Inteligencia Artificial

Lady Ada Lovelace predijo la IA en la década de 1840.1 Más concretamente, predijo parte de ella. Al no haber atisbos de las redes neuronales ni de la IA evolutiva o dinámica, se centró en los símbolos y en la lógica. Tampoco sentía inclinación por el objeto psicológico de la IA, ya que su interés era puramente tecnológico.

Igual que el hipocampo, el sistema DQN almacena un conjunto de muestras o experiencias pasadas y las reactiva rápidamente durante el aprendizaje. Esta característica es crucial: los diseñadores señalaron “un deterioro grave” del rendimiento cuando se desactivaba.

El aprendizaje profundo es un nuevo avance muy prometedor basado en redes multicapa (véase el capítulo IV) mediante el que se reconocen patrones en los datos de entrada en diferentes niveles jerárquicos.24 Dicho de otro modo, el aprendizaje profundo descubre una representación del conocimiento con varios niveles, por ejemplo, píxeles para detectores de contraste, para detectores de bordes, para detectores de formas, para partes de objetos, o para objetos.

El aprendizaje automático simbólico asume en general (lo que obviamente no es cierto) que la representación del conocimiento para el aprendizaje tiene que incluir alguna forma de distribución de probabilidad. Y muchos algoritmos de aprendizaje asumen (lo que suele ser falso) que todas las variables de los datos tienen la misma distribución de probabilidad y que son todos mutuamente independientes. Esto es porque este supuesto i.i.d. (independiente e idénticamente distribuido) se sustenta en muchas teorías matemáticas sobre probabilidad, en las que se basan los algoritmos. Los matemáticos adoptaron las variables i.i.d. porque simplificaban las matemáticas. De la misma forma, utilizar las i.i.d. en IA simplifica el ámbito de búsqueda, y por lo tanto facilita la solución de problemas.

En situaciones muy complejas, como en el ajedrez, el éxito (o el fracaso) se señala solo después de muchas decisiones y algún procedimiento de asignación de crédito identifica las decisiones que es más probable que conduzcan al éxito.

En el aprendizaje no supervisado, el usuario proporciona los resultados no deseados o mensajes de error. El aprendizaje se rige por el principio de que, cuando hay elementos que concurren, generan la expectativa de que vuelvan a concurrir en el futuro. El aprendizaje no supervisado puede utilizarse para descubrir conocimiento. Los programadores no necesitan saber qué patrones / agrupaciones existen en los datos: el sistema los encuentra por sí mismo.

Algunos sistemas agentes se organizan mediante control jerárquico: mandamases y mandados, por así decirlo, pero muchos ejemplifican la cognición distribuida. Esto requiere de cooperación sin estructura jerárquica de mando (de ahí la evasiva, antes, entre “en cooperación con” y “junto a”). No hay plan central, no hay influencia impuesta desde arriba y no hay ningún individuo que posea todo el conocimiento.

Como definieron en un principio McCarthy y Hayes,18 el problema del marco supone asumir (durante la planificación para robots) que una acción causará solo estos cambios, aunque podría causar también aquellos. De manera más general, el problema del marco surge cuando el ordenador ignora las implicaciones (que los pensadores humanos asumen de manera tácita), porque no se han establecido explícitamente.

Para cualquier objetivo y situaciones previstas, el programa de planificación necesita: una lista de acciones (esto es, operadores simbólicos) o tipos de acciones (que se instan al completar los parámetros derivados del problema) que puedan realizar algún cambio relevante; para cada acción, un conjunto de requisitos previos necesarios (como agarrar algo que deberá estar al alcance) y heurísticas que den prioridad a los cambios necesarios y ordenen las acciones. Si el programa opta por una acción concreta, quizá tenga que crear un nuevo subobjetivo que cumpla con los requisitos previos. Este proceso de formulación de objetivos se puede repetir una y otra vez.

Ya sean fiables o no, las heurísticas son un aspecto esencial de la investigación en la IA. La especialización creciente de la IA ya mencionada depende en parte de que se definan nuevas heurísticas que mejoren la eficiencia de manera espectacular, pero solo en un tipo de problema o espacio de búsqueda muy restringidos. Una heurística sumamente eficaz puede que no sea apta para que la “tomen prestada” otros programas de IA.