Paradigmas y tendencias en la investigación de la IA

A partir de la crisis del paradigma simbolista surge un nuevo paradigma dentro de la inteligencia artificial: el paradigma conexionista que asume que la inteligencia es producto de la asociación, combinación o conexión de entidades independientes más simples (agentes, genes o neuronas), las cuales pueden tener alguna inteligencia o ninguna y producto de su interacción, el sistema presentaría un comportamiento inteligente (Hacia un nuevo enfoque de la inteligencia artificial). La IA no se quedó en el paradigma conexionista o emergente, al cual le han seguido el paradigma enactivo o corpóreo y el paradigma basado en datos o máquinas superinteligentes.

De momento, podemos mencionar los siguientes paradigmas

  • Paradigma simbólico (lógico/semántico)

  • Paradigma conexionista o emergente

  • Paradigma corpóreo o enactivo

  • Paradigma basado en datos o máquinas superinteligentes

A su vez, los paradigmas han dado lugar a nuevos modelos y nuevas técnicas de investigación (Las máquinas superando a los humanos) entre las técnicas más importantes tenemos:

Redes neuronales: Las investigaciones comienzan a concentrarse en el cerebro y sus conexiones en lugar de los algoritmos de la mente.
• Agentes inteligentes: Se concentran en la inteligencia distribuida en diferentes agentes (con conocimientos parciales) que al integrarse logran resolver problemas complejos en lugar de grandes bases de conocimientos cerradas.
• Máquinas superinteligentes: Se cifra la esperanza en el hardware, máquinas cada vez más potentes (ley de Moore), que con el tiempo llegaran a superar la potencia del cerebro, en lugar de aspirar a descifrar la mente por medio del software.
• Algoritmos genéticos: Se aceptan los avances de otras ciencias tales como la biología, en lugar de en lugar de atrincherarse en modelos exclusivamente informáticos.
• Robots reactivos, se desarrollan pequeños robots capaces de interactuar con en el medio y que vayan aprendiendo de los obstáculos, en lugar de los sistemas basados en el conocimiento, que están desligado de la realidad y hay que alimentarlos de forma manual, de ahí que recibieran el mote de sistemas autistas.

Las ciencias cognitivas y los paradigmas de la Inteligencia Artificial (IA)

  • Simbolista (lógica y semántica)

  • Conexionista o emergente (redes neuronales y sistemas multiagentes)

  • Evolutiva (algoritmos genéticos)

El pensamiento de las ciencias cognitivas se basa en la idea de construir la IA partiendo de la representación en la computadora de la realidad y, para muchos, esa representación basada en símbolos es equivalente a los estados mentales, ya que tanto la máquina como el cerebro manipulan símbolos (ambos son sistemas que procesan información). Actualmente se esta hablando de dos nuevos paradigmas: el enactivo o corpóreo y el basado en datos

Paradigmas de la IA

Los paradigmas de la IA sirven tanto para la IA general como para la IA específica y para la futura super IA. Su aplicación ha sido fundamentalmente en la IA específica, pero se puede aplicar a la IA general y a la hipotética super IA.

Modelos y paradigmas dominantes en la IA

1.-Paradigma simbólico

  • Modelo simbólico – Reglas de producción

2.-Paradigma conexionista

  • Modelo conexionista o neuronal – Redes neuronales

  • Modelo colectivo – Sistemas multiagentes

  • Modelo evolutivo – Algoritmo genético

3.-Paradigma enactivo

  • Modelo corpóreo – Robótica del desarrollo (robótica reactiva)

4.-Paradigma máquinas inteligentes

  • Modelo basado en datos – Aprendizaje profundo

Los modelos de tipo conexionista (conexionista, evolutivo, colectivo). Se basan en unidades interconectadas.

Las unidades interconectadas pueden ser

  • Neuronas

  • Genes

  • Agentes inteligentes

No se puede olvidar que hasta la fecha, los modelos de la IA deben poder reproducirse en las computadoras, las cuales son cada vez más potentes, lo cual permite nuevas formas de programación teniendo en cuenta las actuales prestaciones de las máquinas que permiten un aumento cada vez mayor de almacenamiento, procesamiento de la información y conexión.

