#90 bueeeno lo de las D-Wave no se sabe muy bien que es...
http://www.scottaaronson.com/blog/?p=2555 este tipo es uno de los mayores (sino el mayor) expertos en computacion cuantica y pocas veces dice cosas buenas sobre el D-Wave.
Habiendo jugado Go y Ajedrez veo lógico que en el Go pueda ganar una maquina. La cantidad de movimientos que tienes para ganar una zona es impresionante y regularmente muy variante para humanos, imaginaos maquinas. El ajedrez en cambio es algo más cerrado, en el que el jugador puede centrarse hasta una cantidad de movimientos que un humano puede resolver perfectamente a base de entrenamiento y variar de manera que una maquina nunca podrá, agregando picaresca y originalidad (ese nunca a ver si será relativo).
La adquisición de DeepMind Technologies no tiene ninguna relación con la de la máquina de D-Wave para el Quatum AI Lab. Los primeros se especializan en la resolución de problemas específicos mediante aprendizaje profundo, y los segundos en utilizar las máquinas de D-Wave para resolver problemas de optimización, todavía sin conseguir un uso práctico para la misma.
#91 Las D-Wave el problema que tienen es su inmensa "publicidad", se vendieron como las primeras computadoras quanticas del mundo cuando en realidad solo tienes "conceptos" de computación quantica para resolver problemas y que por lo demás son computadores normales. (notese mi "Pseudo" en la frase 
).
El qubit actualmente solo es capaz de existir 1 segundo y poco en estado de qubit antes de colapsar el mismo en algún estado.
De todas maneras es la actual maquina que mas se aproxima y que mas permite a los programadores hacer logros como ganar al Go, no hay que quitarle merito, una de estas es mucho mas rápida que el mejor computador estándar el mercado.
El problema de todo (hype en biomedicina, hype en farmacología, hype en nutrición, hype en investigación...) siempre es el departamento de marketing (que consigue pillar a los periolistos despistados o simplemente ignorantes valientes). Lo del D-Wave es lo de siempre. Crea ruido.
Hoy en día una máquina sólo es cálculo, un conjunto de microinstrucciones entre las que están sumas y saltos de línea. Nada más.
Todo X que pueda ser definido cómo un conjunto y relación de esas microinstrucciones podrá ser implementado en una máquina.
Puedes definir el bien o el mal, la justicia, la belleza, el amor etc.... cómo una ecuación matemática? La respuesta es (a día de hoy) categóricamente no y la respuesta la tienes en #89. No existe la equivalente ley de la gravedad en el amor o la justicia xD.
Por supuesto que existen baremos, tú mismo puedes hacer tu ecuación para un "bellezódromo" o definir la "amoretría" xD, basados en el 1+1 = 2. Y ahí está la cuestión, nadie puede discutir que 1+1 = 2, pero sí se puede discutir que ese 2 en materias subjetivas significa lo que tú quieras porque no existe una ley objetiva detrás cómo la de la gravedad para respaldar la interpretación del resultado.
p.s. tampoco debería confudirse proceso estocástico con el concepto de "libre albedrío".
#98 El problema viene cuando nos damos cuenta de que esos conceptos son tan subjetivos, son tan aferrados a la propia Qualia que conforma nuestro entendimiento de los mismos, que ni siquiera las personas tenemos eso definido. Y lo peor es que cuesta darse cuenta.
El canon de belleza ha cambiado muchísimo a lo largo de nuestra historia, así como lo que entendemos por amor varía muchísimo entre personas y parejas, y eso que hablamos de fenómenos que son lanzados por interacciones químicas en nuestro cuerpo.
¿Qué quiero decir con esto? Que el problema con este tipo de conceptos tiene más que ver con los conceptos en sí, que con su tratamiento en un equipo informático. Podemos basarnos en una serie de premisas (de origen subjetivo, claramente, al igual que hacemos los humanos), y crear un modelo objetivo por encima de las mismas.
Incluso sin necesidad de una IA real, podemos tirar de una lookup table para emular comportamientos humanos en temas tan peliagudos como estos. Imagínate entonces con una buena dosis de machine learning, y un poquitín de pseudoaleatoriedad (para definir algunas de esas premisas subjetivas de las que hablábamos antes, por ejemplo), lo que se podría conseguir.
