Perceptrón Mark I

El Perceptrón Mark I fue un sistema pionero de aprendizaje de clasificación de imágenes supervisada desarrollado por Frank Rosenblatt en 1958. Fue la primera implementación de una máquina de inteligencia artificial (IA). Se diferencia del Perceptrón , que es una arquitectura de software propuesta en 1943 por Warren McCulloch y Walter Pitts , ^{[ 1 ]} que también se empleó en el Mark I, y cuyas mejoras han seguido siendo parte integral de tecnologías de IA de vanguardia como el Transformer .

El perceptrón Mark I estaba organizado en tres capas: ^{[ 2 ]}

• Un conjunto de unidades sensoriales que reciben información óptica.
• Un conjunto de unidades de asociación, cada una de las cuales se activa en función de la información recibida de múltiples unidades sensoriales.
• Un conjunto de unidades de respuesta que se activan en función de la información recibida de múltiples unidades de asociación.

La conexión entre las unidades sensoriales y las unidades de asociación era aleatoria. El funcionamiento de las unidades de asociación era muy similar al de las unidades de respuesta. ^{[ 2 ]} Las diferentes versiones del Mark I utilizaban distintos números de unidades en cada una de las capas. ^{[ 3 ]}

En su propuesta de 1957 para obtener financiación para el desarrollo del "Fotoperceptrón de Cornell", Rosenblatt afirmó: ^{[ 4 ]}

"Se espera que, en última instancia, este tipo de dispositivos sean capaces de generar conceptos, traducir idiomas, recopilar información militar y resolver problemas mediante lógica inductiva."

Con la primera versión del Perceptrón Mark I ya en 1958, Rosenblatt demostró un sencillo experimento de clasificación binaria , es decir, distinguir entre hojas de papel marcadas en el lado derecho y aquellas marcadas en el lado izquierdo. ^{[ 5 ]}

Uno de los experimentos posteriores distinguió un cuadrado de un círculo impreso en papel. Las formas eran perfectas y sus tamaños fijos; la única variación radicaba en su posición y orientación . El perceptrón Mark I alcanzó una precisión del 99,8 % en un conjunto de datos de prueba con 500 neuronas en una sola capa. El tamaño del conjunto de datos de entrenamiento fue de 10 000 imágenes de ejemplo. El proceso de entrenamiento tardó 3 segundos en procesar una sola imagen. Se observó una mayor precisión con figuras de contorno grueso en comparación con figuras sólidas, probablemente porque las figuras de contorno redujeron el sobreajuste . ^{[ 3 ]}

Otro experimento permitió distinguir entre un cuadrado y un rombo , logrando una precisión del 100 % con tan solo 60 imágenes de entrenamiento, utilizando un perceptrón con 1000 neuronas en una sola capa. El tiempo de procesamiento de cada entrada de entrenamiento para este perceptrón de mayor tamaño fue de 15 segundos. La única variación radicó en la posición de la imagen, ya que la rotación habría generado ambigüedad.

En ese mismo experimento, pudo distinguir entre las letras X y E con una precisión del 100 % cuando se entrenó con solo 20 imágenes (10 imágenes de cada letra). Las variaciones en las imágenes incluían tanto la posición como la rotación hasta 30 grados. Cuando la variación en la rotación se incrementó a cualquier ángulo (tanto en los conjuntos de datos de entrenamiento como de prueba), la precisión se redujo al 90 % con 60 imágenes de entrenamiento (30 imágenes de cada letra). ^{[ 3 ]}

Para distinguir entre las letras E y F, un problema más complejo debido a su similitud, el mismo perceptrón de 1000 neuronas alcanzó una precisión superior al 80 % con 60 imágenes de entrenamiento. La variación se limitó a la posición de la imagen, sin rotación. ^{[ 3 ]}

• Historia de la inteligencia artificial
• Historia de las redes neuronales artificiales