Aprender ao pé da letra

Facer exercicios nas materias de matemáticas ou de física é unha boa forma de aprender ditas materias. De feito, é común que se avalíe aos alumnos mandándolles resolver algúns. Recordo que así foron a maior parte dos exames que fixen cando cursaba a carreira de física. Antes, moitos profesores dábannos boletíns de problemas, resoltos algúns e outros non. Tiña un compañeiro que tan pronto nos entregaban unha nova relación de problemas, afanábase en repetir os que viñan resoltos. Unha e outra vez, con paciencia de amanuense monacal, ata que as solucións saían mecanicamente do seu lapis, coma se as estivese escribindo unha impresora. Aprendíaos de memoria, pero sen entendelos. Iso dicía el. De feito, limitábase a facer os exercicios xa resoltos dos boletíns, pero non ía máis aló. Non tentaba facer aqueles que só viñan enunciados, nin consultaba os libros que nos recomendaban, buscando neles outros exercicios, resoltos ou non, e tamén a súa explicación.

Despois chegaban os exames e, claro, os exercicios que alí nos poñían non eran os mesmos que antes nos deran resoltos. Aínda que nalgún caso parecíanse, difería o enunciado e os datos. Pero polo xeral eran moi distintos, e mesmo algúns parecía que fosen redactados por un extraterrestre. Ao meu compañeiro non lle foi ben na carreira, aínda que espero que si na vida, pero non o sei. Non volvín saber del desde entón.

Ás intelixencias artificiais baseadas en aprendizaxe automática tamén pode ocorrerlles algo parecido a aprender de memoria e ao pé da letra. Ou ao pé do dato, deberiamos dicir neste caso. Se non as adestramos ben, poden acabar aprendendo a resolver case á perfección o conxunto de exemplos usado para o seu adestramento, pero ese sobreaprendizaje pode levalas a funcionar mal en condicións reais e máis diversas de uso, onde os casos a tratar non van ser iguais a aqueles aprendidos, aínda que en xeral sexan parecidos.

Imaxínese que quero adestrar unha intelixencia artificial para que detecte nódulos cancerosos sobre radiografías de tórax. Podo usar para adestrar a intelixencia artificial exemplos de radiografías nas que hai nódulos cancerosos e outras onde non. Acabar identificando as radiografías con nódulos malignos sería o desexable, en principio. Pero se sobreadestro a IA sobre ese conxunto de adestramento, acabaría axustando con tal precisión os parámetros da IA para ese conxunto de casos, que lle pode pasar como ao meu colega de estudos, que logo falle, incluso estrepitosamente, ao analizar novas radiografías onde os nódulos non teñan exactamente o mesmo tamaño, forma, densidade, localización nos pulmóns...

Se aprendes ao pé da letra, ou do dato, a resolver un problema, pero non podes xeneralizar o aprendido dalgún modo, non saberás dar resposta a algo distinto ao aprendido, aínda que se trate de casos parecidos. Isto é malo para as persoas, pero tamén para as máquinas. Nalgunhas cousas non somos tan distintos.