Plantearse la posibilidad de recrear este tipo de comportamientos en las máquinas, no me parece una discusión digna de 2016, la verdad xD. Hoy en día me parece algo que, pese a que no esté logrado con exactitud, está más que claro que es teóricamente plausible.
Me parecen súper interesantes estos dos artículos sobre IA:
http://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.html
http://waitbutwhy.com/2015/01/artificial-intelligence-revolution-2.html
Da gusto leer a Tim Urban.
#98 pues yo no estoy de acuerdo, el bien y el mal es relativo, el amor una reaccion quimica y la belleza es cuestion de proporcion. Creo que son cosas que podria interpretar una maquina en un futuro.
Mas complicado veo la capacidad de imaginar y de crear.
Que está claro que es teóricamente plausible? Dónde hay estudios rigurosos de eso? A mi en este sentido no me valen charlas/presentaciones (por mucho que a mi también me gusten y estén bien hechas) de alguien con reputación haciendo de pitonisa del futuro. Al final el movimiento se demuestra andando que dicen, y no blableando. Método científico vamos .
No sé, empiezas muy bien tu argumento introduciendo la subjetividad... y terminas hablando de algo puramente determinista cómo buscar una tabla xD. Sin darte cuenta, según evolucionas tu discusión te vas contradiciendo a ti mismo! .
Pero es que el bien y el mal también son reacciones químicas porque son interpretaciones en nuestro cerebro. Todo lo que nos rodea y sentimos al final es interpretado en nuestro cerebro.
Ahora bien, existen leyes universales cómo la de la gravedad, que es totalmente independiente de la reacción química de turno en mi cerebro.
Existen esas leyes para el amor? la belleza? lo que sabemos es que no son invariantes y dependen del sujeto. Tú dices, bueno, es que los sujetos tienen cerebros distintos pero hay un patrón/ciencia invariante detrás cómo quiere sugerir #99 (filosofía de Platón btw ).
A día de hoy que yo sepa sabemos ciertos mecanismos de cómo funciona nuestro cerebro, pero aún se está muy lejos cómo para poder afirmar que hay un modelo matemático detrás.
Cómo bien dices, no se sabe lo que es la imaginación, creatividad, amor, justicia, etc de manera que se pueda implementar en una máquina. Hay mucha filosofía y psicología detrás, muchas palabras.... pero a día de hoy ninguna ecuación.
Y amigos míos, sin ecuaciones, no se puede implementar nada en las máquinas tal y cómo las conocemos. Por lo tanto eso de que plausible? ya me direis cómo xD.
Os voy a proponer el siguiente ejercicio.
Tengo una máquina y le pongo delante un algo. Ese algo puede ser lo que tú quieras, cómo por ejemplo, una persona, una película, un objeto random, una situación....
Cómo determinaría la máquina si ese algo es bonito o no?
p.d. según #100, pondría un cerebro en una urna a lo futurama, mediría sus reacciones químicas, y una ecuación matemática me daría el resultado 
. Es decir, la máquina sería una persona.
#102 no hace falta llegar a esos extremos utilizando el deep learning una IA puede llegar a simular los gustos de las personas. Tambien puede utilizar el numero aureo para calcular proporciones. No lo veo tan inverosimil.
#101 Con ese cambio de dirección trato de aproximar lo fácil que puede llegar a ser simular un comportamiento. No obstante, creo que está claro que una lookup table es un método mierdoso y por supuesto un mojón en cuanto a interesante xD. La idea de mi explicación es que todo comportamiento puede ser recreado si sabes sentar unas buenas bases.
Esto al final tiene un poco que ver con el black box principle: queremos que la máquina haga un comportamiento al igual que un ser humano, y lo que nos importa es que para 1000 inputs, todos los outputs se puedan considerar como humanos (lo cual se podría comprobar mediante un test de Turing o similar). Pero cómo la máquina logre eso, es otro cantar. No tiene por qué corresponderse a cómo lo hace un humano; lo importante es que funcione.
Recordemos que para solucionar un problema, existen infinitos algoritmos! La optimización es otro cantar ya.
