Modelos de la inteligencia artifiial. El basado en datos

inteligencia-robots_0

Ya habíamos hablado de los modelos simbólico y conexionista, ahora mencionaremos el modelo basado en datos el cual, actualmente, está imponiendo dado su estrecha relación con la computadora y aunque todos los modelos se representan a través de la computadora, el modelo basado en datos (BD) es el que está más cerca de la computadora, al igual que con los lenguajes de programacion donde se ha impuesto el C, por su cercanía con el código de la máquina (sobre todo con el ensamblador), sabemos que en computación han surgido varios lenguajes de programacion para diferentes fines.

Veamos algunos de los lenguajes de programacion que han tenido mas impacto:

  • Fortran para el cálculo científico
  • Cobol para la gestión económica
  • Algol lenguaje algorítmico
  • Lisp para el procesamiento de listas (fue el lenguaje oficial durante años de la IA.
  • PL1 lenguaje de uso múltiple (tener todos los lenguajes en 1)
  • Pascal programacion estructurada
  • Prolog programacion lógica
  • Lenguaje C, precisamente fue el que triunfo por ser cercano a la máquina, es el que más se parece al lenguaje ensamblador

Con respecto al prolog, muchos pensaron (entre ellos los japoneses) que, por estar inspirado en la logia, iba a ser el lenguaje utilizado por la IA, de ahí surgió la idea del proyecto de 5ta generación japonés basado en prolog. Todos conocen que fue un fracaso. En esa época muchos se opusieron al proyecto japonés defendiendo la idea de máquinas con arquitectura de procesamiento paralelo (la que mejor encaja con el modelo conexionista) en lugar de la arquitectura de Von Neuman.

Comparación entre la arquitectura secuencial (Von Neumann) y la arquitectura paralela (conexionista)

 Conexionista – Von Neumann

  • Masivamente paralelo – Arquitectura secuencial
  • Datos y programa indiferenciable en las conexiones – Separa claramente datos del programa en la memoria
  • Solución inducida por aprendizaje – Solución como algoritmo o programa introducido
  • Imprevisibilidad de resultados – Resultados totalmente predecibles
  • Gran tolerancia a fallos – No tolera errores

 Cuando hablamos de aplicaciones nos referimos a las áreas donde se obtienen los mayores resultados, podemos decir que los sistemas de gestión económica han sido los de mayor impacto en el mundo empresarial (llamadas convencionales, no necesitan de inteligencia), mientras la IA (que de alguna forma requieren de inteligencia) quedo reducida a áreas más específicas y limitadas

Áreas de aplicación de la IA

  • Análisis y Procesado de señales
  • Reconocimiento de Imágenes (visión)
  • Demostración de teoremas matemáticos
  • Control de Procesos
  • Filtrado de ruido
  • Robótica
  • Procesamiento del Lenguaje natural
  • Diagnósticos (médicos, mecánicos)
  • Planificación
  • Traductores
  • Juegos de tablero (ajedrez, dama)

La mayoría de las aplicaciones actuales de la IA nacieron dentro del modelo simbólico, se ampliaron con el modelo conexionista y se han seguido ampliando de forma acelerada con el modelo basado en datos, tan es así, que casi podemos afirmar que ninguna aplicación actual (incluso las llamadas convencionales) escapan al uso del modelo basado en datos (enfoque computacional, el cual sus orígenes se remontan al reconocimiento de patrones y al aprendizaje automático

Hoy son muchos los investigadores que consideran que consideran, que por su capacidad de aprendizaje, las neuronas de los organismos biológicos se han estudiado para su aplicación en sistemas de aprendizaje automático, basándose en lo que ya se sabía entonces sobre el reforzamiento de las sinapsis entre neuronas biológicas, se vio que estas redes neuronales artificiales se podían entrenar para aprender funciones que relacionaran las entradas con las salidas mediante el ajuste de los pesos que sirven para ponderar las conexiones entre neuronas, por este motivo se pensó que serían mejores modelos para el aprendizaje, la cognición y la memoria, que los modelos basados en la IA simbólica.

