Uno de los desafíos más importante que debe superar la Inteligencia Artificial consiste en comprender los chistes que realizan los humanos, es decir, su sarcasmo, su doble sentido y todo lo que implica la conformación de palabras que realmente significan otras cosas.
Hoy en día Google, parece ser el que más se acerca a esta meta, debido a un nuevo modelo capaz de entender más de 540.000 millones de parámetros y lograr entender conceptos y relaciones que hasta la fecha parecían demasiado complejos para los ordenadores.
Google Research anunció el lanzamiento de Pathways Language Model (PaLM), un sistema que logra una eficiencia de entrenamiento del 57,8% de utilización de FLOPs de hardware, la más alta hasta ahora lograda para llMs a esta escala.
Detalles del modelo de Inteligencia Artíficial desarrollado por Google
A través de un comunicado, Google señala que Pathways Language Model (PaLM), es un modelo de transformador de 540 mil millones de parámetros, denso solo decodificador entrenado con el sistema Pathways, que nos permite entrenar eficientemente un solo modelo a través de múltiples TPU v4 Pods.
Este modelo utiliza la configuración más avanzada hasta la fecha capaz de superar tareas como el razonamiento, responder preguntas o la comprensión del contexto.
Analistas de tecnología lograron traducir, en redes sociales la información suministrada por Google en su blog.
“Logra resolver problemas matemáticos sencillos y razonar la respuesta bastante bien, se acerca al promedio del 60% de problemas resueltos por niños de 9 a 12 años, que son el público objetivo del conjunto de preguntas”, indicó el consultor en tecnología, Antonio Ortiz.
Otro de los avances mostrados por este sistema consiste en adivinar películas basándose en cuatro emojis: un robot, un insecto, una planta y el planeta tierra. De entre todas las opciones (L.A Confidential, Wall-E, León: el profesional, Big y Rush) la IA eligió la correcta que era Wall-E.
Según la información suministrada por Google, este tipo de sistema tienen la capacidad de programar traduciendo un código “de un lenguaje a otro”, escribiendo código en base a “una descripción natural del lenguaje” y “solucionar errores de compilación”.