Todos los modelos son las técnicas que se aplican para desarrollar una IA (de momento específica) que puede alcanzar, en algún momento, una IA avanzada (general). Los modelos tienen su aplicación fundamental dentro del enfoque socioeconómico como IAs específicas que buscan dar solución a los diferentes dominios, aunque su pretensión inicial haya sido la construcción de una IA de carácter general. Sin embargo sus logros han estado en las aplicaciones a dominios restringidos, Ya existen IA específicas que superan a los humanos en una tarea (ej: ajedrez, GO, etc)

Para mejor comprensión de los modelos veamos la definición dada por López Mantaras para los principales modelos en IA: simbólico, conexionista, evolutivo y corpóreo. Aquí se agregan otros dos modelos: colectivo y basado en datos.

Paradigma simbólico

Modelo simbólico

Es un modelo descendente, que se basa en el razonamiento lógico y la búsqueda heurística como pilares para la resolución de problemas, sin que el sistema inteligente necesite formar parte de un cuerpo (no encarnado) ni está situado en el entorno real. La IA simbólica opera con representación abstracta del mundo real

Paradigma conexionista.

Se mantiene dentro del cognitivismo clásico, de la hipótesis simbolista y la metáfora del computador

Modelo conexionista (neuronal)

Los sistemas conexionistas no son incompatibles con la hipótesis simbolista (SSF) pero al contrario del simbólico, se trata de un modelo ascendente, ya que se basa en la hipótesis de que la inteligencia emerge a partir de la actividad distribuida de un gran número de unidades interconectadas que procesan información paralelamente. En la IA conexionista estas unidades son modelos muy aproximados de la actividad eléctrica de las neuronas biológicas.

Modelo colectivo

El modelo colectivo son sistemas multiagentes y es compatible con la hipótesis simbolista y se puede decir que es no corpórea aunque si tiene en cuenta al entorno, también se trata de un modelo ascendente ya que la inteligencia emerge de una gran número de unidades interconectadas en este caso son los llamados agentes inteligentes, que tienen como característica la de ser una entidad más o menos autónoma, con conocimientos propios y de su entorno así como la posibilidad de interactuar con dicho entorno y con otros agentes.

Modelo evolutivo

También es compatible con la hipótesis simbolista (SSF) y no corpórea. Se trata de imitar la evolución con el fin de que los programas de computadoras mediante un proceso evolutivo mejorasen automáticamente las soluciones a los problemas para los que fueron programados.

Paradigma enactivo

Rompe con la hipótesis simbolista, ya que no es la representación del mundo objetivo y su conversión en símbolos para ser procesados por una computadora sino, la actuación de la máquina en el entorno. Varela incluye el paradigma enactivo en las ciencias cognitivas pero dado que el enactivismo está más cerca de un pensamiento sistémico-cibernético y su complejidad, perfectamente encaja en las ciencias de la complejidad.

Modelo corpóreo

Se basa en que un agente inteligente necesita un cuerpo para tener experiencias directas con su entorno, en lugar de que un programador proporcione descripciones abstractas de dicho entorno, codificado mediante un lenguaje de representación del conocimiento. Sin un cuerpo esta representación abstracta no tiene contenido semántico. El método corpóreo ha dado lugar a la llamada robótica del desarrollo.

Paradigma basado en datos o máquinas superinteligentes,

Se acepta que la forma de pensar de los humanos es totalmente diferente a la de las máquinas (IA débil) y que el método es crear programas capaces de desarrollar actividades llamadas inteligentes sin imitar al pensamiento humano (no sigue la medida humana). Por supuesto, esto nos lleva a máquinas carentes de sentimientos (al menos como los humanos), tan inteligentes como los humanos o quizás más, pero dentro de su propio contexto digital.

Modelo basado en datos

El progreso tecnológico y el almacenamiento de grandes bases de datos ha posibilitado, que el procesamiento orientado a los datos del mundo real sea factible, dado el surgimiento de hardware cada vez más potente, barato y confiable, además la capacidad de internet para recopilar grandes cantidades de datos y la disponibilidad de almacenamiento para procesar esos datos. La IA basada en datos (IA BD) son, en general, algoritmos de fuerza bruta que se programan utilizando la velocidad de procesamiento de la máquina, estamos ante programas capaces de desarrollar actividades llamadas inteligentes sin imitar al pensamiento humano.

Tendencias en las investigaciones de la IA (ver el estudio AI100)

El aprendizaje automático a gran escala se refiere al diseño de algoritmos de aprendizaje, así como escalar algoritmos existentes, para trabajar con conjuntos de datos extremadamente grandes.

El aprendizaje profundo, una clase de procedimientos de aprendizaje, ha facilitado el reconocimiento de objetos en imágenes, etiquetado de video y reconocimiento de actividades, y está haciendo avances significativos en otras áreas de percepción, como el procesamiento de audio, habla y lenguaje natural.