#102 Depende de qué bases escojas para medir la belleza. No sé mucho de esto, aunque sé que hay estudios sobre los aspectos objetivos de la belleza (proporción, formas, colores...) que a su vez vienen condicionados por aspectos culturales del individuo, algo que también se puede parametrizar.
Dependiendo de cómo configures y calibres los distintos rangos, la máquina decidirá si ese algo es bello o no. Al igual que dependerá de cada persona si lo es. Al final, toda observación subjetiva se reduce a lo mismo: la configuración de cada uno, seas una máquina o un ser humano.
Y luego está lo que dice #103 que sería más bien "copiar" los gustos de otros humanos, pero a fin de cuentas es algo que también hacemos nosotros, que somos muy fáciles de condicionar por otros xD. El sistema perfecto probablemente usaría ambos métodos en concordancia.
La idea de mi explicación es que todo comportamiento puede ser recreado si sabes sentar unas buenas bases.
Ya claro xD, así también descubro yo América . Y si no existen tales bases? te has parado a pensar en ello? el problema es mucho más profundo. Es decir, tu solución se basa en un supuesto (totalmente legítimo). Ahora bien, es ese supuesto verdad? A día de hoy no lo sabemos (que yo sepa).
Sobre el ejercicio, no quiero pecar de arrogante ni mucho menos! Pero veo un caso de
https://en.wikipedia.org/wiki/Dunning%E2%80%93Kruger_effect
Lo que puedes leer en Wikipedia sobre DeepLearning (apartado Criticism and Comment) se asemeja bastante a mi tesis en estos últimos post:
A main criticism of deep learning concerns the lack of theory surrounding many of the methods. Most of the learning in deep architectures is just some form of gradient descent. While gradient descent has been understood for a while now, the theory surrounding other algorithms, such as contrastive divergence is less clear (i.e., Does it converge? If so, how fast? What is it approximating?). Deep learning methods are often looked at as a black box, with most confirmations done empirically, rather than theoretically.
Y podemos ver un ejemplo sobre esto en #104, en el momento que a tu máquina le presente algo que no esté en sus tablas? y si es una situación que no sabe qué es? yo que sé por ejemplo, unos patos tocando bongos , has de pensar que el algo del ejercicio, pueden ser infinitas cosas, y por suerte o desgracia, tu máquina (cómo nuestro cerebro) no tiene infinitos recursos.
Estos algoritmos son soluciones ad-hoc, que incluso está demostrado (empíricamente) que dan falsos positivos es situaciones en las que claramente un humano no fallaría.
Cuando conoces los algoritmos en detalle (la teoría que hay detrás), es cuando te das cuenta de que todo este tema ahora mismo está cogido con pinzas y hay mucho humo detrás. Por eso lo del Dunning–Kruger effect. No deis por verdad "absoluta" algo que no habeis comprobado (hasta cierto detalle claro xD) por vosotros mismos o está claramente aceptado por toda la comunidad científica.
Cómo ejemplo de cómo está el estado del arte hoy en día, os refiero a echar un vistazo a
https://en.wikipedia.org/wiki/RoboCup
entre sus variantes tenemos a la competición http://www.robocupathome.org/ . A día de hoy, incluso con problemas muy bien definidos y mucho más sencillos, podemos ver que las soluciones "dejan que desear" a comparación de que lo que se está diciendo por aquí (y no leerlo con desprecio ni mucho menos! xD), en el momento que nos salimos de problemas puramente matemáticos (cómo jugar al Go).
#105 Todavía queda mucho por aprender del cerebro y comportamiento humano, y aún así tenemos ciertas ideas sobre qué consideramos por bello, y qué factores pueden condicionar nuestra concepción de la belleza.
Lo que más falla hoy en día en esto es el reconocimiento, es algo que no te voy a negar xD, a la IA todavía le queda mucho (pero mucho, mucho) para ser capaz de tener la capacidad de reconocimiento de patrones del ser humano. Si entrenas una IA para ver perros, tendrá una gran habilidad para encontrarlos en una foto o vídeo, pero luego va a ser problemático si quieres que encuentre gatos y tira de sus datos anteriores. Y aún así, según llevo leído, se está avanzando bastante en esto con el deep learning y cada vez tenemos mejores sistemas de reconocimiento facial, de caracteres, etc...
