La inteligencia artificial es una temática inagotable que despierta fascinación en múltiples ámbitos del saber. El desarrollo de la IA está unido al Big Data y al Data Science. Pero su imagen retrocede décadas, cuando nombres como McCarthy y Turing dieron argumento a lo que se convertiría en un profundo surco narrativo: la inteligencia artificial con sentido común y soberanía interpretativa, cuyo paradigma en el cine es Hal 9000.

Era el año 1956 cuando John McCarthy introdujo el concepto de “inteligencia artificial”. La máquina capaz de emitir juicios se convirtió prácticamente en un “clásico” del debate filosófico, de la producción cultural y del orden de utopías técnicas en diversos campos científicos. En cuanto a surco narrativo perdurable, no cabe duda de que la referencia es Hal 9000, de la película 2001 Una odisea espacial.

La temática venía adquiriendo forma a partir del famoso texto de Alan Turing ¿Puede pensar una máquina? La respuesta, bueno, depende de lo que entendamos por pensar, si entendemos por tal cosa acumular aprendizaje en base a pautas encontradas en matrices de datos (de ahí que IA sea algo totalmente unido a Big Data y Data Science) y sobre esto hacer predicciones con modelos (atributos nada despreciables, dado que su aparición en sujetos biológicos toma millones de años), tendremos que decir que sí, una máquina puede pensar. Pero si el interrogante se extiende a la posesión o emergencia de lo que nos parece es el sentido común la pregunta se complica sustancialmente.

Las inteligencias artificiales actuales no parecen mostrar sentido común, un rasgo humano donde intervienen grandemente las implantaciones culturales. Pero sí muestran una eficiencia superior en tareas que, en nuestro caso, requerirían exprimir significativamente las capacidades cognitivas, además obteniendo un resultado menor.

Sin embargo, también es cierto que un aprendizaje que aprovecha de forma tan profunda a la experiencia implica la adopción de reglas sobre cómo estructurar y utilizar la información. Lo anterior puede interpretarse como una base prometedora para el razonamiento: esas reglas permiten arribar a conclusiones y emprender procesos de autocorrección.

La literatura especializada desgrana distintas clasificaciones para la inteligencia artificial: la que apoya sus procesos en la lógica y la intuición, por ejemplo. En el primer caso, hablamos de la piedra angular de toda esta materia: la racionalidad elemental desde un principio electrónico y a partir de la ejecución de un algoritmo. En el segundo caso, nos encontramos con lo denominado como redes neuronales artificiales, es un modelo que imita la arquitectura observada en los humanos, apareciendo áreas de investigación y desarrollo que están resultando revolucionarias, como el Deep Learning.

Tal vez, en un futuro, la emergencia de una auténtica inteligencia artificial como Hal 9000 (capaz de sentir temor y amor por la verdad, que se pregunta si puede soñar y podría enfermar de paranoia) se desencadene tras la ejecución de un algoritmo con la complejidad suficiente, que necesite de una gran infraestructura para almacenaje y procesado de datos. Es decir, nos referimos a un fenómeno que se originará unido al Big Data y Data Science

Debe considerarse que los algoritmos funcionan gracias a matemáticas orientadas al aprendizaje y a un flujo de datos proveniente de grandes volúmenes. Desde la programación de una tarea sencilla, como encender o apagar un dispositivo según el estado inicial de éste, hasta los extensos algoritmos de Facebook o Google parten de principios similares.

Existen tipologías más extensas para referirse a los propios algoritmos. Diversas fuentes utilizan la definición algoritmos de machine learning para referirse, al menos, a tres grupos:

Basada en el esquema de prueba y error aparece el aprendizaje por refuerzo. Aquí la máquina ataca los datos con gran intensidad durante un rango de tiempo en busca de una X recompensa. Lo que resulta de esto es una memoria rápida formada por patrones, estrategias, conclusiones, etc. Es el modelo utilizado, por ejemplo, en las inteligencias artificiales que juegan al ajedrez.

Tenemos lo comprendido como aprendizaje supervisado, donde el modelo predictivo se genera con datos de entrenamiento. Aquí encontramos árboles de decisión, regresiones, etc. Con estos sistemas, por ejemplo, es posible entrenar a un sistema para encontrar la forma óptima de conducir otras máquinas.

Al hilo de lo anterior, tenemos los sistemas de aprendizaje no supervisado, donde la máquina aprende atacando los datos de entrada sin indicaciones externas previas.

SOBERANÍA INTERPRETATIVA

¿Qué conclusión preliminar podemos extraer? En efecto, no hemos llegado a una inteligencia artificial como Hal 9000, digamos, general. Pero sí tenemos inteligencias enfocadas o especializadas. Esto se debe a diversos factores. Uno es que las inteligencias especializadas responden a necesidades claras de la industria, la economía, la sociedad, etc. Y otro es que crear una inteligencia artificial general es una empresa computacional de mayúsculas dimensiones. Ni siquiera tenemos total claridad, la propia Psicología no podría dar una única respuesta, acerca de cómo recolectar, simbolizar y procesar los conocimientos que van a formar el sentido común, antes nombrado.

Sí, como nosotros, una máquina puede aprender todas las rutinas que conforman un trabajo o un proceso, computar y simbolizar la “recompensa” al final de ese trabajo. Incluso puede incorporar la significación y cuantificación del descanso y el auto-mantenimiento.

¿Dónde está el problema? En lo que las ciencias de la conducta llaman la soberanía interpretativa, de lo que se desprende que un día la máquina puede “decidir” que se siente mejor con una tarea que con otra (esto presta parte de su lógica al llamado “sentido común”).

No tenemos conocimientos suficientes para programar un algoritmo que al ejecutarse produzca las bases de la soberanía interpretativa, aquel que permitía a Hal 9000 pilotar, hacer diagnósticos de la nave y jugar como nadie al ajedrez, pero también enfermar y valorar la verdad de los hechos.

Una de las vías de avance que proponen algunos investigadores desde hace años es, básicamente, hacer lo de siempre, pero a gran escala: proporcionar al sistema un volumen suficientemente amplio de datos sobre actuación humana cotidiana (por ejemplo, información aparecida en medios, redes sociales, etc.). Luego, los algoritmos de inteligencia artificial harían su trabajo: encontrar pautas y aprender. Se piensa que con suficientes datos y tiempo el sistema podría llegar a los rudimentos de un “sentido común”. Parte de esos datos pueden venir de un margen amplio para la interacción con el entorno, es decir, hacer lo que ya hacemos los sujetos biológicos.

Podemos pensar en proyectos científicos de gran envergadura. Pero es posible que o bien nunca lleguemos a jugar al ajedrez con Hal 9000 o que éste llegue como consecuencia de un hecho electrónico accidental y totalmente fortuito.

MÁSTER EN BIG DATA Y DATA SCIENCE - CONVOCATORIA 2025 - MATRÍCULA ABIERTA