La inteligencia artificial nació en la década de 1950 con el objetivo de que las tareas humanas fueran producidas por máquinas que imitaran la actividad cerebral. Ante los contratiempos de las primeras horas, surgieron dos tendencias click aqui. 

Los defensores de la llamada inteligencia artificial fuerte pretenden diseñar una máquina capaz de razonar como los humanos, con el supuesto riesgo de generar una máquina superior a los humanos y dotada de conciencia propia. Esta línea de investigación todavía se está explorando hoy en día, aunque muchos investigadores de IA creen que lograr tal objetivo es imposible. 

Por otro lado, los defensores de la llamada inteligencia artificial débil implementan todas las tecnologías disponibles para diseñar máquinas capaces de ayudar a los humanos en sus tareas tal es el ejemplo de Chat GPT. Este campo de investigación moviliza muchas disciplinas, desde la informática hasta las ciencias cognitivas pasando por las matemáticas, sin olvidar el conocimiento especializado de los campos a los que queremos aplicarlo.

Este enfoque que se comentará a lo largo de este archivo genera todos los sistemas especializados y eficientes que pueblan hoy nuestro entorno: crear perfiles de posibles amigos  en las redes sociales, identificar fechas en textos para clasificar los despachos de las agencias, ayudar al médico a tomar decisiones…

Estos sistemas, de complejidad muy variable, tienen en común que tienen una capacidad de adaptación limitada: deben adaptarse manualmente para realizar tareas distintas a aquellas para las que fueron diseñados inicialmente. Hablamos de “recontextualizar” el sistema.

Algunos sistemas de IA utilizan la lógica

El enfoque más antiguo se basa en la idea de que razonamos aplicando reglas lógicas (deducción, clasificación, jerarquía, etc.). Los sistemas diseñados sobre este principio aplican diferentes métodos, basados en el desarrollo de modelos de interacción entre autómatas o software autónomo (sistemas multiagente), modelos sintácticos y lingüísticos (procesamiento automático del lenguaje) o el desarrollo de ontologías (representación del conocimiento). Estos modelos luego son utilizados por sistemas de razonamiento lógico para producir nuevos hechos. 

En los años 1980, este enfoque, llamado simbólico , permitió desarrollar herramientas capaces de reproducir los mecanismos cognitivos de un experto. Por eso se les llama “sistemas expertos”. Los más famosos, Mycin (identificación de infecciones bacterianas) o Sphinx (detección de ictericia), se basan en todo el conocimiento médico en un campo determinado y en una formalización del razonamiento de los especialistas que vinculan estos conocimientos para llegar a un diagnóstico.

Los sistemas actuales, descritos como apoyo a las decisiones, gestión del conocimiento o salud electrónica, son más sofisticados. Se benefician de mejores modelos de razonamiento, así como de mejores técnicas para describir el conocimiento médico, los pacientes y los procedimientos médicos. La mecánica algorítmica es generalmente la misma, pero los lenguajes de descripción son más eficientes y las máquinas más potentes. Ya no buscan sustituir al médico, sino apoyarlo en el razonamiento basado en los conocimientos médicos de su especialidad. 

La principal dificultad del enfoque simbólico es la modelización del conocimiento (descripción del dominio y razonamiento) que se basa en un trabajo en profundidad con especialistas en el dominio en cuestión. 

Otros explotan la experiencia pasada

A diferencia del enfoque simbólico, el llamado enfoque digital se basa en los datos. El sistema busca regularidades en los datos disponibles para extraer conocimiento, sin un modelo preestablecido. Este método, nacido con el conexionismo y las redes neuronales artificiales en los años 1980, se está desarrollando hoy gracias al aumento de la potencia informática y a la acumulación de cantidades gigantescas de datos, el famoso big data.

La mayoría de los sistemas actuales utilizan el aprendizaje automático, un método basado en la representación matemática e informática de neuronas biológicas, según métodos más o menos complejos. Los algoritmos de aprendizaje profundo, por ejemplo, cuyo uso se ha disparado en los últimos diez años, hacen una lejana analogía con el funcionamiento del cerebro al simular una red de neuronas organizadas en diferentes capas, intercambiándose entre sí. La ventaja de este enfoque es que el algoritmo aprende la tarea que se le asigna mediante “prueba y error”, antes de valerse por sí mismo.