Lógicamente, hay problemas técnicos. No estamos en una situación en la que digamos "pues vamos a construir una máquina que evalúe la belleza de las cosas, ale" xDDD. Faltan todavía muchos (muchos) años para que podamos empezar a hablar de algo capaz de ello, pues necesitaremos una capacidad de reconocimiento brutal, que sea capaz de extraer numerosas cualidades del objeto a estudiar, para luego evaluarlas respecto a esas mismas bases de las que hablaba antes. Y más cosas, que aquí estoy resumiendo demasiado.
La cosa es, ¿existe alguna barrera teórica contra esto? Sinceramente, hasta donde yo sé, no existe ninguna.
PD: Y no, no aplicaría tan rápido el Dunning-Kruger; pese a que no tengo práctica con estos temas y todavía me falta muchísimo por aprender, lo que conozco lo tengo bastante bien sentado. Te digo lo mismo que en el otro hilo: no te digo que yo tenga la razón absoluta, seguramente patinaré en algo (como todos), pero las bases de lo que digo están lejos de ser especulativas o de invención propia.
El Dunning-Kruger iba más por el tema del DeepLearning . No era nada despectivo ni mucho menos. Es más por el hecho de sobreestimar la técnica.
Haces una muy buena pregunta cuestionándote de si existe una barrera teórica.
Y es muy buena pero en el sentido inverso! y es el ver los fundamentos teóricos!
Si te pones a leer resultados en el mundo de la IA, a la fundación teórica no se le tiene mucho aprecio, porque lleva mucho tiempo y hacer un análisis es muy complicado y no al alcance de todos... y claro, tú tienes una máquina ahí "que funciona"! pues no se va a gastar el tiempo en la teoría y sí en publicar la máquina en cuestión xD.
En cuestión de IA los avances rigurosamente teóricos publicados no son tan espectaculares cómo son las máquinas ad-hoc que podemos ver en vídeos y congresos. Y eso es algo que generalmente confunde al público general, creemos que la teoría está tan avanzada cómo los casos particulares prácticos, y no es así. De ahí las extrapolaciones "muy a la ligera" que podemos leer en este hilo.
#108 Yo es que voy a dar un paso más allá, tirarme a la piscina (con traje y todo), y decir que podemos algorimizar el ejemplo del que estamos hablando. Utilizando el deep learning como mucho para el reconocimiento de patrones (eso sí, a un nivel de reconocimiento de patrones al que posiblemente no esté hoy en día):
Crear un mecanismo que parametrice el objeto a observar en la imagen.
Construir un modelo que compare los parámetros. Un ejemplo: si hallo bella la simetría (lo cual es una premisa), sumar puntos. Por supuesto, también sería una premisa el número mínimo de "puntos de belleza" para considerar a ese algo, bello.
Generación de números pseudoaleatorios, dentro de unos rangos.
Definir las premisas en base a los mismos.
Configurar el modelo según las premisas.
Está claro que hacer esto no es trivial, ni está cerca de serlo xD. Pero es un ejemplo rápido que, de realizarse, muy probablemente arroje resultados no tan distintos de los de un humano, aún faltando bastantes variables y funciones de por medio (también perfectamente recreables).
Pero la clave de esto, es que no hay barreras teóricas para hacerlo. ¿Dificultades técnicas? Pues claro xD, pero lejos de ser irrealizable o de requerir algún "santo grial" de la computación. Ni hace falta la tan ansiada general purpose AI, ni computación cuántica, ni magia de chamanes!
Aún así entiendo tu punto bien eh, ya había leído alguna vez que la teoría detrás del deeplearning está muy poco estudiada y que se vuelve bastante tedioso y problemático el análisis matemático de estos temas.
Ouh yeah, ahora empezamos a entendernos.
Por supuesto que yo también comparto que en un futuro ese tipo de tareas complejas serán abordables de alguna manera. Pero eso es una opinión fundada más bien en las novelas de ciencia ficción que en el actual progreso de la IA .
