Por: José Daniel Figuera
Un equipo de investigadores de la Universidad de Tecnología de Sídney (UTS) ha desarrollado un nuevo algoritmo de inteligencia artificial llamado Torque Clustering, que promete revolucionar la forma en que los sistemas de IA aprenden y descubren patrones en los datos de manera autónoma, sin necesidad de supervisión humana. Este avance acerca la posibilidad de una inteligencia artificial verdaderamente autónoma, capaz de operar de manera similar a la inteligencia natural.
¿Qué es Torque Clustering y cómo funciona?
Torque Clustering es un algoritmo de aprendizaje no supervisado que se inspira en principios físicos, específicamente en el concepto de torque (par de fuerzas) y en las interacciones gravitacionales que ocurren cuando las galaxias se fusionan. A diferencia de los métodos tradicionales de IA, que dependen de datos etiquetados por humanos, Torque Clustering puede analizar grandes volúmenes de datos sin necesidad de etiquetas, identificando patrones y estructuras inherentes de manera autónoma.
Según el Profesor Distinguido CT Lin de la UTS, "en la naturaleza, los animales aprenden observando, explorando e interactuando con su entorno, sin instrucciones explícitas. El próximo paso en la IA, el aprendizaje no supervisado, busca imitar este enfoque".
Ventajas sobre los métodos tradicionales
Los métodos actuales de IA, basados en aprendizaje supervisado, requieren grandes cantidades de datos etiquetados, lo que resulta costoso, lento y, en muchos casos, poco práctico para tareas complejas o a gran escala. Torque Clustering, por el contrario, no necesita datos etiquetados, lo que lo hace más eficiente y escalable.
El algoritmo ha sido probado en 1,000 conjuntos de datos diversos, logrando un puntaje promedio de 97.7% en la métrica de información mutua ajustada (AMI), que mide la precisión de los resultados de agrupamiento. En comparación, otros métodos de vanguardia apenas alcanzan puntajes en el rango del 80%.
Aplicaciones y futuro de Torque Clustering
Torque Clustering tiene aplicaciones en una amplia gama de campos, como biología, química, astronomía, psicología, finanzas y medicina. Por ejemplo, podría usarse para detectar patrones de enfermedades, descubrir fraudes o comprender comportamientos complejos. Además, su capacidad para procesar grandes volúmenes de datos con eficiencia computacional excepcional lo convierte en una herramienta prometedora para el desarrollo de inteligencia artificial general.
Según el Dr. Jie Yang, autor principal del estudio, "lo que distingue a Torque Clustering es su capacidad para identificar grupos de datos de manera autónoma y adaptarse a diversos tipos de datos, con diferentes formas, densidades y niveles de ruido".
El algoritmo también podría impulsar avances en robótica y sistemas autónomos, optimizando el movimiento, el control y la toma de decisiones. Con su código de fuente abierta disponible para investigadores, Torque Clustering está listo para redefinir el panorama del aprendizaje no supervisado y allanar el camino hacia una IA verdaderamente autónoma.
Fuente de la investigación
Jie Yang, Chin-Teng Lin. Autonomous clustering by fast find of mass and distance peaks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2025; DOI: 10.1109/TPAMI.2025.3535743.