Carlos B Fernández. El grupo de expertos de alto nivel designado por la Comisión Europea ha actualizado la definición de inteligencia Artificial (IA), poniendo el foco en la racionalidad de la toma de decisiones.
El documento “Una definición de la IA: capacidades y disciplinas principales” (
A definition of AI: Main capabilities and disciplines
) fue presentado el pasado día 8 de abril, simultáneamente con la propuesta de directrices éticas para el desarrollo y uso de una Inteligencia Artificial (IA) confiable, elaborado por el mismo grupo de trabajo.
Un movimiento que parece lógico, pues en estos tiempos pocos conceptos son menos correctamente conocidos y pese a ello más utilizados que el de Inteligencia Artificial. Por tanto, antes de hablar de directrices éticas sobre la misma, cabe considerar más que necesario partir de una definición actualizada y clarificadora de esta tecnología.
Este documento advierte, sin embargo, que su intención “no es definir precisa y exhaustivamente todas las técnicas y capacidades de IA, sino describir de forma resumida la comprensión conjunta de esta disciplina que el Grupo de Expertos de Alto Nivel está utilizando en sus trabajos”.
Definición actualizada de IA
El grupo, compuesto por 52 expertos, parte de la definición de Inteligencia Artificial propuesta en la Comunicación de la Comisión Europea sobre la IA “Inteligencia artificial para Europa” de 25 de abril de 2018 (COM (2018) 237 final), según la cual
"El término ‘inteligencia artificial’ (IA) se aplica a los sistemas que manifiestan un comportamiento inteligente, pues son capaces de analizar su entorno y pasar a la acción –- con cierto grado de autonomía-– con el fin de alcanzar objetivos específicos”.
Ahora, el grupo de expertos amplia esta definición para clarificar ciertos aspectos de la IA como disciplina científica y como tecnología, con el objetivo de evitar malentendidos y alcanzar un conocimiento común compartido de la IA que puede ser utilizado por no expertos y para proporcionar detalles útiles que puedan ser utilizados en el debate sobre la IA, las directrices éticas que deben regirla y las recomendaciones de las políticas sobre IA.
Para ello propone la siguiente definición:
"Los sistemas de inteligencia artificial (IA) son sistemas de software (y en su caso también de hardware) diseñados por seres humanos que, dado un objetivo complejo, actúan en la dimensión física o digital percibiendo su entorno a través de la adquisición de datos, interpretan los datos estructurados o no estructurados recogidos, razonan sobre el conocimiento, o procesan la información derivada de estos datos y deciden la(s) mejor(es) acción(es) que se debe(n) llevar a cabo para alcanzar el objetivo dado. Los sistemas de IA pueden utilizar reglas simbólicas o aprender un modelo numérico, y también pueden adaptar su comportamiento analizando cómo el entorno se ve afectado por sus acciones anteriores.
Como disciplina científica, la IA incluye varios enfoques y técnicas, tales como el aprendizaje automático o Machine Learning (del cual el aprendizaje profundo o Deep Learning y el aprendizaje de refuerzo o Reinforcement learning son ejemplos específicos), el razonamiento automático o Machine reasoning (que incluye la planificación, la programación, la representación y el razonamiento del conocimiento, la búsqueda y la optimización) y la robótica (que incluye el control, la percepción, los sensores y los actuadores, así como la integración de todas las demás técnicas en los sistemas cibernéticos)".
“Racionalidad” mejor que “inteligencia”
El grupo de expertos comienza indicando que, pese a que el término “Inteligencia Artificial” contiene una referencia explícita a la noción de inteligencia, este “es un concepto impreciso”.
Por ello, aunque ha sido estudiado extensamente por psicólogos, biólogos y neurocientíficos, los investigadores de la IA, los autores de este documento, acogiéndose al concepto acuñado por Russell y Norvig en “Artificial Intelligence: A Modern Approach” prefieren referirse a la noción de “racionalidad” (rationality). Este criterio “se refiere a la capacidad de elegir la mejor acción a emprender para alcanzar un determinado objetivo, teniendo en cuenta determinados criterios de optimización y los recursos disponibles” (This refers to the ability to choose the best action to take in order to achieve a certain goal , given certain criteria to be optimized and the available resources).
