La IA verdaderamente autónoma está a la vuelta de la esquina
Un nuevo algoritmo de inteligencia artificial, Torque Clustering, promete revolucionar el aprendizaje autónomo, al acercarse a la forma en que los seres vivos descubren patrones en la naturaleza. Con su capacidad para analizar grandes volúmenes de datos sin supervisión, abre un mundo de posibilidades en áreas como la medicina, la biología y las finanzas.
Por Enrique Coperías
Los ingenieros informáticos Jie Yang y Chin-Teng Lin, del Laboratorio de Inteligencia Computacional e Interfaz Cerebro-Computadora, en la Universidad de Tecnología de Sídney (Australia), ha creado un algoritmo de inteligencia artificial (IA) que se acerca mucho más a la inteligencia natural en comparación con los métodos actuales.
Este avance mejora de manera significativa la forma en que los sistemas de IA aprenden y descubren patrones en los datos de manera autónoma, sin necesidad de intervención humana.
El nuevo algoritmo de IA, bautizado como Torque Clustering, es capaz de analizar, de manera eficiente y sin supervisión, grandes volúmenes de datos en diversas áreas como la biología, la química, la astronomía, la psicología, las finanzas y la medicina. Su aplicación puede generar valiosos descubrimientos, como la identificación de patrones de enfermedades, el hallazgo de fraudes o la comprensión más profunda del comportamiento humano.
El aprendizaje no supervisado de la IA
«En la naturaleza, los animales aprenden a través de la observación, la exploración y la interactuación con su entorno, sin necesidad de instrucciones explícitas. La próxima generación de la inteligencia artificial, el aprendizaje no supervisado, busca emular este enfoque», dice el profesor Lin en una nota de prensa de la Universidad de Tecnología de Sídney.
«En contraste, la mayoría de las tecnologías actuales de IA se basan en el aprendizaje supervisado, un método que requiere que los seres humanos etiqueten grandes cantidades de datos con categorías o valores predefinidos para que la IA pueda hacer predicciones y reconocer relaciones —explica el profesor Lin. Y añade—: el aprendizaje supervisado presenta varias limitaciones. El etiquetado de datos es costoso, requiere mucho tiempo y suele ser poco práctico para tareas complejas o a gran escala».
Por el contrario, el aprendizaje no supervisado funciona sin necesidad de datos etiquetados y es capaz de descubrir estructuras y patrones inherentes dentro de los conjuntos de datos, según este experto.
Una eficiencia computacional sobresaliente
Torque Clustering ha sido evaluado rigurosamente en mil conjuntos de datos diversos, y ha alcanzado una puntuación media de información mutua ajustada (AMI, por sus siglas en inglés), una medida clave para evaluar los resultados de la agrupación, de un 97,7%. En comparación, otros métodos de vanguardia apenas logran puntuaciones cercanas al 80%.
«Lo que diferencia a Torque Clustering del resto es su base en el concepto físico de torque, lo que le permite identificar clústeres de manera autónoma y adaptarse con facilidad a diferentes tipos de datos, que pueden tener formas, densidades y niveles de ruido variados», dice el doctor Yang, que, junto a su colega, Lin ha publicado los resultados de su trabajo en IEEE Transactions on Pattern Analysis and Machine Intelligence, una de las revistas más prestigiosas en el campo de la inteligencia artificial.
Yang insiste en que lo que hace único al algoritmo Torque Clustering es que se inspira en el concepto físico de torque o momento de una fuerza, que es la capacidad de una fuerza para hacer rotar un objeto alrededor de un punto o eje. Gracias a este apoyo en la física, el algoritmo puede identificar agrupamientos de datos —o clústeres— de manera autónoma, es decir, sin intervención humana. Además, puede adaptarse fácilmente a diferentes tipos de datos, incluso si estos tienen formas complejas, densidades variadas o niveles de ruido (información irrelevante o errónea).
En palabras de Lin y Yang, Torque Clustering supera a los métodos tradicionales de aprendizaje no supervisado y promete un cambio de paradigma en el campo de la IA. Es completamente autónomo, no requiere parámetros y tiene la capacidad de procesar grandes volúmenes de datos con una eficiencia computacional sobresaliente.
Fusiones de galaxias retratadas por el telescopio Hubble. El algoritmo de IA Torque Clustering está inspirado en el equilibrio de torsión en las interacciones gravitatorias cuando las galaxias se fusionan. Cortesía: ESA/Hubble & NASA, A. Adamo et al.
Destinado a redefinir el panorama del aprendizaje no supervisado
«El algoritmo se inspiró en el equilibrio de torsión en las interacciones gravitatorias cuando las galaxias se fusionan. Se fundamenta en dos propiedades naturales del universo: la masa y la distancia. Esta conexión con la física aporta un nivel significativo de significado científico al método», explica el doctor Yang.
«El Premio Nobel de Física del año pasado —continúa el doctor Yang— fue otorgado por los descubrimientos fundamentales que permiten el aprendizaje supervisado mediante redes neuronales artificiales. El aprendizaje automático no supervisado, basado en el principio de torsión, tiene el potencial de generar un impacto similar».
El concepto de agrupación del par podría tener importantes implicaciones para el desarrollo de la inteligencia artificial, especialmente en áreas como la robótica y los sistemas autónomos, al contribuir a optimizar el movimiento, el control y la toma de decisiones.
Torque Clustering está destinado a redefinir el panorama del aprendizaje no supervisado y a allanar el camino hacia una IA verdaderamente autónoma. El código fuente del algoritmo está disponible para los investigadores que deseen explorarlo y aplicarlo en sus propios estudios.▪️
Información facilitada por la Universidad de Tecnología de Sídney
Fuente: J. Yang and C. Lin. Autonomous clustering by fast find of mass and distance peaks" in IEEE Transactions on Pattern Analysis & Machine Intelligence (2025). DOI: https://doi.ieeecomputersociety.org/10.1109/TPAMI.2025.3535743
