Esta semana en el GeekWire Podcast, exploramos el estado del arte en robótica e inteligencia artificial con Martial Hebert, decano de la Escuela de Ciencias de la Computación de la Universidad Carnegie Mellon en Pittsburgh.
Un científico informático veterano en el campo de la visión por computadora, Hebert es el ex director del prestigioso Instituto de Robótica de CMU. Originario de Francia, también tuvo el distinguido honor de ser nuestro primer invitado de podcast en persona en dos años, visitando las oficinas de GeekWire durante su reciente viaje al área de Seattle.
Como escuchará, nuestra discusión se duplicó como una vista previa de un viaje que el equipo de noticias de GeekWire pronto realizará a Pittsburgh, visitando nuevamente la ciudad que albergó nuestro GeekWire HQ2 temporal en 2018 e informando desde la conferencia Cascadia Connect Robotics, Automation & AI , con cobertura respaldada por Cascadia Capital.
Continúe leyendo para extractos de la conversación, editados para mayor claridad y extensión.
Escuche a continuación o suscríbase a GeekWire en Apple Podcasts, Google Podcasts, Spotify o donde quiera que escuche.
¿Por qué estás aquí en Seattle? ¿Puedes contarnos un poco sobre lo que estás haciendo en este viaje a la costa oeste?
Heberto Marcial: Colaboramos con una serie de socios y una serie de socios de la industria. Y este es el propósito de este viaje: establecer esas colaboraciones y reforzar esas colaboraciones en varios temas relacionados con la IA y la robótica.
Han pasado cuatro años desde que GeekWire estuvo en Pittsburgh. ¿Qué ha cambiado en la escena informática y tecnológica?
Las empresas de vehículos autónomos Aurora y Argo AI se están expandiendo con rapidez y éxito. Toda la red y el ecosistema de las empresas de robótica también se está expandiendo rápidamente.
Pero además de la expansión, también hay un mayor sentido de comunidad. Esto es algo que ha existido en el Área de la Bahía y en el área de Boston durante varios años. Lo que ha cambiado en los últimos cuatro años es que nuestra comunidad, a través de organizaciones como Pittsburgh Robotics Network, se ha solidificado mucho.
¿Siguen siendo los coches autónomos una de las aplicaciones más prometedoras de la visión artificial y los sistemas autónomos?
Es una aplicación muy visible y potencialmente muy impactante en términos de la vida de las personas: transporte, tránsito, etc. Pero hay otras aplicaciones que no son tan visibles y que también pueden tener un gran impacto.
Por ejemplo, las cosas que giran en torno a la salud y cómo usar las señales de salud de varios sensores, tienen implicaciones profundas, potencialmente. Si puede tener un pequeño cambio en los hábitos de las personas, eso puede generar un cambio tremendo en la salud general de la población y la economía.
¿Cuáles son algunos de los avances de vanguardia que está viendo hoy en día en robótica y visión por computadora?
Permítanme darles una idea de algunos de los temas que creo que son muy interesantes y prometedores.
- Uno de ellos no tiene que ver con robots ni con sistemas, sino con personas. Y es la idea de comprender a los humanos: comprender sus interacciones, comprender sus comportamientos y predecir sus comportamientos y usarlos para tener una interacción más integrada con los sistemas de IA. Eso incluye la visión por computadora.
- Otros aspectos implican hacer que los sistemas sean prácticos y desplegables. Hemos hecho un progreso fantástico en los últimos años basado en el aprendizaje profundo y técnicas relacionadas. Pero gran parte de eso depende de la disponibilidad de grandes cantidades de datos y datos seleccionados, datos supervisados. Entonces, mucho del trabajo tiene que ver con reducir esa dependencia de los datos y tener sistemas mucho más ágiles.
Parece que el primer tema de detectar, comprender y predecir el comportamiento humano podría aplicarse en el aula, en términos de sistemas para detectar cómo interactúan y se involucran los estudiantes. ¿Cuánto de eso está sucediendo en la tecnología que estamos viendo en estos días?