Y aunque, destacan, que la racionalidad no es el único ingrediente del concepto de inteligencia, “es una parte significativa del mismo” (rationality is not the only ingredient in the concept of intelligence, but it is a significant part of it).
Sistemas de IA
El documento utiliza el término “sistema de IA” para referirse a cualquier componente, software y/o hardware basado en IA, pues, destaca, los sistemas de IA suelen estar integrados como un componente de sistemas más grandes, y no como sistemas independientes. Por tanto, siguiendo a Russell y Norvig, señalan que “un sistema de IA es, ante todo, un sistema racional”.
El proceso para obtener esa racionalidad sigue un camino que comienza por la percepción del entorno en el que está inmerso el sistema a través de unos sensores; sigue por la recogida e interpretación de esos datos y continúa con el razonamiento sobre lo que se percibe o el proceso de la información derivada de esos datos para decidir cuál es la mejor acción adoptar, y finalmente, actuar en consecuencia, a través de algunos actuadores, modificando así posiblemente el entorno sobre el que trabajen.
Para todo ello, los sistemas de IA pueden utilizar reglas simbólicas o aprender un modelo numérico, y también pueden adaptar su comportamiento mediante el análisis de cómo el entorno ambiente se ve afectado por sus acciones anteriores.
El documento destaca también que estos sistemas racionales de IA son una versión muy básica de los sistemas de IA, pues pueden actuar sobre su entorno, pero no son capaces de adaptar su comportamiento a lo largo del tiempo para lograr mejorar su objetivo. Un sistema racional con capacidad de aprendizaje, precisan, es un sistema racional que, después de haber tomado una decisión evalúa el nuevo estado de su entorno a través de sus sistemas de percepción, para determinar el éxito de su acción, y posteriormente adaptar sus reglas de razonamiento y sus métodos de toma de decisiones.
Procesamiento de información y toma de decisiones
Según el documento, en el núcleo de un sistema de IA se encuentra su módulo de razonamiento o procesamiento de la información, que toma como entrada los datos procedentes de los sensores y propone una acción a tomar, dado el objetivo a alcanzar. Esto significa que los datos recogidos por los sensores deben transformarse en información que el módulo de razonamiento/procesamiento de la información pueda comprender.
Por ejemplo, si se trata de un sistema de limpieza con IA, una cámara instalada en el mismo podrá proporcionar una imagen del suelo de una estancia al módulo de procesamiento o razonamiento de la información, el cual, en función de la información recibida y de la interpretación que haga de la misma, deberá decidir si limpiar o no (es decir, cuál es la mejor acción para lograr el objetivo deseado).
Pasar de la observación e identificación de un suelo como sucio, a la decisión de limpiarlo si es necesario, es fácil para los humanos, pero no es tanto para una máquina, porque una imagen es sólo una secuencia de ceros y unos. Para adoptar una decisión al respecto, el módulo de razonamiento o tratamiento de la información de un sistema de IA debe:
1. Interpretar la imagen para decidir si el suelo está limpio o no. En general, esto significa ser capaz de transformar los datos en información y modelar dicha información de una manera sucinta pero incluyendo, a la vez, todos los datos relevantes (en este caso, si el piso está limpio o no).
2. Razonar sobre este conocimiento o procesar esta información para producir un modelo numérico (es decir, una fórmula matemática) para decidir cuál es la mejor acción a adoptar.
En este ejemplo, si la información derivada de la imagen es que el suelo está sucio, la mejor acción es activar la limpieza, de lo contrario, la mejor acción es quedarse quieto.
Debe destacarse, subraya el grupo de expertos, que el término "decisión" aquí utilizado debe considerarse en sentido amplio, como cualquier acto de selección de la acción a tomar, pero que ello no significa necesariamente que los sistemas de IA sean completamente autónomos. Una decisión también puede ser la selección de una recomendación que ofrece a un ser humano, que será quien adopte la decisión final.
