IA, una solución a problemas complejos

La inteligencia artificial (IA) ha cobrado relevancia en los últimos años al encontrar soluciones distintas a las de los seres humanos cuando se trata de resolver problemas matemáticos, de estrategia, informáticos o cualquier otro obstáculo que aparezca en el ordenador.

“Esta tecnología ha demostrado ser capaz de solucionar problemas complejos para los cuales no se conocen medios algorítmicos exactos computables en la práctica, ya sea por sus grandes dimensiones, su complejidad estructural o por los niveles intrínsecos de incertidumbre de datos que manejan”, indicó Ángel Kuri Morales, investigador del Instituto Tecnológico Autónomo de México (ITAM).

De acuerdo con el experto, la inteligencia artificial es un término acuñado a finales de la década de los 50. En un inicio se desarrolló la inteligencia artificial simbólica, que consistía básicamente en establecer una serie de reglas que, al ser vertidas en el contexto de una computadora, permitían reemplazar algunas de las funciones que realiza el ser humano.

Razonamiento del software

Existe un sinnúmero de herramientas utilizadas por la IA para identificar patrones o métricas. Un ejemplo se encuentra en la lógica difusa, herramienta empleada para realizar razonamientos que no consideran que todo es negro o blanco, sino que permite razonamientos que comprenden la lógica aristotélica y van más allá de ésta. Al automatizarse, permite tener un mayor entendimiento para la identificación de patrones considerando que los seres humanos siguen lógicas difusas.

Por otra parte, las redes neuronales, el big data y la optimización multiobjetivo son actualmente algunas de las más implementadas en diversos campos del conocimiento.

Datos masivos

Big data es un término acuñado como resultado de la gran cantidad de información que se genera en distintos contextos, por ejemplo, en las redes sociales Facebook y WhatsApp. Por otro lado, la actividad científica moderna genera volúmenes de información enormes, como el Gran Colisionador de Hadrones (LHC, por sus siglas en inglés) de la Organización Europea para la Investigación Nuclear (CERN, por sus siglas en francés), donde se generan alrededor de 4 mil millones de datos por segundo. Al mismo tiempo, los costos en el campo de la computación han disminuido cada vez más, por lo que es más factible almacenar grandes volúmenes de información, lo que trae consigo una serie de problemas tecnológicos nuevos.

En México ya se desarrolla la tecnología de inteligencia artificial para procesar los big data, “la intención es identificar las tendencias de comportamiento, de tal manera que yo pueda aprovechar la información subsumida en esas grandes bases de datos. La idea es tener las ventajas de los grandes volúmenes de información sin las inconveniencias de manipular estos datos en detalle".

Optimización evolutiva multiobjetivo

La utilización evolutiva multiobjetivo consiste en resolver problemas de optimización donde hay dos o más objetivos que desean utilizarse al mismo tiempo, pero que tienen algún tipo de conflicto entre sí, por ejemplo, el objetivo de comprar un coche con el mejor motor y la mejor calidad de diseño, usualmente se opone a la intención de que sea lo más barato posible.

"Se producen varias soluciones que representan los diferentes compromisos entre los objetivos. Primero hay que tener en cuenta qué tanto se está dispuesto a sacrificar el objetivo uno con tal de resolver el objetivo dos, y lo que yo hago es resolver estos problemas con un tipo de técnicas de búsqueda estadísticas que se conocen como algoritmos evolutivos, con lo cual simulamos el proceso de la evolución natural en una computadora que produce las soluciones”.

En el algoritmo evolutivo se parte de una población, es decir, un conjunto de soluciones (cada una de las cuales es conocida como individuo), tal como se denomina en biología a una población de individuos de una especie determinada. Cada uno de estos individuos representa una solución al problema, y en la primera etapa, conocida como codificación, en cada individuo los valores de las variables del problema se generan de manera completamente aleatoria. Esto se agrupa en la función o funciones objetivo para obtener una solución.

Aprender de los datos

La inteligencia artificial simbólica se desarrolló con bastante éxito a partir de los sistemas expertos. "Le pido al sistema experto que diga lo que hace que el campo que estamos mirando se pueda manejar, porque él conoce las reglas”, indicó el investigador Ángel Kuri Morales.

Señaló que el sistema era exitoso, pero tenía una limitante, pues, por una parte, era necesario tener el experto a la mano y, por otra, que las reglas que hacen que un experto sea un especialista muchas veces no se pueden aplicar de manera secuencial. “Si yo no puedo tomar una decisión, para tomar la que sigue después y tomar la que le sigue a esa, es posible que la primera decisión afecte a la cuarta y eso no se sabía a priori”.

Refirió que para evitar esa posible limitación de los sistemas expertos, a alguien se le ocurrió que en vez de hacer ese proceso lo que se debía hacer era aprender de los datos.

Con este planteamiento, las reglas se desconocen y lo que se hace es alimentar los sistemas con una colección de datos suficientemente grande como para entender que estos expresan el sistema que se está observando y, una vez que se tienen estos datos, la computadora recibe esta información y mediante distintas metodologías, que constituyen lo que se conoce como inteligencia computacional, encuentran el comportamiento adecuado y pueden modelar los sistemas sin que se le deban especificar las reglas, que en muchos casos no se conocen.

"En ese sentido, es como un superconjunto de la inteligencia artificial simbólica, le llaman subsimbólica ya que no tiene símbolos como tales, las reglas las descubre. El término que se utiliza mucho es machine learning porque la máquina aprende”.

Aprender de los datos

La inteligencia artificial simbólica se desarrolló con bastante éxito a partir de los sistemas expertos. "Le pido al sistema experto que diga lo que hace que el campo que estamos mirando se pueda manejar, porque él conoce las reglas”, indicó el investigador Ángel Kuri Morales.

Señaló que el sistema era exitoso, pero tenía una limitante, pues, por una parte, era necesario tener el experto a la mano y, por otra, que las reglas que hacen que un experto sea un especialista muchas veces no se pueden aplicar de manera secuencial. “Si yo no puedo tomar una decisión, para tomar la que sigue después y tomar la que le sigue a esa, es posible que la primera decisión afecte a la cuarta y eso no se sabía a priori”.

Refirió que para evitar esa posible limitación de los sistemas expertos, a alguien se le ocurrió que en vez de hacer ese proceso lo que se debía hacer era aprender de los datos.

Con este planteamiento, las reglas se desconocen y lo que se hace es alimentar los sistemas con una colección de datos suficientemente grande como para entender que estos expresan el sistema que se está observando y, una vez que se tienen estos datos, la computadora recibe esta información y mediante distintas metodologías, que constituyen lo que se conoce como inteligencia computacional, encuentran el comportamiento adecuado y pueden modelar los sistemas sin que se le deban especificar las reglas, que en muchos casos no se conocen.

"En ese sentido, es como un superconjunto de la inteligencia artificial simbólica, le llaman subsimbólica ya que no tiene símbolos como tales, las reglas las descubre. El término que se utiliza mucho es machine learning porque la máquina aprende”.

HJ/I