La investigación en inteligencia artificial está constantemente desarrollando nuevas hipótesis que tienen el potencial de beneficiar a la sociedad y la industria; sin embargo, a veces estos beneficios no se obtienen por completo debido a la falta de herramientas de ingeniería. Para ayudar a cerrar esta brecha, los estudiantes de posgrado del Programa de Tesis de Maestría en Ingeniería (MEng) 6-A del Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT trabajan con algunas de las empresas más innovadoras del mundo y colaboran en proyectos de vanguardia, mientras contribuyen y completar su tesis MEng.

Durante una parte del año pasado, cuatro estudiantes de 6-A MEng se unieron y completaron una pasantía con el equipo de creación de prototipos avanzados de IBM Research a través del MIT-IBM Watson AI Lab en proyectos de IA, a menudo desarrollando aplicaciones web para resolver un problema del mundo real o casos de uso comercial. Aquí, los estudiantes trabajaron junto con ingenieros de inteligencia artificial, ingenieros de experiencia del usuario, investigadores completos y generalistas para adaptarse a las solicitudes de proyectos y recibir asesoramiento de tesis, dice Lee Martie, miembro del personal de investigación de IBM y gerente de 6-A. Los proyectos de los estudiantes iban desde la generación de datos sintéticos para permitir el análisis de datos sensibles a la privacidad hasta el uso de la visión por computadora para identificar acciones en video que permiten monitorear la seguridad humana y rastrear el progreso de construcción en un sitio de construcción.

“Aprecié toda la experiencia del equipo y los comentarios”, dice Violetta Jusiega ´21, graduada de 6-A, quien participó en el programa. “Creo que trabajar en la industria brinda la perspectiva de asegurarse de que se satisfagan las necesidades del proyecto y [brinda la oportunidad] de fundamentar la investigación y asegurarse de que sea útil para algún caso de uso en el futuro”.

La investigación de Jusiega intersectó los campos de la visión por computadora y el diseño para enfocarse en la visualización de datos y las interfaces de usuario para el campo médico. Al trabajar con IBM, creó una interfaz de programación de aplicaciones (API) que permitía a los médicos interactuar con un modelo de IA de estrategia de tratamiento médico, que se implementó en la nube. Su interfaz proporcionó un árbol de decisiones médicas, así como algunos planes de tratamiento prescritos. Después de recibir comentarios sobre su diseño de médicos en un hospital local, Jusiega desarrolló iteraciones de la API y cómo se mostraban los resultados, visualmente, para que fuera fácil de usar y comprensible para los médicos, que generalmente no codifican. Ella dice que, “Estas herramientas a menudo no se adquieren en el campo porque carecen de algunos de estos principios de API que se vuelven más importantes en una industria donde todo ya es muy rápido, por lo que hay poco tiempo para incorporar una nueva tecnología”. Pero este proyecto eventualmente podría permitir el despliegue de la industria. “Creo que esta aplicación tiene mucho potencial, ya sea que los médicos la adopten o que simplemente se use en la investigación. Es muy prometedor y muy emocionante ver cómo la tecnología puede ayudarnos a modificar, o puedo mejorar, el campo de la atención de la salud para adaptarnos aún más a los pacientes y brindarles la mejor atención posible”, dice. “Creo que esta aplicación tiene mucho potencial, ya sea que los médicos la adopten o que simplemente se use en la investigación. Es muy prometedor y muy emocionante ver cómo la tecnología puede ayudarnos a modificar, o puedo mejorar, el campo de la atención de la salud para adaptarnos aún más a los pacientes y brindarles la mejor atención posible”, dice. “Creo que esta aplicación tiene mucho potencial, ya sea que los médicos la adopten o que simplemente se use en la investigación. Es muy prometedor y muy emocionante ver cómo la tecnología puede ayudarnos a modificar, o puedo mejorar, el campo de la atención de la salud para adaptarnos aún más a los pacientes y brindarles la mejor atención posible”, dice.