Decisión de actuación
Una vez decidida la acción, el sistema de IA está preparado para realizarla a través de los actuadores disponibles para ello. Y aunque en estos casos es habitual pensar en actuadores físicos que realicen un movimiento determinado, esto no tiene por qué ser necesariamente así, pues los actuadores también pueden ser un software (así en el ejemplo del sistema de limpieza, el sistema de IA podría producir una señal que activara la función aspiradora si la acción procedente es limpiar el piso o, en el caso de un sistema conversacional o chatbot, generando textos para responder a las expresiones del usuario).
Los autores del documento destacan también que los sistemas racionales de IA no siempre eligen la mejor acción para su objetivo, logrando así sólo una racionalidad limitada, debido a las limitaciones existentes de recursos como el tiempo o la potencia computacional.
Los ámbitos científicos de la IA
En términos generales, las técnicas de IA se pueden agrupar en dos grandes categorías, que se refieren a la capacidad de razonar y aprender, a las que cabe añadir la robótica como otra disciplina muy relevante.
Las técnicas de razonamiento y toma de decisiones permiten realizar un razonamiento sobre los datos procedentes de los sensores. Una vez modelado el conocimiento, el siguiente paso es razonar con él, lo que incluye hacer inferencias a través de reglas simbólicas, la planificación y la gestión de la información, la programación de actividades, la búsqueda a través de un gran conjunto de soluciones y la identificación de la óptima entre todas las posibles soluciones a un problema. La parte de razonamiento/decisión de un sistema de IA suele ser muy compleja y requiere una combinación de varias de las técnicas antes mencionadas.
En cuanto al Machine Learning o aprendizaje de las máquinas, 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 supervisado de máquinas, en lugar de dar reglas de comportamiento al sistema, le proporcionamos ejemplos de comportamiento a partir de un conjunto de datos o imputs, esperando que sea capaz de generalizar a partir de los ejemplos (típicamente describiendo el pasado) y comportarse bien también en situaciones no mostradas en los ejemplos (que podrían encontrarse en el futuro). Si damos suficientes ejemplos, que son lo suficientemente diversos e inclusivos de la mayoría de las situaciones, el sistema, a través de su algoritmo de aprendizaje automático, será capaz de generalizar para saber también interpretar bien imágenes de suelos nunca antes vistas.
Algunos métodos de aprendizaje automático adoptan algoritmos que se basan en el concepto de redes neuronales (Neural networks). Este está vagamente inspirado por el cerebro humano en el sentido de que tiene 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 (en nuestro ejemplo, si el suelo está limpio o no). Durante el análisis de los ejemplos (la 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 prueba del comportamiento de la red neuronal sobre ejemplos nunca antes vistos comprueba que la tarea ha sido bien aprendida.
Existen varios tipos de redes neuronales y enfoques de aprendizaje automático, de los cuales uno de los más exitosos es el aprendizaje profundo (Deep learning). Este enfoque se refiere al hecho de que la red neuronal tiene varias capas entre la entrada y la salida que permiten aprender la relación general entre la entrada y la salida en pasos sucesivos. Esto hace que el enfoque general sea más preciso y con menos necesidad de orientación humana.
Otro tipo útil de enfoque de aprendizaje automático se llama aprendizaje por refuerzo (Reinforcement learning). En este enfoque, dejamos que el sistema de IA tome sus decisiones con el tiempo, y en cada decisión le damos una señal de recompensa que le dice si fue una buena o mala decisión. El objetivo del sistema, con el tiempo, es maximizar la recompensa positiva recibida. Este enfoque se utiliza, por ejemplo, en el sistema de recomendaciones (como los diversos sistemas de recomendación en línea que sugieren a los usuarios lo que les gustaría comprar), o también en el marketing.
Finalmente, la robótica puede definirse como "IA en acción en el mundo físico" (o también IA incorporada o Embodied AI). Un robot es una máquina física que tiene que hacer frente a la dinámica, las incertidumbres y la complejidad del mundo físico.