Verificación de pruebas de IA ultrarrápida: qué significa un nuevo resultado matemático para verificar datos masivos
Investigadores han encontrado una manera de verificar hechos aproximados sobre conjuntos de datos enormes utilizando solo una pequeña porción de los datos, dos veces. Aquí está por qué importa.
Puntos clave
- Apple ML Research publicó un estudio sobre una nueva clase de sistemas de prueba matemática llamados pruebas de proximidad interactivas doblemente sublineales.
- El método permite a un probador, la parte que hace una afirmación, leer solo una pequeña fracción de un conjunto de datos masivo para generar una prueba.
- Un verificador, la parte que verifica la afirmación, necesita leer una fracción aún más pequeña para confirmar si la prueba es probablemente correcta.
- La técnica se aplica a la verificación aproximada, lo que significa que detecta entradas que están claramente incorrectas sin necesidad de inspeccionar cada byte.
- Ninguna técnica existente puede engañar al verificador para que acepte una afirmación falsa, según la investigación.
Imagina que diriges un almacén con un millón de cajas y alguien te dice que aproximadamente el 95 por ciento de ellas están etiquetadas correctamente. No tienes tiempo para abrir cada caja. ¿Y si pudieras inspeccionar solo algunas centenas y aún así estar seguro de que la afirmación es válida? Esa es la intuición detrás de esta investigación.
Científicos de Apple ML Research han publicado un estudio sobre lo que denominan pruebas de proximidad interactivas doblemente sublineales, o dsIPPs. Una prueba de proximidad interactiva es un protocolo, un intercambio formal entre dos partes, que permite a una convencer a la otra de que un conjunto de datos masivo satisface alguna propiedad, sin que ninguna de las partes tenga que leerlo completamente. "Sublineal" simplemente significa que el trabajo crece mucho más lentamente que el tamaño de los datos, por lo que verificar mil millones de registros podría requerir leer solo unos pocos miles.
La parte "doblemente" es el nuevo giro. Tanto la parte que genera la prueba como la que la verifica trabajan en tiempo sublineal. Anteriormente, los sistemas de prueba de este tipo requerían que el probador leyera toda la entrada. Aquí, el probador lee una pequeña porción. El verificador lee una porción aún más pequeña.
¿Qué significa "aproximado" aquí? El sistema no garantiza la perfección. Garantiza que si una entrada pertenece genuinamente a la propiedad siendo probada, un probador honesto siempre puede lograr que el verificador acepte. Y si una entrada está lejos de esa propiedad, ningún probador deshonesto puede engañar al verificador para que diga sí. Piénsalo como una alarma de humo: no se perderá un fuego real, y una máquina de humo no la engañará.
¿Por qué debería importarle a la gente común?
Probablemente no interactuarás directamente con esta investigación durante años, si es que alguna vez lo haces. Pero los problemas que aborda están debajo de tecnologías que la gente usa todos los días. Los servicios de transmisión verifican si enormes bibliotecas de archivos cumplen con estándares de calidad. Los bancos auditan registros de transacciones para detectar patrones de fraude. Los sistemas de salud escanean millones de registros en busca de errores de informes. Cualquier situación en la que verificar todo sea demasiado lento o demasiado costoso es exactamente donde este tipo de sistema de prueba eventualmente se vuelve útil.
La investigación es teórica por ahora, lo que significa que establece los fundamentos matemáticos en lugar de lanzar un producto. Las herramientas prácticas construidas sobre estas ideas podrían permitir a los sistemas de software verificar afirmaciones a gran escala mucho más rápido que los métodos actuales permiten, sin sacrificar la confiabilidad.
El documento completo está disponible para investigadores que deseen profundizar en las pruebas formales y los límites de complejidad.
