CVDM para mejorar sus ofertas es Unistellar. Esta firma de telescopios ofrece un conjunto de soluciones impulsadas por IA. Estos dispositivos se conectan directamente a tu smartphone y vienen precargados con una gran cantidad de datos de IA. Notablemente, tu teléfono actúa como controlador. Puedes usarlo para escanear el cielo nocturno y las imágenes aparecen en tu smartphone con información adicional.

Impresionantemente,  el sistema puede determinar 37 M de estrellas y más de 5 K cuerpos celestes. Unistellar utiliza IA de difusión para ayudar a mejorar la calidad de la imagen. Estos sistemas requerían mucho entrenamiento que podría reducirse algún día usando CVDMs. Por ahora, puedes conseguir un telescopio IA por $2500 y explorar el cielo.

El Impulso de la IA en Aumento

Este último desarrollo destaca la naturaleza creativa del desarrollo de IA y su búsqueda interminable de mejorar la eficiencia. Tiene sentido que la IA ayude a programarse a sí misma, ya que agiliza el proceso de manera significativa. Los CVDM permiten que los humanos inicien el proceso y la IA lo acelere. De esta forma, ofrecen una solución eficiente que puede aplicarse a una amplia gama de industrias.

CVDM es un Cambio de Juego

La introducción de los CVDM sin duda tendrá un impacto en el mercado. Estos protocolos reducirán los costos y el tiempo de programación, lo que podría traducirse en mayor acceso y mejores soluciones de IA en el futuro. Por ahora, hay que reconocer al equipo detrás del proyecto CVDM, ya que tiene un excelente potencial de crecimiento.