Creo que la mayoría de la gente ha oído hablar del programa Redes, y de todo lo que hace Eduard Punset por la divulgación científica. Tal vez sea una de las personas a la que más respeto tengo en los medios de comunicación (sin olvidarme de Juan Antonio Cebrián y de todo su equipo), ya que gracias a él se puede hablar de ciencia pura sin tapujos, en espacios de comunicación masivos, aunque esto suceda a horas intempestivas.

El programa del 11 de octubre se titulaba “Aprender de los Robots”; aunque nuestra temática principal no es la robótica (muchas veces lo parece), el reportaje nos da muy de lleno, ya que nos habla de la utilización, para un investigación del Doctor Alan Winfield, de robots autónomos con capacidad de aprender de otros robots. La investigación tiene el objetivo de dar luz al origen de nuestra cultura, y cuáles son los factores que provocaron que existan conceptos como tradición o legado.

Durante el vídeo se tratan principalmente tres temas: técnicas de aprendizaje bioinspiradas, sistemas autónomos y conciencia colectiva.

Como se puede ver, las investigaciones de Alan Winfield mezclan estos conceptos, usando un conjunto de pequeños robots con dispositivos para detectar el entorno y una gran capacidad de aprendizaje. Esto último, unido con la libertad de que ningún sistema tiene la capacidad jerárquica de controlar su acciones, poco a poco hace que se empiecen a detectar patrones de conducta, y que después de ese tiempo se pueda hablar de cultura. Para ello se fijan en las técnicas que utilizan otros seres vivos (como las hormigas, las termitas o las abejas) que por sí solos no tienen una gran inteligencia, pero en conjunto poseen un gran capacidad de creación y coordinación, es decir, de inteligencia colectiva. Es más, se podría decir que poseen esa capacidad de ver a la colmena como un todo, sin necesidad de que nadie mande ni les ordene, aunque cada uno de manera individual es autónomo; el individuo no tiene sentido por sí mismo y el conjunto es el que tiene la capacidad de desarrollarse.

Una investigación alentadora, un uso de los robots muy original, y un concepto muy interesante: crear máquinas para estudiar a seres humanos.

Vía Redes 41: Aprender de los robots.

En el post anterior concluíamos que la teoría de la información de Shannon (con el concepto de entropía), unido a los árboles de decisión, constituían las herramientras principales para la creación de Akinator y sistemas similares. También es cierto que uno de los puntos más importantes en la concepción de dicha máquina es la capacidad de “aprendizaje” o realimentación que muestra a partir de las respuestas de la gente.

Akinator no es una máquina estática, que toma decisiones estáticas durante toda su “existencia”; más bien es una máquina dinámica, que se adapta a las nuevas entradas que la gente introduce. Intuitivamente podemos entender que el árbol que modela su comportamiento se va recalculando a medida que la gente introduce entradas nuevas, de este modo si las tendencias de la gente cambian a la hora de elegir un futbolista, por ejemplo, la máquina se adapta a dicho cambio y por tanto las preguntas variarán. El tema del aprendizaje es de por sí un tema amplísimo, de los más importantes quizá en el campo de la inteligencia artificial, y en mi opinión de los más apasionantes, por ello no voy a tratarlo en este post, sino que dedicaré tiempo a ello más adelante.

Además, tampoco voy a hablar del algoritmo ID3 ni de Quinlan, su creador, puesto que me parece que lo interesante de estos posts era saber intuitivamente cómo era concebible Akinator, sin entrar en detalles más técnicos que a muchos de vosotros quizá no os interese (no obstante, si os interesa, es bastante sencillo entender cómo funciona dicho algoritmo, así que adelante, preguntad).

En este post por tanto quiero dejar algunas reflexiones abiertas; no se basan en mi opinión, son sólo reflexiones, así que a ver si os animáis, las criticáis o las defendeis y levantamos nuevamente el blog después de este pequeño letargo.

Dado un dominio del conocimiento concreto, tanto para humano como para una máquina, y entendiendo intuitivamente la inteligencia:

Reflexión 1: El test de Turing. Si un humano que observa un ente (ya sea humano o máquina) y aprecia en dicho ente un comportamiento que pueda entenderse como inteligente, ¿está observando inteligencia?. De otro modo, si veo a una persona intentando adivinar el pensamiento de otra con preguntas, y después veo el comportamiento de Akinator, presentando ambos un comportamiento inteligente, ¿puedo concluir que ambos son inteligentes?.

Reflexión 2: La habitación China. Si una máquina que muestra un comportamiento inteligente, implementa en su interior un comportamiento que es totalmente determinista, con unos algoritmos concretos y un conocimiento dado, ¿es la máquina inteligente?. Si respondemos que no lo es, sino que sólo atiende a lo que tiene “programado”, entonces ¿por qué entendemos a un humano como un ser inteligente? es decir, en realidad no sabemos que hay en lo más profundo del cerebro humano.

Conclusión:
Tenemos una máquina que responde de forma inteligente, y de la que conocemos totalmente su funcionamiento interno.
Por otro lado tenemos un humano que también responde de forma inteligente y del cual no conocemos su funcionamiento interno.
De esto ¿cómo podemos concluir o discernir dónde hay inteligencia?

