Google DeepMind aplica inteligencia artificial Alpha a gestión de centros de datos y compresión de vídeos

Google DeepMind aplica la inteligencia artificial a la gestión de centros de datos y a la compresión de vídeos

La serie Alpha de inteligencias artificiales de DeepMind ha conseguido varios hitos mundiales, como la victoria de AlphaGo sobre el campeón mundial de Go. Ahora, estas inteligencias artificiales, entrenadas originalmente para jugar a juegos, están siendo aplicadas a otras tareas y están mostrando una sorprendente capacidad para ellas.

Las primeras inteligencias artificiales de la serie Alpha fueron entrenadas usando el juego humano. AlphaGo Zero aprendió solo jugando contra sí mismo, mientras que AlphaZero hizo lo mismo y además dominó el ajedrez y el shogi. MuZero hizo todo eso y más sin siquiera conocer las reglas del juego, lo que puede limitar la forma en que "piensa" sobre cómo lograr su tarea.

En Google, un sistema llamado Borg gestiona la asignación de tareas en los centros de datos, básicamente analizando solicitudes y asignando recursos a la velocidad de la luz para que la enorme compañía tecnológica pueda realizar trabajos e investigaciones a gran escala. Pero Borg "utiliza reglas codificadas manualmente para programar tareas y gestionar esta carga de trabajo. A la escala de Google, estas reglas codificadas manualmente no pueden considerar la variedad de distribuciones de carga de trabajo en constante cambio", creando ineficiencias que son tan lógicamente inevitables como difíciles de rastrear.

Pero AlphaZero, expuesto a los datos de Borg, comenzó a identificar patrones en el uso del centro de datos y las tareas entrantes, y produjo nuevas formas de predecir y gestionar esa carga. Cuando se aplicó en producción, "redujo la cantidad de hardware subutilizado hasta en un 19%", lo que suena un poco seleccionado pero, incluso si es la mitad de verdad, es una gran mejora "a la escala de Google".

MuZero se aplica a la compresión de vídeos y mejora los algoritmos de ordenación

MuZero, por su parte, se puso a trabajar mirando las transmisiones de YouTube para ver si podía ayudar con la compresión, un dominio de software complejo que produce grandes resultados para pequeñas optimizaciones. Según se informa, fue capaz de reducir la velocidad de bits de los vídeos en un 4%, lo que, de nuevo, a la escala de YouTube es bastante importante. MuZero incluso se adentra en los detalles de la compresión, como el agrupamiento de fotogramas.

AlphaDev, algún pariente de AlphaZero, mejoró los algoritmos de ordenación en comparación con los estándares de la biblioteca que Google estaba utilizando. Y creó una función de hash mejor para rangos de bytes pequeños (9-16), reduciendo la carga en un 30%.

Estas mejoras no van a cambiar el mundo por sí solas; los cambios incrementales en los sistemas de desarrollo se hacen todo el tiempo. Lo interesante es que una inteligencia artificial que desarrolló un método de resolución de problemas centrado en ganar juegos pudo aprender y generalizar su enfoque en campos totalmente diferentes como la compresión.

La flexibilidad de la inteligencia artificial ya existente sugiere un futuro prometedor

Todavía queda un largo camino por recorrer antes de que tengamos una "inteligencia artificial de propósito general", lo que sea que eso signifique realmente, pero es prometedor que haya cierta cantidad de flexibilidad en las que ya hemos creado. No solo porque podemos aplicarlas a diferentes campos, sino porque sugiere flexibilidad y robustez dentro de los campos en los que ya trabajan.

Google DeepMind ha anunciado recientemente Barkour, una nueva herramienta de benchmarking para robots cuadrúpedos. La herramienta permite evaluar el desempeño de los robots en tareas de movimiento, equilibrio y navegación. Con Barkour, DeepMind espera avanzar en el desarrollo de robots capaces de moverse de manera autónoma en entornos complejos.