Inteligencia artificial

objetivo último de la IA —lograr que una máquina tenga una inteligencia de tipo general similar a la humana— es de los más ambiciosos que se ha planteado la ciencia.

El efecto horizonte aparece precisamente como resultado de buscar hasta determinada profundidad. Si una jugada aparentemente buena esconde un mal final detrás del horizonte de búsqueda (la profundidad a la que se busca), estamos indefensos frente a esto (que únicamente tiene un remedio: buscar más profundo, pero ¿dónde?). Una forma de enfrentar el efecto horizonte son las extensiones singulares. Si el algoritmo elige una jugada que solo está soportada por un nodo con una clara diferencia con sus nodos hermanos, se recomienda buscar más profundo bajo ese nodo. Se trata de confirmar la evaluación de esa jugada.

Los juegos de ordenador han sido un objetivo de la IA desde sus inicios (Russell y Norvig, 2010). En particular, el juego del ajedrez ha sido durante décadas un objetivo permanente; dentro de la IA también se han estudiado otros juegos como las damas, Othello o Go. Estos son juegos denominados de información perfecta, porque no hay elementos ocultos ni estocásticos: toda la información disponible para un jugador también está disponible para el otro.

En vez de construir un modelo completo de las escenas visuales, existe otra aproximación que consiste en modelar únicamente aquello que sea necesario para guiar aquellas acciones que un robot debe llevar a cabo para ejecutar una tarea dada como, por ejemplo, navegar y manipular objetos. Esta aproximación se conoce como visión activa y está basada en la idea de que el propósito de la visión es la acción (es decir, que no se trata de desarrollar sistemas de visión de propósito general). Una ventaja de esta aproximación es que requiere menos recursos computacionales que los que se necesitan para modelar completamente una escena.

Se conoce como aprendizaje profundo (deep learning) a una familia de métodos que aprenden representaciones de datos con múltiples niveles de abstracción (LeCun et al., 2015). Estos algoritmos aplican en cascada un conjunto de trans­­formaciones no lineales, de forma que cada nivel recibe en entrada la salida del nivel anterior y lleva a cabo una abstracción aprendiendo así representaciones cada vez más complejas.

Otro aspecto importante del aprendizaje por refuerzo es el compromiso entre explotar una política aprendida o seguir explorando (aprendiendo) con la esperanza de encontrar una política mejor. Es una decisión que depende de cada problema y se basa en un proceso de experimentación.

El algoritmo descrito pertenece a la familia de algoritmos llamados k-means. Existen numerosas extensiones y variaciones de este método. Una de ellas consiste en una versión secuencial del algoritmo, que es muy útil cuando no disponemos de todos los datos de golpe, sino que nos llegan secuencialmente.

Tener en cuenta estas independencias condicionales reduce la complejidad del razonamiento probabilístico. Este segundo tipo de inferencia de efectos hacia causas es el que se usa principalmente en sistemas de diagnóstico médico.

La búsqueda local toma decisiones en el entorno local del estado actual, decisiones que no necesariamente han de ser óptimas en una visión global del problema.

Un sistema expresado en DL se divide en dos partes: la A-box y la T-box. La A-box contiene los elementos del sistema, mientras que la T-box contiene las relaciones entre esos elementos. La inferencia se realiza aplicando las relaciones de la T-box sobre los contenidos de la A-box. Este formalismo proporciona razonamientos básicos, por ejemplo, encontrar todos los elementos individuales de un concepto, o todos los conceptos de un elemento, o si un concepto es más general o más específico que otro, etc.