El sueño de la Inteligencia Artificial

EPAM (elementary perceiver and memorizer) durante su tesis de doctorado, tutelada por Herbert A. Simon. En 1983 Feigenbaum hizo una declaración de intenciones que se convirtió en el lema de toda esta etapa:74

El conocimiento es poder y la computadora es una amplificadora de ese poder. Nos encontramos en los albores de una nueva revolución informática. […] la de la transición del procesamiento de información al conocimiento, de computadoras que calcu­lan y almacenan datos a otras que razonan e informan. La inteligencia artificial está saliendo de los laboratorios y comienza a reclamar su lugar en los asuntos humanos.

Según la IA débil, el valor fundamental de los computadores en el estudio de la mente radica en que nos proporcionan una herramienta muy poderosa. Por ejemplo, nos permiten formular y poner a prueba hipótesis de manera más rigurosa y precisa. Sin embargo, de acuerdo con la IA fuerte, el computador no es una mera herramienta en el estudio de la mente, sino más bien, si se programa de forma adecuada, una mente en sí en el sentido de que puede, literalmente, comprender y manifestar otros estados cognitivos. En la IA fuerte, debido a que el computador programado tiene estados cognitivos, los programas no son meras herramientas que nos permiten poner a prueba explicaciones psicológicas; los programas son, en sí mismos, explicaciones.

John Searle fue uno de los que ilustró en su momento de manera más gráfica la que sigue siendo una de las grandes cuestiones —y limitaciones— de la inteligencia artificial. En el artícu­lo «Minds, brains and programs», publicado en la revista Behavioral and Brain Sciences —que luego ampliaría en forma del libro con el título Minds, ­brains and science en 1984—, plantea por primera vez el experimento mental de la habitación china. Este libro presenta un debate crucial: el de la inteligencia artificial débil, aquella restringida a cierto tipo de tarea o tareas, frente a la inteligencia artificial fuerte, o considerada inteligencia artificial general.

No obstante, ni fue el único ni el más implacable. Bastante más duro fue Hubert L. Dreyfus desde la Universidad de California, en Berkeley, donde trabajaba como profesor de Filosofía. Dreyfus se había interesado por la inteligencia artificial tras su paso por el MIT, lugar en el que también impartió clases.

La diferencia entre los árboles de decisión, de forma individual, y los bosques aleatorios es que estos últimos son conjuntos de los primeros, pero entrenados, como su propio nombre indica, con diferentes conjuntos de datos aleatorios y sin correlaciones entre sí.

En los casos más interesantes y desafiantes, las acciones pueden afectar no solo a la recompensa inmediata, sino también a la siguiente situación y, a través de ella, a todas las recompensas posteriores.

Este mecanismo, en realidad, es más intuitivo de lo que podría parecer. Imaginemos que estamos en un laberinto intentando buscar la salida. El algoritmo de backpropagation haría algo parecido a ir marcando los cruces que descubrimos que no llevan a ninguna parte, de manera que cuando volvamos a pasar por ellos sepamos que por ahí no es. Dejar esas señales, a medida que sigamos caminando y dando vueltas, nos ayudará a encontrar la salida con mayor facilidad, hasta poder recorrerlo de un extremo al otro sin problemas gracias a ese feedback que hemos ido dando en los diferentes intentos de escapar.

aprendizaje supervisado se utiliza, principalmente, en algoritmos de minería de datos para resolver dos tipos de problemas: de clasificación —ordenar variables— y regresión —establecer relaciones entre variables—.

Llegados a este punto, conviene precisar una cuestión: aprendizaje automático y redes neuronales no son lo mismo, aunque sí que entablan una relación muy estrecha y muchas veces se emplean ambos términos, de forma errónea, indistintamente. Las redes neuronales son tan solo una forma de aprendizaje automático, pero este se puede implementar a través de otros algoritmos, alguno de los cuales iremos mencionando, como el método de clasificación de Naive Bayes, la regresión lineal, la regresión logística, las SVM o máquinas de vectores de soporte, el algoritmo KNN, y el bosque aleatorio.

Y resultó ser una solución relativamente sencilla: crearon un algoritmo que, al detectar errores en los datos de salida de una red neuronal, realizaba ajustes sobre el conjunto de los pesos de datos de entrada para reducir ese error. Conocido como retropropagación (backpropagation), ayudó a sacar del pozo a la investigación en redes neuronales.