Hacia el aprendizaje de conceptos a nivel humano: Evaluación de patrones para algoritmos de IA

La inteligencia artificial (IA) hoy es muy exitosa en tareas estándar de reconocimiento de patrones debido a la disponibilidad de grandes cantidades de datos y los avances en el aprendizaje automático basado en datos estadísticos. Sin embargo, todavía existe una gran brecha entre el reconocimiento de patrones de IA y el aprendizaje de conceptos a nivel humano. Los humanos pueden aprender de manera asombrosa incluso bajo incertidumbre a partir de solo unos pocos ejemplos y son capaces de generalizar estos conceptos para resolver nuevos problemas conceptuales. El creciente interés en la inteligencia artificial explicable requiere entornos experimentales y conjuntos de datos de diagnóstico/evaluación para analizar los enfoques existentes y fomentar el progreso en el análisis de patrones y la inteligencia de máquinas. En este artículo, proporcionamos una visión general de las soluciones actuales de IA para la evaluación del aprendizaje de conceptos, razonamiento y generalización; discutimos el estado del arte de los conjuntos de datos de diagnóstico/evaluación existentes (como CLEVR, CLEVRER, CLOSURE, CURI, Bongard-LOGO, V-PROM, RAVEN, Kandinsky Patterns, CLEVR-Humans, CLEVRER-Humans y su extensión que contiene lenguaje humano); y ofrecemos una perspectiva sobre algunas direcciones futuras de investigación en este emocionante campo de investigación.