Facebook se apoya en la Inteligencia Artificial para avanzar

El segundo día del evento F8 de Facebook de este año se ha caracterizado por las novedades relacionadas con la Inteligencia Artificial, el Machine Learning y el Deep Learning. Por tanto, después de un primer día dedicado a las novedades de cara a los usuarios, Facebook se ha centrado más en los desarrolladores.

La compañía ha detallado también para qué las está utilizando o tiene pensado emplearlas a corto y medio plazo. Así, por ejemplo, ha demostrado cómo utiliza la Inteligencia Artificial para combatir el ciberacoso y el abuso online. Pero también para reducir los prejuicios en la red social, así como en otros de sus servicios, y evitar que favorezca a determinadas etnias, razas, sexos, etc.

Inteligencia Artificial para evitar ciberacoso y sesgo en Facebook

El CTO de Facebook, Mike Schoepfer, ha sido el encargado de mostrar los avances de los distintos equipos de la red social en la lucha contra los abusos online y la discriminación por raza y sexo. Una muestra es el hecho de que en un solo trimestre, la compañía haya cerrado más de 1.000 millones de cuentas creadas para hacer spam, así como 700 millones de cuentas falsas y decenas de millones de contenidos que contenían desnudo o violencia. En todo ello, la Inteligencia Artificial, según Venture Beat, ha jugado un papel decisivo.

Un ejemplo de las tecnologías empleadas en este campo es el nuevo algoritmo «el vecino más cercano», que destaca por ser 8,5 veces más rápido en la detección de fotografías con contenido ilícito que las versiones anteriores. Se encarga de complementar un sistema que «aprende» una integración gráfica profunda de todos los nodos de Facebook Graph. Esto es, del conjunto de datos, historias, anuncios publicitarios y fotografías que hay en la red; con el objetivo de localizar cuentas y páginas abusivas y que puedan estar interrelacionadas.

Otro es un modelo de Inteligencia Artificial que actúa de manera independiente a los idiomas en los que se publica en Facebook. Está entrenado para trabajar con 93 idiomas y 30 familias de dialectos, y se emplea de manera conjunta con otros sistemas de clasificación para identificar de una vez, y con un solo barrido, diversos problemas de idioma.

En cuanto a los videos, Facebook asegura que su principal modelo de sampleo, que se encarga de escanear con rapidez el vídeo y procesa partes de los clips de vídeo subidos a la plataforma, le permite reconocer más de 10.000 acciones distintas en 65 millones de vídeos.

En concreto, en un banco de pruebas con 300.000 vídeos y 400 acciones, Facebook asegura que su herramienta de visión por computador puede clasificar vídeo con un 82,8% de precisión, con una reducción de la tasa de error con respecto al modelo previo del 25%. Eso sí, tal como ha subrayado el Director de Inteligencia Artificial de Facebook, «incluso con restas mejoras, cuando vemos vídeos violentos que escapan a nuestros sistemas, tenemos claro que la comprensión de vídeo está todavía dando sus primeros pasos«.

Hacia el aprendizaje autosupervisado

En otro orden de cosas, la red social está avanzando hacia lo que sus responsables denominan el aprendizaje autosupervisado, caracterizado porque con él, los datos no etiquetados se utilizan en conjunto con pequeñas cantidades de datos etiquetados para mejorar la precisión del aprendizaje.

Así, en una prueba, los investigadores fueron capaces de entrenar un modelo de compresión de idioma para que hiciese predicciones más precisas con sólo 80 horas de aprendizaje de datos, una mejora más que significativa comparados con las 12.000 horas que se calcula que se tardarían en etiquetar los mismos datos a mano.

En cuanto a la reducción del sesgo y a una mayor equidad, el Director de machine learning aplicado de Facebook, Joaquín Quiñonero Candela, destacó que la red social está utilizando diversas técnicas. Entre ellas, la descalibración, con la que detectan y corrigen la desigualdad algorítmica. Por ejemplo, con ella se ha estudiado cómo llega a distintas conclusiones en función del idioma utilizado el clasificador de contenido, que detecta la probabilidad de que un trozo de texto trate sobre temas sociales.

Nueva versión de PyTorch

Además de sus avances en reducción de abusos y mitigación del sesgo gracias a la Inteligencia Artificial, Facebook también ha aprovechado el segundo día del F8 para presentar la nueva versión de su framework de Deep Learning PyTorch, la 1.1. Se caracteriza, según Venture Beat, por contar con soporte para Tensor Board y cuenta con una actualización para su compilador de JIT, un avance que en palabras del creador de dicho compilador, Soumith Chintala, es una importante mejora de rendimiento para el framework.

Según Chintala, este nuevo compilador era muy esperado por los investigadores y fabricantes de modelos de conducción autónoma. Además, lleva a PyTorch más conceptos del lenguaje de programación Python. Ahora es capaz de determinar, en tiempo de ejecución, cómo generar el código más eficiente.

Además, PyTorch 1.1 incluye nuevas APIs, soporte para tensores booleanos y redes neuronales recurrentes personalizadas. También incorpora una actualización de su compilador JIT para la optimización de gráficos computacionales.

En Facebook se utiliza PyTorch para impulsar algunos de sus servicios de Inteligencia Artificial, como PyText. Entre otras cosas, para tareas relacionadas con la comprensión de lenguas. Es open source desde 2017, lo que ha hecho que se convierta en uno de los frameworks de deep learning más populares (lo usan 31 millones de desarrolladores en todo el mundo).

A corto y medio plazo, Facebook espera mejorar todavía más PyTorch en aspectos como la cuatificación de redes neuronales con menos bits, para lograr un rendimiento mayor de CPUs y GPUs. También proporcionarle compatibilidad con dimensiones de nombramiento en tensores generados por profesionales de la Inteligencia Artificial.

Nueva herramienta de experimentación con machine learning

El equipo de Inteligencia Artificial de Facebook ha lanzado también en el F8 varias mejoras para los desarrolladores que utilizan herramientas de machine learning. Entre ellas está Ax, una plataforma de gestión de la experimentación con machine learning que trabaja con PyTorch.

Su misión, según señalan desde Venture Beat, es ejecutar experimentos encargados de probar ajustes como la tasa de aprendizaje y de abandono para calcular qué aproximación produce modelos de Inteligencia Artificial con la mayor tasa de precisión.

Trabaja de manera conjunta con Botorch, un paquete de optimización bayesiana que también se ha presentado en el F8, y que potencia la capacidad de Ax de optimizar parámetros de modelos, así como su ajuste.