Hay dos respuestas a eso:
- Hay una respuesta puramente tecnológica, que es, ¿cuánta información, cuántas señales podemos extraer de la observación? Y allí, hemos hecho un progreso tremendo. Y ciertamente, hay sistemas que pueden ser muy eficaces allí.
- Pero, ¿podemos usar esto de manera efectiva en la interacción de una manera que mejore, en el caso de la educación, la experiencia de aprendizaje? Todavía tenemos mucho camino por recorrer para implementar realmente esos sistemas, pero estamos progresando mucho. En CMU en particular, junto con las ciencias del aprendizaje, tenemos una gran actividad allí en el desarrollo de esos sistemas.
Pero lo importante es que no se trata solo de IA. No es solo visión por computadora. Es tecnología más las ciencias del aprendizaje. Y es fundamental que los dos se combinen. Cualquier cosa que intente usar este tipo de visión por computadora, por ejemplo, de una manera ingenua, puede ser realmente desastrosa. Entonces es muy importante que esas disciplinas se vinculen adecuadamente.
Puedo imaginar que eso es cierto en una variedad de iniciativas, en un montón de campos diferentes. En el pasado, los informáticos, los especialistas en robótica, las personas en inteligencia artificial podrían haber intentado desarrollar cosas en el vacío sin personas que sean expertas en la materia. Y eso ha cambiado.
De hecho, esa es una evolución que me parece muy interesante y necesaria. Entonces, por ejemplo, tenemos una gran actividad con [CMU’s Heinz College of Information Systems and Public Policy] en la comprensión de cómo se puede utilizar la IA en las políticas públicas. … Lo que realmente quiere es extraer principios generales y herramientas para hacer IA para políticas públicas y eso, a su vez, se convierte en un plan de estudios y una oferta educativa en la intersección de los dos.
Es importante que aclaremos las limitaciones de la IA. Y creo que no hay suficiente de eso, en realidad. Es importante incluso para aquellos que no son expertos en IA, que no necesariamente conocen los detalles técnicos de la IA, comprender lo que la IA puede hacer, pero también, lo que es más importante, lo que no puede hacer.
[After we recorded this episode, CMU announced a new cross-disciplinary Responsible AI Initiative involving the Heinz College and the School of Computer Science.]
Si recién estaba comenzando en la visión por computadora y la robótica, ¿hay algún desafío o problema en particular que no podía esperar para enfrentar en el campo?
Un desafío importante es tener enfoques verdaderamente integrales y basados en principios para caracterizar el desempeño de la IA y los sistemas de aprendizaje automático, y evaluar este desempeño, predecir este desempeño.
Cuando observa un sistema de ingeniería clásico, ya sea un automóvil, un ascensor o cualquier otra cosa, detrás de ese sistema hay un par de cientos de años de práctica de ingeniería. Eso significa métodos formales (métodos matemáticos formales, métodos estadísticos formales), pero también mejores prácticas para pruebas y evaluación. No tenemos eso para AI y ML, al menos no en esa medida.
Esa es básicamente esta idea de ir desde los componentes del sistema hasta poder tener una caracterización de todo el sistema de extremo a extremo. Así que ese es un desafío muy grande.
Pensé que ibas a decir, un robot que podría traerte una cerveza mientras miras el partido de los Steelers.
Esto va a lo que dije antes sobre las limitaciones. Todavía no tenemos el soporte para manejar esos componentes en términos de caracterización. Así que de ahí vengo. Creo que eso es fundamental para llegar a la etapa en la que puede hacer que el robot de entrega de cerveza sea verdaderamente confiable y digno de confianza.
Consulte la página de investigación de Martial Hebert para obtener más detalles sobre su trabajo en visión artificial y sistemas autónomos.
Editado y producido por Curt Milton, con música de Daniel LK Caldwell.
Deja una respuesta