Cómo usar la inteligencia artificial de Google para resolver problemas matemáticos

La inteligencia artificial está dando pasos agigantados, haciendo que poco a poco esté mucho más implementada en la sociedad.

El ejemplo más claro puede ser DALL-E que ha hecho que muchas personas se interesen en este tipo de tecnologías basadas en GPT-3. Pero además de permitir a las personas en crear imágenes a través de una frase, también puede ser interesante pasar a tener una inteligencia artificial que esté cualificada para resolver problemas complejos.

Las matemáticas es una ciencia que requiere de mucha lógica para poder desarrollar sus problemas. En clase, por ejemplo, los alumnos deben entender el enunciado, especificar los datos, aplicar la fórmula correcta, entre otros puntos clave. Ya hace unos días, Google ha presentado una IA para poder resolver estas cuestiones matemáticas, e Infobae trae de qué trata y cómo se podrá usar esta nueva tecnología.

Los problemas matemáticos podrían dejar de ser un dolor de cabeza

Google ha anunciado el pasado 30 de junio su nueva inteligencia artificial llamada Minerva. En este anuncio se demuestra que es capaz de resolver cuestiones matemáticas y científicas usando el razonamiento paso a paso. Todos los cálculos numéricos y los símbolos que se utilizan no requieren en ningún caso de calculadora.

A continuación se muestra un ejemplo claro de un problema que puede tener un alumno delante en su clase de matemáticas. Minerva ahora puede realizar paso a paso todo el cálculo y no de manera directa, creando las diferentes notaciones y despejando finamente la incógnita y que es lo que se pide. Todo esto únicamente con una cuestión inicial y sin ofrecer datos adicionales.

Obviamente esto es una evolución natural de las aplicaciones o páginas webs que se emplean para resolver ecuaciones matemáticas.

Ahora con un simple enunciado se tendrá la resolución gracias a estar basado en PaLM (Parthaways Language Model), junto a 118 GB de artículos científicos para conservar la notación matemática más utilizada por todos.

Pero Google no se ha querido quedar únicamente en los problemas matemáticos más básicos que existen. Ha querido dar un paso e ir mucho más allá. Es por ello que ha enfrentado a Minerva a una colección de problemas de nivel universitario con una gran variedad de ciencias como química, ingeniería o biología. En todos los casos se ha podido ver que ofrece grandes resultados:

El modelo no es perfecto y también comete errores

Según detallan desde Google, Minerva se equivoca de vez en cuando, aunque sus errores son “fácilmente interpretables”. En palabras de los investigadores, “aproximadamente la mitad son errores de cálculo, y la otra mitad son errores de razonamiento, en los que los pasos de la solución no siguen una cadena lógica de pensamiento”.

Otra opción es que el modelo consiga la respuesta correcta con un razonamiento defectuoso (falso positivo). A continuación Infobae deja un par de ejemplos:

Finalmente, los investigadores señalan que el modelo tiene algunas limitaciones, como que las respuestas del modelo no pueden ser verificadas automáticamente.

El motivo es que Minerva genera respuestas usando lenguaje natural y expresiones matemáticas LaTeX, “sin una estructura matemática subyacente explícita”.

La IA de Google que permite crear imágenes a partir de textos

Google también ha desarrollado Pathways Autoregressive Text-to-Image model, Parti por sus siglas en inglés, un sistema autorregresivo que crea diseños gráficos fotorrealistas a partir de textos.

Parti es que es capaz de recibir indicaciones largas y complejas, por lo que sus desarrolladores se esforzaron en que esta Inteligencia Artificial entendiera los diferentes sucesos que han ocurrido a lo largo de la historia de la humanidad y manifieste un “preciso conocimiento del mundo” en las palabras de sus creadores.

Esta última inteligencia artificial de Google, fue creada por medio de secuencias de grandes datos de imágenes y contenidos gráficos, a diferencia de los típicos procesamientos de datos de texto, números y símbolos.

Todos estos procedimientos se conocen como “secuencias de tokens” y se realizan por medio de sistemas que reciben el nombre de Tokenizadores, para el caso de Parti, se utilizó el ViT-VQGAN.

Por último, cabe destacar que Parti puede generar imágenes con base en descripciones de hasta 67 palabras de extensión.

SEGUIR LEYENDO