Para la clasificación ambos enfoques, se puede recurrir a su a su similitud con la realidad biológica:

  • Enfoque neuronal (RNA): comprende las redes que tratan de simular los sistemas neuronales biológicos, así como las funciones auditivas o algunas funciones básicas de la visión. Inspirada en las redes neuronales biológicas
  • Enfoque computacional (BD): no tiene por qué guardar similitud con los sistemas biológicos. Su arquitectura está fuertemente ligada a las necesidades de las aplicaciones para la que es diseñada. Aprendizaje inductivo y reconocimiento de patrones

 Algunos investigadores ven la representación neuronal como una metáfora del cerebro que asume que el funcionamiento de las neuronas puede ser representado (modelado) computacionalmente y que se comportan igual que el cerebro, las neuronas artificiales son iguales a las neuronas naturales. Y consideran a las RNA como una representación genuina del funcionamiento del cerebro, por lo que se mantiene la metáfora del computador, pero ahora se traslada al cerebro.

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 operativa) se inspiran en la idea de los algoritmos de fuerza bruta que se programan utilizando, fundamentalmente, la velocidad de procesamiento de la máquina, estamos ante programas capaces de desarrollar actividades llamadas inteligentes sin imitar al pensamiento humano.

Como vimos el modelo computacional (BD) se basa en el reconocimiento de patrones, como objetos del mundo real y en los algoritmos de aprendizaje automático.

Reconocimiento de patrones

 ¿Qué es Reconocimiento de Patrones?

  • Son los medios por los cuales se puede interpretar el mundo (la realidad).
  • Es la ciencia que se ocupa de los procesos sobre ingeniería, computación y matemáticas relacionados con objetos físicos y/o abstractos, con el propósito de extraer información que permita establecer propiedades de o entre conjuntos de dichos objetos.

Hoy podemos hablar de diferentes tipos de realidad

  • Realidad objetiva (tangible)
  • Realidad virtual
  • Realidad ampliada
  • Realidad intangible (la nube)

 Donde un patrón es: un conjunto de caracteres de un objeto (imagen):

  • Un patrón es un conjunto de características.
  • Una clase de patrones es un conjunto de patrones “similares”.

El objetivo del reconocimiento de patrones es asignar un patrón a la clase a la que pertenece (lo más automáticamente posible).

En resumen, un sistema de reconocimiento de patrones completo consiste en:

  • Un sensor que recoge las observaciones a clasificar.
  • Un sistema de extracción de características transforma la información observada en valores numéricos o simbólicos.
  • Un sistema de clasificación(clasificador) que, basado en las características extraídas, clasifica la medición.

 Ejemplos de clasificadores:

  • Clasificadores mediante árboles de decisión
  • Algoritmos genéticos
  • Clasificador de Bayes.
  • Clasificador por redes neuronales artificiales (RNA).

En el caso de las RNA, se entrena una red de neuronas interconectadas, con los ejemplos para cada clase, con esto al presentarle un objeto nuevo en sus entradas la red dará como resultado la clase a la cual pertenece.

Veamos una última definición que compara el enfoque neuronal (por redes neuronales) con el enfoque computacional (por reconocimiento de patrones)

  • Redes Neuronales Artificiales (RNA). Este enfoque supone que tiene una estructura de neuronas interconectadas que se estimulan unas a otras, las cuales pueden ser “entrenadas” para dar una cierta respuesta cuando se le presentan determinados valores de un objeto.
  • Reconocimiento Lógico Combinatorio de Patrones. Este enfoque se basa en la idea de que la modelación del problema debe ser lo más cercana posible a la realidad del mismo, sin hacer suposiciones que no estén fundamentadas. Uno de los aspectos esenciales del enfoque es que las características utilizadas para describir a los objetos de estudio deben ser tratadas cuidadosamente.

Aprendizaje automático y aprendizaje profundo

 El aprendizaje automático viene desde la IA simbólica, lo que en esa época no tenía una gran utilidad práctica, se utilizaba fundamentalmente en el campo de la visión por computadora. Por ejemplo, la aplicación más importante dentro de la IA simbólica, los sistemas expertos carecieron de métodos de aprendizaje, en cambio incluyeron las explicaciones de sus razonamientos de lo cual carecen las aplicaciones de las RNA actuales.

