« Hans Rosling: Una lec… « || Inicio || » El modelado de proble… »

Sobre la Inteligencia Artificial...

Última modificación: 24 de Septiembre de 2017, y ha tenido 1759 vistas

Etiquetas utilizadas: || ||

El campo de la Inteligencia Artificial (IA) es un campo de investigación transdisciplinar que generalmente se relaciona con el desarrollo e investigación de sistemas que operan o actúan inteligentemente. Está considerada una disciplina de las ciencias de la computación ya que tiene un enfoque principalmente computacional, aunque cada día hay más aportaciones desde otras áreas (como neurociencia, estadística, psicología, etc.). La IA clásica aparece en los años 50 como resultado de la comprensión del cerebro por medio de la neurociencia, las nuevas teorías matemáticas de la información, la teoría de control que surge desde la cibernética y la aparición del ordenador digital. 

Tres14. Inteligencia Artificial

TecnonautaTV

Russell y Norvig proporcionan una perspectiva que define la IA en 4 categorías:

  1. Sistemas que piensan como humanos: modelan las propiedades del procesamiento cognitivo de los humanos, como por ejemplo un resolvedor general de problemas y sistemas que construyen modelos internos de su mundo.
  2. Sistemas que actúan como humanos: pueden realizar cosas específicas que hacen los humanos, lo que incluye tareas como el Test de Turing, procesamiento de lenguaje natural, razonamiento automático, repersentación del conocimiento, aprendizaje automático, visión computacional y robótica.
  3. Sistemas que piensan racionalmente: sugiere leyes de racionalismo y un pensamiento estructurado, tales como silogismos y lógica formal. 
  4. Sistemas que actúan racionalmente: hacen cosas racionales tales como maximizar la utilidad esperada y los agentes racionales.

Introduccion-a-la-inteligencia-artificial de Fernando Sancho Caparrini

A continuación presentaremos las diversas aproximaciones que pueden encontrarse en la IA desde sus comienzos. La aproximación clásica de la IA se ha basado en el empleo de una base simbólica, mientras que una aproximación más moderna (llamada de soft-computing) no necesariamente hace uso de una base simbólica, sino de encontrar patrones inspirados en la naturaleza o biología, centrando sus esfuerzos en encontrar estrategias de adaptación y aprendizaje. En los últimos años está cogiendo especial relevancia una rama de la IA más basada en la aplicación del aprendizaje automático, en su formato más moderno, como un medio para resolver problemas complejos por medio de aproximación por aprendizaje de casos, y no por generación explícita de algoritmos diseñados adhoc para ello.

IA Clásica

Normalmente está relacionada con una perspectiva de "arriba a abajo" del problema que se quiere resolver, haciendo uso generalmente de una representación simbólica y de procesos lógicos que pueden explicar porqué funciona el sistema. Los éxitos de esta metodología incluyen multitud de aproximaciones especializadas tales como los sistemas expertos basados en reglas, demostradores automáticos de teoremas, y técnicas de investigación operativa que están relacionadas con la planificación y logística. A pesar de estos éxitos, que se dieron principalmente en años pasados de la IA, esta metodología tiene sus límites, principalmente en relación a su escalabilidad... un incremento en el tamaño del problema puede llevar a un incremento excesivo en la complejidad que hace imposible encontrar una solución de manera eficiente (por ejemplo, necesitando incrementos exponenciales en el uso del espacio usado o del tiempo necesario para encontrar la solución).

IA moderna

Las aproximaciones de la IA moderna se definen a partir de procedimientos relativamente simples cuya agregación resulta en comportamientos complejos emergentes y auto-organizados, que parecen difíciles de conseguir por medio de los análisis tradicionales reduccionistas y cuyos efectos pueden ser aprovechados para aproximar soluciones a problemas intratables de manera rápida. Una característica común a tales técnicas es la incorporación de aleatoriedad en sus procesos, lo que da como resultado un sistema de toma de decisiones estocástico y robusto que contrasta con las aproximaciones más exactas, pero más frágiles. Otro importante atributo común a este tipo de aproximaciones es la adopción de una metodología inductiva, y no deductiva, para la resolución de problemas, que generalizan las soluciones, o decisiones, a partir de conjuntos específicos de observaciones realizadas por el sistema.

Inteligencia Computacional

La Inteligencia computacional es el nombre que se le da actualmente a un área de la IA que se relaciona con técnicas no simbólicas. Describe técnicas que se centran en la obtención de estrategias y resultados. Este campo cubre también otras sub-áreas que abarcan sistemas adaptativos e inteligentes, como son: Computación Evolutiva, Inteligencia de Enjambre, Sistemas Difusos, Sistemas Inmunes Artificiales y Redes Neuronales. Veamos con algo más de detalle estos sistemas:

1.- Computación Evolutiva

Es un paradigma que se relaciona con la investigación de sistemas inspirados en teorías de evolución neo-darwinianas, que hacen uso de la selección natural, junto con técnicas basadas en genética. Algunos algoritmos evolutivos habituales son: Algortimos Genéticos, Estrategias Evolutivas, Programación Genética y Evolutiva y Evolución Diferencial. Los procesos evolutivos se consideran una estrategia adaptativa y se aplica habitualmente en la búsqueda y optimización.

