Entrenar un sistema d'IA capaç de classificar imatges complexes sol exigir desenes de milers de targetes gràfiques i pressupostos de milions de dòlars, un cost que deixa aquesta tecnologia fora de l'abast de la majoria d'equips de recerca i d'empreses petites.
Un equip de la Universitat de Bristol, liderat pel professor Sidharth Jaggi i el doctor Ioannis Papageorgiou, del Departament de Matemàtiques, ha presentat el 16 de setembre a la Conferència Allerton sobre Comunicació, Control i Computació, a Illinois, un mètode que s'inspira en el joc infantil de les 20 preguntes: en lloc d'un sol model gran i costós, combina molts classificadors binaris molt senzills —que només responen sí o no— entrenats en minuts en un ordinador portàtil corrent. Combinant les respostes d'aquests classificadors petits, el sistema pot resoldre tasques de classificació complexes, i es manté fiable fins i tot quan algun dels classificadors individuals s'equivoca. El mètode es descriu amb detall matemàtic a l'article «Fundamental limits of distributed multiclass classification from simple binary decisions», publicat a arXiv el 21 de juliol.
La troballa és rellevant perquè apunta a una manera de fer IA de classificació d'imatges més accessible i barata, especialment pensada per a sistemes distribuïts i dispositius perifèrics (edge) amb poca capacitat de càlcul, en lloc del camí habitual de créixer en mida de model i en consum energètic. El professor Jaggi ho resumeix així: «fins i tot si fem “preguntes aleatòries senzilles”, les respostes es poden combinar per fer tasques complexes». El treball forma part de l'Informed AI Research Hub de la Universitat de Bristol, centrat en problemes fonamentals de matemàtiques, teoria de la informació i seguretat de la IA.
Es tracta d'un resultat presentat en una conferència de comunicacions i control, no encara en una revista científica revisada per parells del camp de la IA, i les demostracions difoses fins ara es limiten a tasques de classificació d'imatges relativament controlades; caldrà veure si el mètode es manté igual d'eficaç quan s'aplica a problemes de classificació més grans i variats, propis dels sistemes que ja es fan servir en producció.