La historia de la inteligencia artificial se ha articulado en dos fases principales. Una de ellas ha sido la de la IA simbólica. ¿Qué cubre este término misterioso? ¿Cuáles son las ventajas y las limitaciones de tal enfoque?
Desde la explosión de ChatGPT a finales de noviembre de 2022, la IA generativa está en el centro de la atención. Sin embargo, este tipo de servicio se basa en un enfoque relativamente reciente de la inteligencia artificial que supone un aprendizaje particularmente costoso en recursos informáticos. Los inicios de la IA tuvieron lugar a partir de otro modelo, la IA simbólica, que después de una fase de desdén, podría muy bien recuperar cierta credibilidad…
¿Qué es la IA simbólica?
Los primeros intentos de simulación de una inteligencia por una máquina provienen de los trabajos de Alan Turing y nos llevan hacia finales de los años 50. En realidad, debemos remontarnos hasta el filósofo británico Thomas Hobbes (1588 – 1679) para encontrar los inicios de dichos trabajos. Hobbes consideraba que «pensar es manipular símbolos y razonar es calcular». El francés Descartes (1596–1650) iba en el mismo sentido, afirmando que el universo estaba escrito en el lenguaje de las matemáticas. Según él, toda la realidad es matemática.
Basándonos en tales teorías, fue posible concebir máquinas para manipular símbolos que emularan el pensamiento humano. Esta disciplina se convirtió en la IA simbólica. Comenzó de manera efectiva en 1959, cuando los investigadores Herbert Simon, Allen Newell y Cliff Shaw intentaron construir una computadora capaz de resolver problemas de manera similar a los humanos.
De hecho, la IA simbólica se esfuerza en representar el conocimiento en forma de reglas aplicadas a símbolos que representan objetos o conceptos de nuestro mundo. Esto resultó en programación basada en la lógica.
El ejemplo comúnmente dado es el de un diagnóstico médico: SI un paciente tiene estornudos frecuentes Y ojos que pican ENTONCES probablemente es una alergia estacional, DE LO CONTRARIO, pasar a la siguiente regla.
Este enfoque dio origen a los sistemas expertos y los sistemas de ayuda a la decisión.
Las principales aplicaciones de la IA simbólica
La IA simbólica se ha utilizado en muchos campos:
- Procesamiento de lenguaje natural (NLP) con asistentes como Siri o Alexa,
- Diagnóstico médico,
- Vehículos autónomos,
- Robots capaces de evitar obstáculos y de interactuar con humanos
El declive de la IA simbólica
Hasta finales de los años 80, la IA simbólica fue el principal camino de investigación y desarrollo de aplicaciones. Sin embargo, este enfoque poco a poco mostró sus límites.
- Como la IA simbólica opera a partir de reglas programadas, su capacidad de aprendizaje es baja. Un sistema de este tipo, por lo tanto, luchará por adaptarse cuando se encuentre con una situación no prevista.
- La IA simbólica requiere una base de conocimiento exhaustiva para funcionar correctamente. Si esta base es incompleta, su eficacia será reducida.
- Una IA simbólica se basa en representaciones precisas del conocimiento, y se verá desorientada ante datos inciertos o ambiguos.
- El reconocimiento preciso de formas y, por lo tanto, la biometría es poco viable con una IA simbólica.
- La generación de contenido tanto original como relevante sería difícil de concebir con este enfoque.
El avance del machine learning
A partir de los años 90, otro enfoque prevaleció, el de las redes neuronales, con dos formas principales, el machine learning y el deep learning. En este contexto, el sistema analiza enormes cantidades de datos y trata, mediante un largo entrenamiento, en parte empírico, de inventar relaciones matemáticas entre lo percibido y lo que se debe obtener. Se produjeron enormes avances a partir de 2010 y permitieron la aparición de aplicaciones ultra populares como ChatGPT y Midjourney.
Solo un problema: estos sistemas basados en el tratamiento de big data a veces son confusos, propensos a ciertos errores. Así, es posible que hayas tenido que intentarlo varias veces antes de obtener la visualización deseada en una aplicación como Stable Diffusion. A veces, incluso has tenido la impresión de que dicha IA generativa fallaba en comprender lo que realmente le pedías. De hecho, las IA neuronales operan a menudo sin que podamos encontrar una lógica en su operación. Estamos más frente a una victoria de la cantidad de datos sobre el razonamiento puro.
¿Hacia un regreso de la IA simbólica?
Sin embargo, la IA simbólica podría no haber dicho su última palabra, ya que algunos, como IBM, desean ahora combinar ambos enfoques con lo que se llama IA neuro simbólica. Para simplificar, la IA neuronal serviría para el reconocimiento de formas como la información y sería secundada por una IA simbólica que aplicaría una lógica predecible a los datos analizados.
Se da la circunstancia de que la IA simbólica tiene sus ventajas. En la medida en que su razonamiento está codificado, nos resulta fácilmente posible comprender cómo llegó a una conclusión y, en su defecto, corregirla. Además, consume muchos menos recursos de cálculo y, por lo tanto, es más eco-responsable: consume en promedio 143 veces menos energía que un modelo de machine learning. Por lo tanto, la IA simbólica puede ser adecuada en ciertas aplicaciones específicas, como el filtrado de correos electrónicos.
Así que, después de casi dos décadas de desprestigio, la IA simbólica parece estar destinada a hacer su gran retorno.
