Los ingenieros del KAIST (Korea Advanced Institute of Science and Technology) han desarrollado un innovador sistema llamado TVKD (Task-Oriented Value Knowledge Distillation) que permite que las inteligencias artificiales aprendan de forma más eficiente, sin necesidad de contar con enormes conjuntos de datos de entrenamiento.
El problema actual de la mayoría de los modelos de IA es que se vuelven confusos cuando reciben instrucciones ambiguas u órdenes poco claras por parte de los usuarios. TVKD soluciona este inconveniente filtrando el "ruido" de los datos de entrenamiento, lo que permite que el software aprenda de manera más consistente incluso con muestras de información imperfectas.
La clave de este método radica en que, en lugar de comparar múltiples opciones como se hace tradicionalmente, un "modelo profesor" se encarga de puntuar la utilidad de cada escenario. De esta forma, el "modelo alumno" hereda ese criterio y entiende el fondo de cada elección, en lugar de limitarse a replicar patrones estadísticos.
"Entrenar a una IA suele ser como enseñar a un niño comparando opciones, pero eso requiere volúmenes de información realmente enormes", explica Junmo Kim, líder del proyecto. "La tecnología del KAIST prefiere que un modelo 'profesor' puntúe la utilidad de cada escenario. Este enfoque es fundamental porque el aprendizaje por refuerzo define la evolución del sector, evitando fallos como el pirateo de recompensas".
Al heredar este conocimiento, los modelos de IA modestos pueden funcionar de manera mucho más inteligente, logrando resultados de precisión que igualan o superan a los de sistemas más complejos. Esto abre la puerta a que asistentes virtuales locales puedan ser mucho más útiles y confiables, sin depender de la nube ni de gigantescos conjuntos de datos.
Si bien el estudio se ha publicado de forma preliminar en arXiv y aún no cuenta con la validación definitiva de la comunidad científica, los investigadores aseguran que TVKD permitirá que la IA aprenda bajo limitaciones de recursos, lo que podría revolucionar el desarrollo de aplicaciones de inteligencia artificial en el futuro cercano.