Eso de que hay o no barreras teóricas mmmm, insisto, es un problema más delicado y riguroso. Si mañana, por ejemplo, sale que P != NP y que para determinar X se necesita tal cantidad de datos y cómputo que ni un millón de veces la edad del universo... pues ahí tienes tu limitación teórica. Limitaciones teóricas existen en la compresión de datos por ejemplo, https://en.wikipedia.org/wiki/Entropy_(information_theory) , por qué no van a existir en la IA?
Yo no comparto en absoluto tu opinión de cómo sería ese proceso hipotético para determinar la belleza de algo, más que nada porque empleas únicamente herramientas actuales. Esas herramientas actuales se basan básicamente en estadística y optimización (minimizar una función de coste). Por eso las podemos meter en un ordenador.
Insisto, ¿creo que será posible? sí, ¿con herramientas distintas a las actuales? lo veo más que necesario. Pregúntale tú a un filósofo si la belleza o el amor es una min_x f(x) y verás a dónde te manda xD. Porque no hay que olvidar a los expertos en las otras ramas de ciencia/filosofía. No podemos pretender que los matemáticos/computer sciencie sepan más que los expertos en su campo.
#110 Hombre, es que de nuevo viene el gran problema: ¡la conceptualización! No es lo mismo el concepto de belleza de una persona normal, que la de un filósofo. Mientras que la primera te dirá "aquello que le parezca bonito", el segundo te va a enterrar en un muro de palabras que significarán lo que a cada uno le parezca xD.
Yo me estaba basando en algo muy simple, eh! Es el "simple" hecho de determinar si, en base a las características observables de un objeto en una imagen, un observador (que puede ser una máquina), con sus gustos predefinidos (premisas subjetivas), le gusta lo que ve o no. Sinceramente, una vez se tenga un método fiable de obtener esos datos de las imágenes, no me parecería tan difícil 
.
Al final, con estos problemas tan subjetivos y poco matemáticos, la idea es reducir el problema a una serie de datos, y ajustar el tratamiento de los mismos de modo que se asemeje en la mayor medida posible al caso real.
... Los dolores de cabeza vienen cuando estos problemas no están bien definidos porque los conceptos son volátiles y cambian según quién te los cuente .
Piensa que todo problema puede tener una solución, incluso si no pertenece a la familia P, podemos usar algoritmos probabilísticos (básicamente, en lo que se basa la IA ahora) y aproximarnos lo máximo posible al problema. Y no creo que el intelecto, la creatividad o la consciencia humana sean algo distinto; tendemos a mistificar demasiado nuestra propia especie. Aunque supongo que no te estoy contando nada nuevo xD.
Simplificando al maximo el problema...
Si partmos de la base de que conceptos como belleza, o bien/mal son subjetivos y cada persona tiene su propia y única interpretacion...
Por que no iba a ser posible que, a traves de IA, se incluyan esos conceptos, teniendo en cuenta que distintas maquinas podrían tener su propio concepto??
El problema esta en pensar que se puede evaluar si el concepto abstracto(belleza) que tenga una IA sea el correcto. Si yo ahora creo una IA a mi manera que diferencia cosas bonitas de las que no son, quien tiene autoridad para decir que se equivoca?
Entonces no estamos hablando de "belleza", estamos hablando de minimizar la función de coste que tenga cómo parámetros, simetría, armonía, colores felices.... entonces eso claro que ya se puede hacer, y de hecho se hace .
Pero insisto, en mi opinión no podemos pretender usurpar a los expertos en su campo xD. Dicho de otra manera, aún sigo esperando que alguien me diga cómo codificar en una ecuación lo que es la justicia o el amor.
#113 Es que vuelves al mismo punto xD. Tratas de conceptualizar cosas que ni siquiera tenemos 100% definidas. ¿Siente todo el mundo el amor de la misma forma? ¿Qué magnitud usamos para cuantificarlo si hay diferentes formas de sentirlo? ¿Cómo establecemos la prioridad o importancia de unas variables sobre otras a la hora de calcular el amor, o la justicia?
Ni siquiera como individuos podemos hablar a ciencia cierta de amor o justicia. El bienestar que sentimos cuando estamos enamorados, es una qualia, eso no se puede aislar del individuo bajo ninguna condición, por tanto pierde sentido tratar de explicarla.