Otro estudiante graduado de 6-A, Spencer Compton, también estaba considerando ayudar a los profesionales a tomar decisiones más informadas, para su uso en entornos que incluyen la atención médica, pero lo estaba abordando desde una perspectiva causal. Cuando se le dio un conjunto de variables relacionadas, Compton estaba investigando si había una manera de determinar no solo la correlación, sino también la relación de causa y efecto entre ellas (la dirección de la interacción) solo a partir de los datos. Para ello, él y sus colaboradores de IBM Research y Purdue University recurrieron a un campo de las matemáticas llamado teoría de la información. Con el objetivo de diseñar un algoritmo para aprender redes complejas de relaciones causales, Compton usó ideas relacionadas con la entropía, la aleatoriedad en un sistema, para ayudar a determinar si existe una relación causal y cómo podrían estar interactuando las variables. “Al juzgar una explicación, la gente a menudo usa por defecto la navaja de Occam”, dice Compton. “Estamos más inclinados a creer en una explicación más simple que en una más compleja”. En muchos casos, dice, parecía funcionar bien. Por ejemplo, pudieron considerar variables como el cáncer de pulmón, la contaminación y los hallazgos de rayos X. Le complació que su investigación le permitiera ayudar a crear un marco de "inferencia causal entrópica" que podría ayudar a tomar decisiones seguras e inteligentes en el futuro, de manera satisfactoria. “Las matemáticas son sorprendentemente profundas, interesantes y complejas”, dice Compton. “Básicamente estamos preguntando, ¿cuándo es correcta la explicación más simple? sino como una pregunta de matemáticas.” pudieron considerar variables como el cáncer de pulmón, la contaminación y los hallazgos de rayos X. Le complació que su investigación le permitiera ayudar a crear un marco de "inferencia causal entrópica" que podría ayudar a tomar decisiones seguras e inteligentes en el futuro, de manera satisfactoria. “Las matemáticas son sorprendentemente profundas, interesantes y complejas”, dice Compton. “Básicamente estamos preguntando, ¿cuándo es correcta la explicación más simple? sino como una pregunta de matemáticas.” pudieron considerar variables como el cáncer de pulmón, la contaminación y los hallazgos de rayos X. Le complació que su investigación le permitiera ayudar a crear un marco de "inferencia causal entrópica" que podría ayudar a tomar decisiones seguras e inteligentes en el futuro, de manera satisfactoria. “Las matemáticas son sorprendentemente profundas, interesantes y complejas”, dice Compton. “Básicamente estamos preguntando, ¿cuándo es correcta la explicación más simple? sino como una pregunta de matemáticas.” ¿cuándo es correcta la explicación más simple? sino como una pregunta de matemáticas.” ¿cuándo es correcta la explicación más simple? sino como una pregunta de matemáticas.”

Determinar las relaciones dentro de los datos a veces puede requerir grandes volúmenes para descubrir patrones, pero para los datos que pueden contener información confidencial, esto puede no estar disponible. Para su trabajo de maestría, Ivy Huang trabajó con IBM Research para generar datos tabulares sintéticos utilizando una herramienta de procesamiento de lenguaje natural llamada modelo transformador, que puede aprender y predecir valores futuros a partir de valores pasados. Entrenado con datos reales, el modelo puede producir nuevos datos con patrones, propiedades y relaciones similares sin restricciones como la privacidad, la disponibilidad y el acceso que podrían venir con datos reales en transacciones financieras y registros médicos electrónicos. Además, creó una API e implementó el modelo en un clúster de IBM, lo que permitió a los usuarios aumentar el acceso al modelo y las capacidades para consultarlo sin comprometer los datos originales.

Trabajando con el equipo de creación de prototipos avanzados, el candidato a MEng Brandon Perez también consideró cómo recopilar e investigar datos con restricciones, pero en su caso fue usar marcos de visión por computadora, centrados en un modelo de reconocimiento de acción, para identificar los acontecimientos del sitio de construcción. El equipo basó su trabajo en el conjunto de datos Moments in Time, que contiene más de un millón de videoclips de tres segundos con alrededor de 300 etiquetas de clasificación adjuntas, y se ha desempeñado bien durante el entrenamiento de IA. Sin embargo, el grupo necesitaba más datos de video basados ​​en la construcción. Para ello, utilizaron YouTube-8M. Pérez creó un marco para probar y ajustar los modelos de detección de objetos existentes y los modelos de reconocimiento de acciones que podrían conectarse a una herramienta automática de localización espacial y temporal: cómo identificarían y etiquetarían acciones particulares en una línea de tiempo de video. “Estaba satisfecho de haber podido explorar lo que me despertaba la curiosidad y estaba agradecido por la autonomía que me dieron con este proyecto”, dice Pérez. “Sentí que siempre recibí apoyo, y mi mentor fue un gran apoyo para el proyecto”.

"El tipo de colaboraciones que hemos visto entre nuestros estudiantes de MEng e investigadores de IBM es exactamente de lo que se trata el programa de tesis de MEng 6-A en el MIT", dice Tomas Palacios, profesor de ingeniería eléctrica y director de la facultad del MIT 6-A. Programa de tesis MEng. “Durante más de 100 años, 6-A ha estado conectando a los estudiantes del MIT con la industria para resolver juntos algunos de los problemas más importantes del mundo”.