Una manera de entender la inteligencia es como una aptitud para crear relaciones. Una conducta o comportamiento inteligente se puede entender de diversos modos, pero probablemente siempre exista algún componente de razonamiento. Cómo entendamos el razonamiento puede variar, pero con probabilidad englobará alguna de estas acepciones: analizar problemas, comprender, interpretar, etc.

En general, podemos decir que en un Sistema Inteligente (SI) siempre habrá un conocimiento (científico-técnico y/o expertisia) y un proceso (por ejemplo, razonamiento lógico, aprendizaje, evolución, etc.

La IA, así pues, tendrá siempre que ver, en alguna medida, con razonar y aprender.

Generalmente, se suele distinguir cuatro enfoques de la IA, según ésta tienda a [construir:

-Sistemas que actúen como humanos (enfoque del test de Turing[i])

Las críticas suelen subrayar el hecho de que habría que caracterizar lo que es actuar como humanos. Para ello, desde luego, el sistema debe contar con una base de conocimiento (simbólico) y un proceso que debe utilizar lenguaje natural, algo que todavía no hace. Otro grupo de críticas contra este enfoque viene dado por el hecho de que olvida aspectos tan esenciales en el actuar humano como las emociones, los sentimientos, la moral, etc.

-Sistemas que piensen como humanos (enfoque cognitivo)

Para lograr construir esta clase de sistemas, habría que partir de una determinada definición del pensar. La principal tarea, para este enfoque, sería formalizar un modelo del pensamiento.

-Sistemas que piensen racionalmente (enfoque lógico)

Los antepasados de este enfoque son Aristóteles y la Lógica Clásica. Según este paradigma, lo racional es razonar lógicamente.

-Sistemas que actúen racionalmente (enfoque del agente racional)

Este es un enfoque integrador de aprendizaje y razonamiento.

Pasando a las técnicas utilizadas por la IA, el Dr. Kemper destaca:

Sistemas Expertos
Redes neuronales artificiales
Lógica difusa.

Los Sistemas Expertos tratan de emular el proceso de razonamiento. Para ver de qué consta un SE podemos preguntarnos qué características posee un experto humano. Un experto humano tiene unos conocimientos científico-técnicos, una serie de estrategias de análisis, y también una experiencia o expertisia (“reglas de dedo”, “colmillo”)

Para “convertir” al experto humano en un SE necesitamos, por un lado, una base de conocimiento. Ésta incluirá todo lo que podamos extraer al experto en materia de reglas, hechos, objetos, etc. Idealmente, incluso el ya citado “colmillo” debería estar en la base de conocimiento[ii]. Por otra parte, se necesitará un motor de inferencia, capaz de buscar cuál de las reglas de la base de conocimiento se debe usar en una determinada situación.

Los SE son útiles para resolver problemas cuyos parámetros permanecen relativamente constantes. Dar diagnósticos médicos, por ejemplo, es uno de estos problemas en los que los SE resultarían útiles. En cambio, hay otra serie de problemas para los cuales un SE resultaría inútil, como por ejemplo, el estudio del clima o del impacto ambiental.

Las Redes Neuronales Articiales, otra de las técnicas o metodologías usadas por la IA, parten de unos datos y ellas mismas construyen las reglas, generando así conocimiento. Básicamente, podemos decir que lo característico de estas redes es que aprenden, aunque también las podemos dotar de cierto grado de razonamiento.

FIGURA: Modelo de neurona

En el dibujo podemos ver el modelo de neurona con sus diferentes entradas, su núcleo y su salida. Salida que puede, a su vez, retroalimentar las entradas, en función de que se cumpla algún parámetro (aprendizaje supervisado) o de modo aleatorio, sin que exista este criterio (aprendizaje no-supervisado)

No todas las entradas tienen la misma importancia. Por eso tenemos que asignarles diferentes pesos. Esta ponderación se da a nivel de neurona, y también a nivel de la red en su totalidad. Es precisamente esta matriz de pesos la que constituye la experiencia que una red gana a medida que va aprendiendo. Esta expertise puede entenderse como una función de transferencia o función de adaptación, existiendo una cierta polémica al respecto.

En cualquier caso, esta expertise está ligada a las “capas ocultas”: capas fundamentales en la construcción de una red neuronal, ya que son las que podemos manipular para ir consiguiendo los mejores outputs.

La Lógica difusa, presentada por Lofti Zadeh, tiene que ver con el razonamiento aproximado. Esta lógica trata con variables lingüísticas ambiguas, y permite tomar decisiones con algún grado de certeza en condiciones de incertidumbre, por lo que tiene una gran utilidad en diversos aspectos de la vida cotidiana. Dedicaremos parte de otro taller a estudiar en detalle la lógica difusa.

José María Filgueiras Nodar

[i] Una máquina pasaría el test de Turing si el humano con quien conversase no fuera capaz de distinguir que está hablando con una máquina.

[ii] Esto es un reto hoy por hoy en IA, pero ya se ha intentado. La estrategia que se suele seguir es entrevistar muy a fondo al experto humano, a la vez que se lo capacita en lo que es un SE.