Esa qualia la generan las hormonas que causan que estemos pillaos', véase oxitocina, dopamina, adrenalina, testosterona en caso de los hombres y estrógenos en el de las mujeres... ahí ya hablamos de algo más real. Tenemos una pequeña base con la que trabajar, pero que no obstante, sigue sin guardar más relación con la qualia que la causa-efecto.
Y nosotros, como seres humanos, establecemos el constructo de "amor" para referirnos a esa serie de reacciones químicas, y la sensación final que producen. Tratamos de darle una explicación, de transformar lo que no es más que química, en palabras. Y lógicamente nos sale un concepto que tiene sentido en nuestras cabezas, un concepto que depende de una sensación, pero un concepto abstracto, subjetivo, y en esencia, de una realidad personal e intransferible.
Lo mismo para la justicia y otras palabrillas que dan dolores de cabeza (o de procesador, badumtsss) a los ordenadores: ¿cómo pretendemos que una máquina sienta lo mismo que nosotros, si no posee nuestro sistema nervioso, ni nuestro sistema hormonal, ni nada por el estilo? Lo único que podemos hacer es utilizar el principio de caja negra, como decía, e igualar los inputs y los outputs.
Si para 1000 inputs distintos en una persona y una máquina, tenemos 1000 outputs prácticamente idénticos, ¿no estarán ambos entes, entendiendo el amor de igual (o similar) forma?
Yo creo que la respuesta a esta pregunta es más de índole filosófica que otra cosa, pero desde mi perspectiva, la parametrización y la imitación de las funciones que causan que estos datos muten, el producto final es idéntico excepto porque la máquina carece de consciencia (lo cual externamente ni nos va ni nos viene; el concepto de consciencia es una de las mayores incógnitas de la existencia xD).
Edit: Ay que me lol, lo siento por el tocho, estoy en el curro sin mucho que hacer ahora mismo y el aburrimiento hizo el resto xD.
Vuelvon al mismo punti porque me cuesta seguirte, porque dices blanco y negro a la vez.
No entiendo cómo puedes decir en el mismo post que entiendes que un sentimiento es algo abstracto que matemáticamente no está definido, y a la vez que sí, que una máquina "mirando en tablas" (o ponga aquí su algoritmo favorito) puede desfrizar dicho sentimiento.
#115 Precisamente porque creo que se puede computerizar todo o prácticamente todo! Y no necesariamente de la forma que sucede, no, no. La idea es que se pueda simular esa función y conseguir el mismo resultado, pese a que el método sea distinto.
Y por resultado, siempre me voy a referir a resultados objetivos, algo totalmente empírico, no una "sensación" (eso la qualia a la que me refiero), que es subjetiva por definición.
Esto es una pescadilla que se muerde la cola...
Yo creo que el problema es cómo lo dices, no distingues tu opinión de un hecho.
Opinión: en un futuro con una tecnología que desconocemos (ciencia ficción, nada de funciones de coste blabla) una máquina podrá sentir.
Yo también comparto esa opinión. Lo que no comparto para nada es que esa tecnología tenga cómo base la actual teoría en la IA.
Porque es un hecho que cualquier cosa que no pueda definirse con una ecuación no puede implementarse en una máquina. Btw, ésta es tu limitación teórica.
A lo mejor así está más claro. No se puede decir se puede hacer blabla basado en blabla y luego no ver prueba alguna rigurosa de ello, porque así yo también digo que "puedo" ir y volver a Alfa Centauri en una mañana.
#117 ¿No te parece plausible el ejemplo de #109? Porque un tema como estos, realmente no sería más que eso, pero sentando sus bases en un modelo complicado y extenso. No veo qué tiene de opinión nada de lo que digo xD.
La única limitación sería la definición que tengas de ese concepto. Estoy muy de acuerdo en que algo como el amor, la justicia, el terror o la solidaridad (por poner ejemplos), no son conceptos que podamos convertir en ecuaciones. Lo repetiré: son reacciones químicas que sentimos de una manera determinada (las qualias estas con las que estoy tan pesao').
¿Cómo algorimizar eso? Pues analizándolo desde una perspectiva que trate de conseguir las mismas salidas para las mismas entradas, lo que llevo diciendo rato.