2.- Inteligencia de Enjambre

Es un paradigma que considera la inteligencia colectiva como un comportamiento que emerge por medio de la interacción y cooperación de una gran número de agentes de inteligencia inferior. Está formado, principalmente, por dos subdominios: 1) Optimización por Colonias de Hormigas, que investiga algoritmos probabilísticos inspirados en el comportamiento de hormigas en la búsqueda de comida; y 2) Optimización por Sistemas de Partículas, que investiga algoritmos probabilísticos inspirados por el comportamiento de manadas de pájaros y peces. Al igual que la computación evolutiva, las técnicas asociadas a la inteligencia de enjambre se consideran estartegias adaptativas y también se aplican habitualmente en la búsqueda y optimización.

3.- Redes Artificiales Neuronales

Es un paradigma que se relaciona con la investigación de arquitecturas y estrategias de aprendizaje inspirados por el modelado de las neuronas del cerebro. Las estrategias de aprendizaje se suelen dividir en supervisadas y no supervisadas, que manipulan la respuesta del entorno de distinta forma. Los procesos de aprendizaje de la red neuronal se considera un aprendizaje adaptativo y se aplica generalmente a la aproximación de funciones y al reconocimiento de patrones.

4.- Inteligencia Difusa

Es un paradigma que se relaciona con la investigación de la lógica difusa, que es una variedad de la lógica en la que los valores posibles no son únicamente verdad y falso, como sucede en la lógica proposicional, sino que vienen dados por funciones continuas que dan grados de verdad aproximada, habitualmente entre 0 y 1. La lógica difusa y los sistemas difusos se usan en estrategias de razonamiento y se suelen aplicar a sistemas expertos y control de sistemas.

5.- Sistemas Inmunes Artificiales

Están formados por una colección de aproximaciones inspiradas en la estructura y funcionamiento de los sistemas inmunes de los vertebrados. Algunas aproximaciones habituales incluyen la selección por clonación, selección negativa, el algoritmo celular dendrítico y los algoritmos de redes inmunes. Los procesos adaptativos inspirados en los sistemas inmunes varían en su estrategia, muestran similitudes con los campos de Computación Evolutiva y Redes Neuronales Artificiales, y se suelen aplicar en optimización y reconocimiento de patrones.

Metaheurísticas

Otro nombre habitual que se le da a la perspectiva de obtener estrategias en IA es metaheurística. En este contexto, una heurística es un algoritmo que localiza soluciones "suficientemente buenas" para un problema pero sin preocuparse de si se puede probar que la solución sea correcta u óptima. Los métodos heurísticos compensan la precisión y calidad de las soluciones con la eficiencia computacional (en espacio y tiempo). Al igual que las heurísticas, las metaheurísticas pueden ser consideradas un marco algorítmico general que puede ser aplicado a diferentes problemas de optimización con ligeras modificaciones para adaptarlos a los problemas específicos. La diferencia es que las metaheurísticas intentan extender las capacidades de las heurísticas combinando uno o más métodos heurísticos (a los que se denominan procedimientos) usando una estrategia de nivel superior (de ahí el apelativo de "meta"). Un procedimiento en una metaheurística se considera una caja negra de la que la metaheurística sabe poco (o nada) a priori, y que puede ser reemplazado por un procedimiento distinto. Estos procedimientos pueden ser tan simples como la manipulación de una representación, o tan complejos como otra metaheurística completa. Algunos ejemplos de metaheurísticas incluyen búsquedas locales iteradas, búsquedas tabú, algoritmos genéticos, optimización por colonias de hormigas y templado simulado.

Blum y Roli destacan 9 propiedades de las metaheurísticas:

  1. Son estrategias que guían el proceso de búsqueda.
  2. El objetivo es explorar eficientemente el espacio de búsqueda con el fin de encontrar soluciones (sub)-óptimas.
  3. Las técnicas que constituyen los algoritmos de metaheurística van desde simples procedimientos de búsqueda local hasta complejos procedimientos de aprendizaje.
  4. Los algoritmos de metaheurística suelen ser aproximados y, habitualmente, no deterministas.
  5. Pueden incorporar mecanismos para evitar quedarse confinados en áreas limitadas del espacio de búsqueda.
  6. Los conceptos básicos de metahurísticas permiten una descripción a nivel abstracto.
  7. No son específicos para un problema.
  8. Pueden hacer uso de conocimiento específico del dominio en la forma de heurísticas que son controladas por estrategias de nivel superior.
  9. Las metahurísticas más avanzadas hacen uso de experiencias de búsqueda (en forma de memoria) para guiar las búsquedas.

