¡°Tenemos que aceptar que existe un techo para el machine learning¡±

El desarrollo de la inteligencia artificial se encuentra en el sorprendente t¨¦rmino en el que puede ser dif¨ªcil reconocer si estamos chateando con una persona o con un robot en nuestra interacci¨®n con el servicio de atenci¨®n al cliente de una empresa. El reto matem¨¢tico qued¨® superado cuando Deep Blue venci¨® a Kasp¨¢rov, pero el procesamiento del lenguaje natural y la computaci¨®n cognitiva han permitido dar un paso hacia un modelo de comprensi¨®n m¨¢s humano. El sistema Watson de IBM derrot¨® a dos hist¨®ricos de Jeopardy!, un concurso de preguntas y respuestas estadounidense, quince a?os despu¨¦s de su victoria en el ajedrez. Sin embargo, todav¨ªa queda mucho por hacer.

Miquel Montero es un ingeniero de software y cient¨ªfico de datos que ha pasado los ¨²ltimos 17 a?os tratando de entender c¨®mo funciona nuestro cerebro. Estudi¨® y analiz¨® los ¨²ltimos avances en machine learning, ciencias cognitivas, teor¨ªa de la informaci¨®n, psicolog¨ªa computaci¨®n y neuroling¨¹¨ªstica. En 2014 lanz¨® Atomian, una compa?¨ªa que desarrolla un software de inteligencia artificial, con la ambiciosa pretensi¨®n de que un ordenador llegue a entender la naturaleza de las cosas de la misma manera en que lo hace una persona.

P. ?Qu¨¦ aplicaciones tiene Atomian?

R. No pensamos en las soluciones que pod¨ªa proveer nuestra tecnolog¨ªa hasta que la implementamos. Nuestro producto m¨¢s exitoso es un software para hospitales al que el personal m¨¦dico puede realizar preguntas en lenguaje natural. ¡®?A cu¨¢ntos pacientes del doctor S¨¢nchez con cardiopat¨ªa se les ha practicado una intervenci¨®n en 2015?¡¯ El sistema entiende la pregunta asociando los conceptos con s¨ªmbolos y la responde despu¨¦s de consultar una base de datos interna. La segunda aplicaci¨®n que hemos desarrollado consiste en un programa que clasifica y extrae datos clave alrededor de un texto concreto y estamos probando su uso en banca

P. ?C¨®mo funciona el cerebro de este software?

R. En oposici¨®n a otros sistemas de inteligencia artificial, hemos tratado de construir una forma de representar el mundo de forma conceptual para que la computadora lo pueda entender. Lo llamamos modelo de conocimiento universal, porque se le puede explicar cualquier forma de conocimiento sin restricciones, y est¨¢ basado en piezas m¨ªnimas de conocimiento, a las que llamamos ¨¢tomos. La diferencia fundamental es que este sistema no procesa el lenguaje natural como hacen la mayor¨ªa, lo entiende.

P. ?C¨®mo funciona un sistema de inteligencia artificial que procesa el lenguaje natural?

R. Procesar significa realizar operaciones matem¨¢ticas y heur¨ªsticas en base a un conjunto de palabras para despu¨¦s dar una respuesta. Los modelos conexionistas, que es como se llama a estos sistemas, est¨¢n basados generalmente en estad¨ªstica y tratamiento de big data. Las respuestas son pre-generadas; su conjunto siempre es finito. Cada una de estas hip¨®tesis tiene asignado un valor dentro de un ¨ªndice de confianza. Cuando les haces una pregunta, eligen la respuesta que tenga un mayor nivel de confianza.

P. ?C¨®mo encaja el machine learning en este modelo?

R. Lo que llamamos aprendizaje no es m¨¢s que la reasignaci¨®n de valores que hace un sistema conexionista a las hip¨®tesis que contiene en funci¨®n del nivel de acierto o fallo ante una pregunta determinada. Los sistemas que utilizan machine learning lo que hacen, a grandes rasgos, es reforzar o debilitar las conexiones entre los nodos. Tenemos que aceptar que existe un techo para esta tecnolog¨ªa.

P. ?Cu¨¢l es el problema con estos sistemas?

R. La inteligencia artificial basada en estos modelos es mayoritaria. El motor de b¨²squeda de Google o Siri optaron por el conexionismo. Su problema est¨¢ en la forma en que estructuran el pensamiento. Pueden parecer muy inteligentes, pero tienen limitaciones. Si le dices a Siri que quieres saber el tiempo, te lo dir¨¢. Pero si le dices que no quieres saber el tiempo, tambi¨¦n te lo dir¨¢, porque es la respuesta predefinida que considera m¨¢s probable que est¨¦s buscando.

P. ?C¨®mo puede un software entender el lenguaje natural en lugar de procesarlo?

R. En contraposici¨®n a los sistemas de procesado, existen los modelos simb¨®licos. En ellos, el cerebro de la m¨¢quina se construye alrededor de conceptos y relaciones entre estos. No es una cuesti¨®n de palabras: las palabras son una representaci¨®n simb¨®lica de la realidad. De este modo estamos ense?¨¢ndo al software un lenguaje universal. Un sistema que funcione de esta manera entiende una frase o pregunta como un conjunto de ¨¢tomos de informaci¨®n vinculados entre ellos y no necesita generar reglas espec¨ªficas para cada palabra; piensa y produce su respuesta en tiempo real.

P. Parece m¨¢s similar al funcionamiento de una red neuronal

R. Solo hay que ver c¨®mo entiende las relaciones morfosint¨¢cticas. Un sistema simb¨®lico entiende, por ejemplo, que las palabras de clase cerrada, como las preposiciones o pronombres, corresponden a operaciones propias del lenguaje. Y entiende c¨®mo un conector puede cambiar el sentido de una oraci¨®n. La diferencia entre ¡®Vengo a Barcelona¡¯ o ¡®Vengo de Barcelona¡¯ no es un mero matiz; marca el propio significado de la frase.

P. Es la iron¨ªa de la paradoja de Moravec: lo m¨¢s f¨¢cil para un humano es lo m¨¢s dif¨ªcil para un ordenador

R. Todav¨ªa queda mucho camino por recorrer cuando una m¨¢quina necesita decenas de millones de fotos de perros para distinguirlo de otra cosa con un 80% de precisi¨®n. Sin embargo, un ni?o de un a?o lo distingue con ver cuatro. En mi opini¨®n, la soluci¨®n est¨¢ en la combinaci¨®n de ambos sistemas: un modelo simb¨®lico para procesar el lenguaje y uno conexionista para procesar las im¨¢genes.