Pero ojo, yo estoy hablando de algorimizar estos conceptos, al menos establecer una aproximación a la solución o reducir el problema a uno computable. La IA en este caso sólo serviría para sacar los datos.
Ahora bien, repito, ¿te parece imposible, o siquiera extraño esto que digo? ¿No crees que el problema es, como siempre, el concepto? Si nos basamos en el black-box principle, somos un poco pragmáticos, y nos permitimos reducciones y aproximaciones, podemos lograr computerizar prácticamente cualquier cosa.
Por supuesto que no es plausible. Tú mismo lo has explicado muy bien.
Si no hay definición matemática, no puedes implementarlo en una máquina actual. Por fortuna o desgracia xD, esto no admite discusión alguna.
No puedes hacer un algoritmo, o un modelo matemático, o una reducción o aproximación matemátca de algo que no se puede describir con matemáticas.
Si yo (creo ) que te estoy entendiendo cuando hablas de aproximación a un concepto, y para muestra un famoso ejemplo, el blue monday
https://en.wikipedia.org/wiki/Blue_Monday_(date)
Según esta ecuación matemática, éste es el día más triste del año, cómo aproximación eso vale? bueno, tratar de capturar con matemáticas algo tan subjetivo hace que al final lo que tengas es un poco chiste en mi opinión. Ponte a añadir todas las variables que quieras, el deep learning que quieras para que configure aún más el modelo... que al final todo se reduce a un proceso matemático.
Fíjate que en la Wikipedia sobre el Blue Monday hay referencias a que se trata de una pseudociencia, al tratar un matemático de "capturar" o "aproximar ese concepto" con ecuaciones. En otras palabras, el matemático le está pisando el terreno al filósofo/psicólogo pero sin contar con este último.
En algún momento algún genio vendrá y nos iluminará con nuevas teorías para abordar este tema? Pues sinceramente, yo sí lo creo. Pero hasta que no me lo enseñen, la verdad es que no tengo ni idea de cómo sería esa nueva teoría.
#119 Eh, eh, pero el concepto de blue monday es algo que, en teoría, debería aplicarse a la mayoría de la gente. Es decir, debería ser el día más depresivo, en general, para la población. Y lógicamente tiene una base de mierda y no lo es xD.
Pero lo que te estoy diciendo, son temas con una base subjetiva (es decir, la premisa inicial sobre la que se basa todo, es puramente subjetiva). Que una máquina diga que una foto es bonita o no, es algo que podría tener tanta razón como que una persona lo diga, especialmente si los patrones que conforman cánones de belleza, son iguales o similares en ambos entes. ¿Estamos de acuerdo con esto?
Al final, estos problemas son más fáciles de hacer, que de validar. Porque, claro, ¿cómo validas la opinión de una persona (o máquina) sobre la belleza de algo? Eso sí que me parece algo más complicado de plasmar en una ecuación, algo que se nos escapa bastante al menos por ahora, que básicamente sería descubrir las premisas primitivas del problema, las que subyacen a la premisa base subjetiva bajo la que se basa la observación del ente.
Explicación aparte: Como me he liado bastante, intentaré explicarlo de otra manera. El problema del Blue Monday se evalúa respecto a un conjunto de individuos (habría que preguntar a toda la gente si ese es su día más deprimente del año), mientras que el problema del amor/justicia/whatever, se evalúa respecto a un individuo, y es un problema que cambia según la persona. Entonces, el primer problema se verifica como verdadero si todo el mundo (o la mayoría) dicen que es su día más deprimente, mientras que el segundo, no hay forma de evaluarlo como verdadero; la única forma es aproximarse de modo que la reacción entre los dos entes sea igual.
Ahora bien, si para 1000 inputs, hay 1000 outputs iguales en uno y otro, ¿quién te dice que el 1001 no cambie? Nadie, por supuesto, pues no has tenido un diseño en el que basarte; has algorimizado algo a palo ciego, con como mucho pequeñas evidencias (como en el caso de la belleza es la simetría). No podrás verificar que tu algoritmo es 100% correcto, pero sí para la mayoría de casos, al menos. Hay muchos algoritmos que funconan así xD.