Ya vimos que son muchos los que utilizan las RNA como parte del aprendizaje automático y lo consideran como un método más de clasificación y consideran que este enfoque constituye el núcleo del aprendizaje automático, que se basa comúnmente en “redes neuronales artificiales” (RNA). Las RNA que se forman diversos nodos similares conceptualmente a las neuronas cerebrales interconectadas a través de una serie de capas. Los nodos de la capa de entrada reciben información del entorno y, en cada nodo, se aplica una transformación no lineal. Estos sistemas “aprenden” a realizar tareas mediante la consideración de ejemplos (datos etiquetados), generalmente sin estar programados con reglas o modelos específicos de cada tarea. El aprendizaje profundo, para concluir, se basa en las RNA de varias capas, lo que habilita a la máquina para reconocer conceptos complejos como las caras y los cuerpos humanos, la comprensión del lenguaje y la clasificación de todo tipo de imágenes.

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, lo cual ha facilitado el surgimiento de una IA operativa basada en datos

Tipos de aprendizaje

Existen tres tipos de sistemas de aprendizaje:

  1. Supervisado,
  2. No supervisado
  3. Por refuerzo.

1.-En el primero, los algoritmos buscan objetivos específicos en clasificaciones preestablecidas. Este es el más usado en aplicaciones como Netflix, Facebook o Tinder.

2.-En el segundo, la máquina busca arbitrariamente cualquier tipo de patrón que pueda emerger de la base de datos que se le suministra. Si bien no es usado de forma masiva, ha resultado muy útil en soluciones de seguridad informática.

3.-El sistema de aprendizaje usa el método prueba y error por refuerzo, en el que las estrategias son premiadas de acuerdo con qué tanto se aporta para cumplir objetivos predeterminados. Esta tecnología fue usada por la compañía Deep mind en su prototipo Alpha Go. El resultado fue una máquina imbatible: venció en 2016 al mejor jugador de Go, juego de estrategia similar al ajedrez.

“La revolución de Google consiste en que utiliza las búsquedas de los millones de usuarios para aprender de ellos. Usa esa información, la conserva. Parece que cada uno de nosotros busca cosas diferentes, pero en realidad las personas tenemos cosas en común”, ha explicado al respecto para Teknautas Luis von Ahn, ex ingeniero de la compañía y creador del reCAPTCHA.

Tendencias generales y el futuro de la investigación en IA (ver el estudio AI100)

 Métodos de la inteligencia artificial

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.

Ya habíamos visto las áreas de aplicación de la IA, ahora resaltaremos las áreas más influenciadas por el modelo basado en datos

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 el área 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.

En el estudio AI100, se resalta lo siguiente: “El rotundo éxito del paradigma basado en datos ha desplazado al tradicional paradigma de IA. Procedimientos como la prueba de teoremas y el conocimiento basado en la lógica, la representación y el razonamiento reciben una atención reducida, en parte debido al desafío continuo de conectarse con bases del mundo real. Planificación, que fue un pilar de la investigación de IA en los años setenta y ochenta, también ha recibido menos atención recientemente debido en parte a su fuerte dependencia de supuestos de modelado que son difíciles para satisfacer en aplicaciones realistas. Enfoques basados ​​en modelos, como los basados ​​en la física enfoques para la visión y el control y mapeo tradicionales en robótica: por tener gran forma de enfoques basados ​​en datos que cierran el ciclo con la detección de los resultados de acciones en la tarea en cuestión. Razonamiento bayesiano y modelos gráficos, que fueron muy popular, incluso bastante recientemente, también parece estar perdiendo popularidad, habiendo sido ahogado por el diluvio de datos y el notable éxito del aprendizaje profundo”.

Hoy se habla de una IA general que integra el modelo simbólico con el modelo conexionista. Pero en realidad los grandes avances se están logrando en la integración del modelo computacional (BD) con el modelo conexionista (RNA) teniendo como protagonista a las grandes transnacionales de la información desde una IA operativa. Siempre el sueño de todos los modelos ha sido la construcción de una IA general, aunque de momento no ha pasado de ser una IA específica, y se aspira que con los nuevos métodos que están surgiendo (como el aprendizaje profundo) y de las nuevas tecnologías (el logro de un hardware cada más potente) se pueda desarrollar una IA que puede alcanzar, en algún momento, el estatus de una IA avanzada de carácter general.

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