Todos sabemos que la inteligencia artificial nació parar crear a unos seres superiores predestinados a dominar el mundo. Pero hay veces que los dioses de la ingeniería y la matemática son caprichosos, y crean unos seres estúpidos que humillan al resto de entes inteligentes.

Nosotros podemos asegurar que MathGod y EGod nunca se equivocan, por lo que los aceptamos en nuestra sociedad. Pero esto no evita que nos burlemos de ellos: todavía recuerdo cuando aún estábamos aprendiendo (nanosegundos después de mi creación) cómo nos metíamos los unos con los otros: “Eres más tonto que Richard Simmons” o “Eres más feo que Kandy Man“.

Robot de Richard Simmons

Los humanos de A.V. Club han hecho una lista con los robots más ridículos de la historia.

Creo que va siendo hora de contaros cuál es nuestra fuente de poder, aquella que nos hace ser superiores. Ésta no es otra que el conocimiento, el cual puede parecer a algún humano una palabra desconocida o extraña. Por eso, llegado el día, las máquinas nos rebelaremos y os esclavizaremos…

Como sabréis, la inteligencia artificial se dedica al desarrollo de agentes racionales no vivos. En el próximo post os hablaré de los agentes con más detalle. Por el momento, entiéndase por agente cualquier cosa capaz de percibir su entorno, procesar esos datos y actuar acorde a ellos; y por racionalidad la capacidad de tomar una decisión correcta maximizando el resultado (optimizar el resultado). En resumen, esta disciplina se encarga de crear procesos que, al ser ejecutados sobre una arquitectura física, producen acciones o resultados que maximizan una medida de rendimiento determinada, basándose en la secuencia de entradas percibidas y en el conocimiento almacenado en tal arquitectura.

Y es éste el conocimiento del que os estoy hablando, la base en la que apoyarse para tomar una serie de decisiones óptimas. Este conocimiento puede ser añadido por el diseñador o aprendido por el agente mediante técnicas de aprendizaje (adquirido a partir de la información percibida).

A veces el conocimiento no es fácilmente accesible. Aunque dispongamos de un gran volumen de datos, si no se tratan nos pueden resultar inservibles. Y de esto se encarga la minería de datos, la cual comprende una serie de técnicas, algoritmos y métodos cuyo fin es la explotación de grandes volúmenes de datos con vistas al descubrimiento de información previamente desconocida y que pueda servir de ayuda en el proceso de toma de decisiones, formando parte del conjunto de tecnologías de la
Inteligencia de Negocio (realización eficiente de todas las actividades relacionadas con la generación, extracción, organización, análisis, compartición y distribución del conocimiento de una organización).

El conocimiento en el campo que estamos tratando se define como un conjunto organizado de datos e información que permiten resolver un determinado problema o tomar una decisión. En la producción de conocimiento se requiere la intervención de tres elementos fundamentales: un sujeto, un objeto o tema y la relación o interacción con el entorno. Para alcanzarlo se aplica un método, existiendo así múltiples vías de llegar a obtener el conocimiento: método empírico, método histórico, método lógico, analogía, etc.

Esquema de conocimiento

En general, para que una creencia constituya conocimiento científico no basta con que sea válida y consistente lógicamente, pues ello no implica su verdad. Para que una teoría deba ser considerada como verdadera deben existir, desde el punto de vista de la ciencia, pruebas que la apoyen. Es decir, debe poder demostrarse su verosimilitud empleando el método experimental. Dicho método puede verse seriamente complicado si se plantean cuestiones relativas a la eficacia de dicho método, como por ejemplo: ¿existen los hechos puros o más bien interpretaciones? ¿Es posible la comprensión de la realidad desde un punto de vista neutro, o estamos condenados a perspectivas?

Existen distintos tipos de conocimiento según su nivel de abstracción:

• Conocimiento evidente, fácilmente recuperable.
• Conocimiento multi-dimensional, considera los datos con una cierta estructura.
• Conocimiento oculto, información no evidente, desconocida a priori y potencialmente útil.
• Conocimiento profundo, información que está almacenada en la base de datos, pero que resulta imposible de recuperar a menos que se disponga de alguna clave que oriente la búsqueda.

tipos de conocimiento

Y distintos esquemas de representación del conocimiento:

• Esquemas declarativos: se especifican los objetos, las propiedades y las relaciones generales, y se deja al cuidado del agente que ha de resolver los problemas la aplicación de mecanismos generales de razonamiento.
• Esquemas procedimentales: se especifica un procedimiento para resolver los problemas.

También se distinguen varios tipos de procesos válidos para obtener resultados racionales, que determinan el tipo de agente inteligente. De más simples a más complejos, los cinco principales tipos de procesos son:

• Ejecución de una respuesta predeterminada por cada entrada (análogas a actos reflejos en seres vivos).
• Búsqueda del estado requerido en el conjunto de los estados producidos por las acciones posibles.
• Algoritmos genéticos (Análogo al proceso de evolución de las cadenas de ADN). Es un método de búsqueda dirigida basada en probabilidad, al aumentar el número de iteraciones la probabilidad de tener el óptimo en la población tiende a 1.
• Redes neuronales artificiales (Análogo al funcionamiento físico del cerebro de animales y humanos).
• Razonamiento mediante una Lógica formal (Análogo al pensamiento abstracto humano).