Читать книгу La propiedad intelectual de las obras creadas por inteligencia artificial - Pablo Fernández Carballo-Calero - Страница 9

Una vez descritas las principales aptitudes que confluyen en un sistema de IA (percepción, razonamiento/toma de decisiones y actuación), el documento elaborado por el Grupo de Expertos se adentra en la mayor parte de las técnicas y sub-disciplinas utilizadas actualmente. Todas estas técnicas utilizan en mayor o menor medida las aptitudes referidas y pueden agruparse en dos grandes grupos que se refieren a la capacidad de razonamiento y aprendizaje.

Razonamiento y toma de decisiones. Este grupo de técnicas incluye la representación del conocimiento y el razonamiento, la planificación, la programación, la búsqueda y la optimización. Tales técnicas permiten desarrollar el razonamiento sobre los datos procedentes de los sensores. Para poder hacer esto, es necesario transformar los datos en conocimiento, por lo que esta disciplina de la IA se centra en la mejor manera de modelar dicho conocimiento (knowledge representation). Una vez que el conocimiento ha sido modelado, el siguiente paso es razonar sobre lo conocido (knowledge reasoning), lo que incluye realizar deducciones a través de reglas simbólicas, planificar y programar actividades, buscar entre un gran número de posibles soluciones y seleccionar las más adecuadas. El paso final es decidir qué acción tomar. El razonamiento/toma de decisiones que forma parte de un sistema de IA suele ser muy complejo y requiere una combinación de varias de las técnicas mencionadas anteriormente.

Aprendizaje. Este grupo de técnicas incluye el aprendizaje automático, las redes neuronales, el aprendizaje profundo, los árboles de decisión y muchas otras técnicas de aprendizaje. Las mismas permiten a un sistema de IA aprender a resolver problemas que no pueden ser especificados con precisión, o cuyo método de solución no puede ser descrito por reglas de razonamiento simbólico. Ejemplos de esos problemas son los que tienen que ver con las capacidades de percepción, como la comprensión del habla y el lenguaje, así como la visión por computadora o la predicción del comportamiento. Obsérvese que estos problemas son aparentemente fáciles desde la perspectiva de los seres humanos. Sin embargo, no son tan fáciles para los sistemas de IA, ya que no pueden basarse en un razonamiento de sentido común (al menos no todavía), y resultan especialmente complejos cuando el sistema necesita interpretar datos no estructurados.

El aprendizaje automático (machine learning) presenta diferentes modalidades. Los enfoques más extendidos son el aprendizaje supervisado (supervised learning), el aprendizaje no supervisado (unsupervised learning) y el aprendizaje de refuerzo (reinforcement learning).

En el aprendizaje automático supervisado (supervised machine learning), en lugar de dar reglas de comportamiento al sistema, le proporcionamos ejemplos de comportamientos de entrada y salida, con la esperanza de que pueda generalizar a partir de los ejemplos (basándose en el pasado) y comportarse adecuadamente en situaciones no mostradas (que podrían darse en el futuro). En el supuesto que venimos manejando, daríamos al sistema de IA muchos ejemplos de imágenes de un suelo y la interpretación correspondiente (es decir, si el suelo está limpio o no en la imagen). Si ofrecemos suficientes ejemplos, que sean lo suficientemente diversos e incluyan la mayoría de las situaciones, el sistema, a través de su algoritmo de aprendizaje automático, será capaz de generalizar para saber también cómo interpretar correctamente las imágenes de suelos que no ha visto nunca anteriormente. Algunos enfoques de aprendizaje automático adoptan algoritmos que se basan en el concepto de redes neuronales, inspirados vagamente en el cerebro humano en el sentido de que se articulan a través de una red de pequeñas unidades de procesamiento (análogamente a nuestras neuronas) con muchas conexiones ponderadas entre ellas.

Una red neuronal tiene como entrada los datos procedentes de los sensores (en nuestro ejemplo, la imagen del suelo) y como salida la interpretación de la imagen (si el suelo está limpio o no). Durante el análisis de los ejemplos (fase de entrenamiento de la red), los pesos de las conexiones se ajustan para que coincidan en la medida de lo posible con lo que dicen los ejemplos disponibles (es decir, para minimizar el error entre la salida esperada y la salida calculada por la red). Al final de la fase de entrenamiento, una fase de prueba del comportamiento de la red neuronal ante ejemplos que no han sido planteados con anterioridad, verifica si la tarea se ha aprendido correctamente.

Existen varios tipos de redes neuronales y enfoques de aprendizaje automático, de los cuales actualmente uno de los más exitosos es el aprendizaje profundo. Este enfoque se refiere al hecho de que la red neural tiene varias capas entre la entrada y la salida que le permiten aprender la relación global entre “entrada” y “salida” en pasos sucesivos. Esto hace que el enfoque general sea más preciso y con una menor necesidad de orientación humana.

Las redes neuronales son sólo una herramienta de aprendizaje automático, pero hay muchas otras, con propiedades diferentes: bosques aleatorios y árboles potenciados, métodos de agrupación, factorización de matrices, etc.

Otra clase útil de aprendizaje automático es el llamado aprendizaje de refuerzo (reinforcement learning). En este enfoque dejamos que el sistema de IA sea libre de tomar sus decisiones y, en cada decisión, le proporcionamos una señal de recompensa que le indica si adoptó una buena o una mala decisión. El objetivo del sistema, con el tiempo, es maximizar la recompensa positiva recibida. Este enfoque se utiliza, por ejemplo, en los sistemas de recomendación (como los diversos sistemas de recomendación en línea que sugieren a los usuarios futuras compras), o también en el campo del marketing.

Los enfoques de aprendizaje automático son útiles no sólo en las tareas de percepción, como la visión y la comprensión de textos, sino en todas aquellas tareas que son difíciles de definir y que no pueden ser descritas exhaustivamente mediante reglas de comportamiento simbólico.

Robótica. Finalmente, la robótica puede definirse como “IA en acción en el mundo físico”. Un robot es una máquina física que tiene que hacer frente a la dinámica, las incertidumbres y la complejidad del mundo físico. La percepción, el razonamiento, la acción, el aprendizaje, así como las capacidades de interacción con otros sistemas suelen estar integrados en la arquitectura de control del sistema robótico. Además de la IA, otras disciplinas desempeñan un papel en el diseño y el funcionamiento de los robots, como la ingeniería mecánica y la teoría del control. Entre los ejemplos de robots figuran los manipuladores robóticos, los vehículos autónomos (por ejemplo, automóviles, drones, taxis voladores), los robots humanoides, las aspiradoras robóticas, etc.

Una vez realizadas estas consideraciones, el documento incluye una segunda figura que muestra la mayoría de las sub-disciplinas de la IA mencionadas anteriormente, así como su relación. De todas formas, el Grupo de Expertos advierte de nuevo que la IA es mucho más compleja de lo que muestra la imagen, ya que incluye muchas otras sub-disciplinas y técnicas.

Una panorámica simplificada de las sub-disciplinas de la IA y su relación

*Fuente: “A definition of AI: Main capabilities and scientific disciplines”. High-Level Expert Group on Artificial Intelligence, p. 5.