¿Qué es la Inteligencia Artificial?

avatar

Recientemente tuve una experiencia en la que un reportero y yo estábamos discutiendo sobre una tecnología que, según él afirmó, no utilizaba IA. Lo detuve por un momento y le pregunté: “¿Cómo define usted la Inteligencia Artificial?” Esta fue siempre una de mis preguntas favoritas cuando era profesor. La hacía justo al principio del semestre, cuando todo lo que los estudiantes conocían eran sus preconcepciones por haber visto Star Wars y por leer ciencia ficción. Esto nos daba un punto de partida para las próximas 14 semanas de discusiones. También establecía que la cuestión no se trata sólo de lo que se incorpora a este campo de la ciencia, sino también de lo que, filosóficamente, define a la «inteligencia» para el individuo. Debido a los debates apasionados que se producirían (resultado de mis filosofías personales sobre la enseñanza y el aprendizaje, producto de mi carrera en Artes Liberales), ese curso fue uno de mis favoritos para enseñar.

customer service chatbots

Pero este momento particular de hacer la pregunta se convirtió en el primero de lo que últimamente ha sido una experiencia común para mí: oír a alguien afirmar que la Inteligencia Artificial es igual al Aprendizaje Automático – que, para muchos individuos, es la única parte de la ciencia que conocen. Por lo tanto, me gustaría volver a ponerme las túnicas académicas por un momento y dar una rápida visión general de lo que el resto del curso de IA de la profesora Michaud solía cubrir.

Yo solía comenzar con la lógica: en primer lugar, un lenguaje simbólico para representar la información sobre el mundo, y segundo, una forma de aprovechar sistemáticamente esa información para llegar a nuevas conclusiones. Por ejemplo, tal vez podría programar una IA para saber que los empleados de Aspect son apasionados de la excelencia en el contacto con los clientes. También podría decirle a la IA que trabajo en Aspect, pero a menos que pueda aplicar el paso de razonamiento lógico conocido como Modus Ponens, esta IA no podría concluir nada acerca de mis pasiones. Sin embargo, si construimos esas capacidades en una IA, esta podría hacer deducciones de “sentido común” que serían más que SÓLO los hechos con los que se presenta.

Después de establecer los fundamentos para el razonamiento, pasaríamos a establecer una IA con el conocimiento de lo que es actualmente cierto sobre una situación, lo que quiere que sea verdad, y cómo podría explorar sistemáticamente soluciones para transformar un estado actual en Un estado deseado. Ahora nuestra IA podría hacer más que razonar; podría resolver problemas (a veces de manera eficiente, a veces de manera óptima, e idealmente de ambas formas).

Cuando cubrimos Sistemas de Expertos y Razonamiento Basado en Casos, supimos cómo podría construirse una IA para dar consejos, diagnosticar problemas o aplicar soluciones conocidas a nuevas situaciones. Cuando cubrimos la Representación del Conocimiento, hablamos sobre cómo algunos hechos necesitan ser representados en términos de las complejas interrelaciones entre conceptos en el mundo. Luego, durante un tiempo, nos adentramos en mi especialidad, Natural Language Processing, y comprendí la enorme complejidad de abordar un problema de “mundo real” en el que los hechos no eran inequívocos y las reglas no eran necesariamente universales.

A lo largo de nuestro trayecto, volveríamos a un tema constante en IA: lo realmente difícil que es sentar las bases para este tipo de toma de decisiones, lo cual siempre requiere que primero codifiquemos el conocimiento humano de alguna manera. Esto nos llevó, finalmente, a discutir el aprendizaje automático. Esta es una poderosa y efectiva alternativa para la ingeniería de representaciones de reglas y hechos, en la que una IA observa ejemplos y genera sus propias reglas a partir de esos ejemplos.

Pero ninguno de los algoritmos de IA es una panacea. Incluso si una IA está aprendiendo, todavía debe seguírsele enseñando. El aprendizaje supervisado de la máquina todavía implica un esfuerzo inicial masivo, preparando ejemplos con juicios humanos de los cuales aprender. Los métodos semi-supervisados tratan de disminuir esta carga, pero introducen más riesgo de ruido. Los métodos no supervisados dependen de la capacidad de la máquina para hacer elecciones, posiblemente equivocadas, y recibir retroalimentación después del hecho para aprender con el tiempo cuáles son las opciones correctas y cuáles son las equivocadas. Para obtener resultados confiables, la experiencia humana es siempre una parte de la ecuación, y el futuro de la IA probablemente radica en soluciones hibridizadas -que combinan el esfuerzo humano inicial y la exploración autónoma- como demuestra la popularidad de los métodos de bootstrapping y semi-supervisados.

Sin embargo, para volver al inicio de esto, la conclusión es: Hay más cosas en el cielo y la tierra (y la Inteligencia Artificial), de las que se sueñan en tu filosofía, Horacio. Se trata de un campo extenso que ha existido casi desde las propias computadoras, y puede que no haya ningún límite sobre lo que se puede hacer para continuar mejorando la forma en cómo utilizamos las máquinas para realizar las tareas que necesitamos hacer. Este es, sin duda, un campo que capta fácilmente la atención y la imaginación de la gente ajena a la tecnología, y es probable que continúe siéndolo – siempre creando un puente entre la realidad de la tecnología de hoy en día y la fantasía de lo que nuestra imaginación dice que pronto podría lograr hacer.