A medida que los niños en distintas partes del mundo aprenden y experimentan el mundo de diferentes maneras, capturar estos diversos contextos podría abrir nuevas vías para el desarrollo de IA más inclusivas y culturalmente adaptadas.
Este estudio no solo ofrece nuevas perspectivas sobre el proceso de aprendizaje de las IA, sino que también plantea preguntas sobre cómo los seres humanos, desde tempranas etapas de la vida, interactúan con su entorno para desarrollar competencias cognitivas básicas.
La metodología basada en la captura de experiencias cotidianas podría tener aplicaciones más allá del campo de la IA, influyendo en áreas como la pedagogía y la psicología del desarrollo.
Sam utilizó el casco aproximadamente una hora, dos veces por semana, acumulando un total de 61 horas de grabaciones y recopilando 250.000 palabras junto con sus respectivas imágenes. Estas actividades proporcionaron una rica variedad de contextos para el aprendizaje del modelo de IA.
El sistema de IA desarrollado, denominado Child Vision Contrastive Learning (CVCL), se alimentó de estos datos para aprender a asociar palabras con imágenes. A diferencia de los modelos tradicionales que dependen de bases de datos preconcebidas y limitadas, el CVCL se entrenó con datos reales del día a día de un niño.
Los resultados, publicados en la revista Science, son impresionantes. El modelo CVCL logró identificar correctamente objetos en un 62% de los casos, un porcentaje significativamente alto comparado con el 25% que se esperaría acertar por azar. Esta tasa de acierto es comparable con otros modelos de IA que requieren una cantidad de datos mucho mayor para alcanzar niveles de precisión similares.
Este enfoque demuestra que el contexto de aprendizaje, reflejado en experiencias reales de seres humanos en sus primeros años de vida, tiene un impacto significativo en los resultados de la IA. No obstante, el estudio presenta algunas limitaciones, ya que se llevó a cabo con un solo niño y en el marco de un único idioma, el inglés.