El aprendizaje por refuerzo es un marco que cambia el enfoque de la máquina aprender del reconocimiento de patrones a la toma de decisiones secuenciales impulsada por la experiencia promete llevar las aplicaciones de IA hacia adelante para tomar medidas en el mundo real. Si bien se ha limitado en gran medida a la academia en las últimas décadas, ahora está viendo algunos éxitos prácticos del mundo real.

La robótica se preocupa por cómo entrenar a un robot para que interactúe con el mundo a su alrededor de manera generalizable y predecible, cómo facilitar la manipulación de objetos en entornos interactivos y cómo interactuar con las personas. Avances en la robótica dependerá de avances proporcionales para mejorar la fiabilidad y la generalidad de la visión por computadora y otras formas de percepción de la máquina.

La visión por computadora es actualmente la forma más prominente de percepción de la máquina. Ha sido la subárea de IA más transformada por el auge del aprendizaje profundo. Por primera vez, las computadoras pueden realizar algunas tareas de visión mejor que las personas. La investigación actual se centra en el subtitulado automático de imágenes y videos.

Procesamiento de lenguaje natural, a menudo junto con reconocimiento automático de voz se está convirtiendo rápidamente en una mercancía para idiomas ampliamente hablados con grandes conjuntos de datos. La investigación ahora está cambiando para desarrollar sistemas refinados y que sean capaces de interactuar con las personas a través del diálogo, no solo reaccionar a las solicitudes estilizadas. Grandes pasos, también se han realizado en traducción automática entre diferentes idiomas, con más intercambios de persona a persona en tiempo real en el horizonte cercano.

Los sistemas colaborativos, investigan modelos y algoritmos para ayudar a desarrollar sistemas autónomos que pueden trabajar en colaboración con otros sistemas y con humanos.

La investigación de crowdsourcing y computación humana investiga métodos para aumentar los sistemas informáticos haciendo llamadas automatizadas a la experiencia humana para resolver problemas que las computadoras solas no pueden resolver bien.

La teoría de juegos algorítmicos y la elección social computacional llaman la atención a las dimensiones de computación económica y social de la IA, como la forma en que los sistemas pueden manejar incentivos potencialmente desalineados, incluidos los participantes humanos interesados o empresas y los agentes automatizados basados ​​en IA que los representan.

La investigación de Internet de las cosas (IoT) se dedica a la idea de que una amplia gama de dispositivos, incluidos electro domésticos, vehículos, edificios y cámaras, pueden interconectarse para recopilar y compartir su abundante información sensorial para usar con fines inteligentes.

La computación neuromórfica es un conjunto de tecnologías que buscan imitar redes neuronales biológicas para mejorar la eficiencia del hardware y la solidez de sistemas informáticos, a menudo reemplazando el énfasis anterior en módulos separados en entrada /salida, procesamiento de instrucciones y memoria

Conclusión

Como hemos visto, todos los modelos excepto el BD tratan de emular las competencias de la mente o del cerebro humano. En el caso del modelo BD estamos hablando del surgimiento de una inteligencia no humana en el sentido literal. Ya que el modelo BD no tiene nada que ver con la forma de pensar del ser humano es un algoritmo de fuerza bruta basado en la velocidad del hardware. Ahora de acuerdo al paradigma basado en datos, según crezcan los datos las máquinas tendrán más acceso a la información y a su procesamiento (dada su creciente velocidad) y con ello a aumentar exponencialmente su inteligencia, lo que lleva a una posible singularidad tecnológica, fuera de la medida humana.

La IA actual es dependiente, depende de las personas que le suministran información del medio, mientras la IA enactiva recoge la información directamente del medio. Toda inteligencia compleja depende de la interacción con el entorno y estas interacciones dependen a la vez del cuerpo. Las máquinas actúan en su entorno (digital) y aprenden de él por lo que adquieren una inteligencia ajena a la humana. También, la IA actual es individualista, resuelve los problemas por si misma sin cooperación, en resumen, podemos decir que la IA actual es específica, individualista y dependiente (incorpórea)

Hoy se habla de sistemas híbridos que combinen el paradigma cognitivo (simbolista y conexionista) con el basado en datos, yo en cambio me inclino por el desarrollo de un sistema que integre el paradigma enactivo con el colectivo: una IA enactiva/colaborativa que sea consciente y cooperativa; capaz de desarrollarse y evolucionar junto a los humanos.

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s