La hiperheurísticas son una extensión que se centra en heurísticas que pueden modificar sus parámetros para mejorar la eficacia de la solución, o de la computación. Proporcionan estrategias al nivel más alto que pueden emplear aprendizaje automático y adaptar su comportamiento de búsqueda modificando la aplicación de los subprocesos, o incluso decidir acerca de qué procedimientos usar (operando en el espacio de heurísticas que actúan sobre el dominio del problema).

Arquetipos de la Inteligencia Artificial

En cualquier caso, una de las grandes problemáticas que se observan dentro de la Inteligencia Artificial se debe a la falta de una definición clara acerca de qué se considera IA y qué no, y se puede observar que muchas de las encendidas disputas que hay al respecto tienen su origen en que los interlocutores están asumiendo definiciones distintas del tema de discusión. Es importante tener en cuenta estas diferencias ya que puede haber suposiciones provenientes de visiones distintas que pueden generar contradicciones e inconsistencias a la hora de planificar un proyecto de IA a largo plazo.

En este sentido, Beau Cronin en su artículo AI's dueling definitions presenta los siguiente arquetipos de IA, todos ellos presentes en diversas líneas de investigación y desarrollo de la IA, aunque no son los únicos posibles:

  • IA como interlocutor: es el concepto que se esconde tras ideas como HAL, Apple Siri, Microsoft Cortana o IBM Watson, un ordenador que puede comunicarse en lenguaje natural, y que es capaz de responder a nuestras dudas de forma tan eficiente (y a veces mejor) a como lo harían expertos humanos. Mucha de la investigación más llamativa y de los productos/servicios que se desarrollan últimamente van en esta línea y son el centro de negocio de muchos de los actuales gigantes de Internet. Además, está también en la línea del famoso Test de Turing para la IA.
  • IA como androide: A la vista de la imaginería resultante de películas como Blade Runner, Yo Robot, Alien, Terminator, etc. es común tranferir las expectativas de estos ejemplos de ficción a los desarrollos industriales del mundo real, como lo demuestran los últimos productos de empresas como Boston Dynamics (recientemente adquirido por Google), o SoftBank (con su nuevo robot Pepper). Para muchos entusiastas de la IA, ésta debe ser dotada de un cuerpo para que complete las verdaderas ambiciones del área. Por ahora, sin embargo, no parece ser más que un movimiento sentimental que calma nuestra necesidad de ver un componente corporal en la (limitada) inteligencia que se desarrolla.
  • IA como razonador y resolvedor de problemas: aunque los robots humanoides y los sistemas de conversación mantienen la atracción del público, los pioneros de la IA se dirigieron originalmente a crear sistemas mucho más refinados y orientados a actividades mentales elevadas, tales como jugar al ajedrez, generar pruebas lógicas, o planificar tareas complejas. En uno de los errores colectivos más llamativos de la ciencia, resultó que las máquinas eran especialmente aptas para la ejecución de estas tareas abstractas, y que sin embargo no sería nada fácil resolver problemas que animales con poca inteligencia aprendían a resolver de forma natural, como moverse por un entorno desconocido valorando las diversas opciones que se presentan. Los sistemas que se desarrollaron para resolver juegos como el ajedrez resultaron ser de muy poca utilidad para resolver tareas del mundo real. A pesar de ello, estas tareas superinteligentes que parecen más asequibles son las que generan las mayores reservas a la hora de plantear una inteligencia abstracta elevada, ¿qué pasaría si consiguieramos una IA que resuelva problemas generales tan bien como Deep Blue juega al ajedrez?
  • IA como aprendizaje de Big Data: este se ha convertido en el arquetipo por excelencia en la actualidad, donde cantidades ingentes de datos son devoradas por compañías de internet y gobiernos. Así como en el pasado se equiparaba la IA con la habilidad de tener una conversación aceptable o de jugar al ajedrez, hoy en día se relaciona con la capacidad de obtener sistemas de predicción, optimización y recomendación (la mayoría de las veces orientado a fines comerciales). Esta versión de la IA le ha devuelto el halo de respetabilidad perdido tras muchos años de éxitos y fracasos alternos. Sin embargo, no parece que los paradigmas recurrentes del aprendizaje automático acerca de la clasificación, regresión, clusterización y reducción de la dimensionallidad contenga la riqueza suficiente como para expresar los problemas que una inteligencia sofisticada debe resolver.

Aunque esta lista no es exhaustiva, en ella hemos podido encontrar las principales líneas que se reconocen como parte de la IA en la actualidad. Cuál de ellas es la más prometedora es una pregunta que cae fuera de esta entrada, pero lo más seguro es que ninguna de ellas por separado pueda ser suficientemente rica como para resolver los problemas que queremos resolver, y que una combinación de ellas, junto con la creación de nuevos enfoques, puede ser una vía a seguir en el futuro de esta disciplina. 

Para saber más...

Wikipedia: Historia de la Inteligencia Artificial

El País: La nueva era de la computación

AI: 15 key moments in the story of Artificial Intelligence

« Hans Rosling: Una lec… « || Inicio || » El modelado de proble… »