“Tenemos que aceptar que existe un techo para el machine learning”

El desarrollo de la inteligencia artificial se encuentra en el sorprendente término en el que puede ser difícil reconocer si estamos chateando con una persona o con un robot en nuestra interacción con el servicio de atención al cliente de una empresa. El reto matemático quedó superado cuando Deep Blue venció a Kaspárov, pero el procesamiento del lenguaje natural y la computación cognitiva han permitido dar un paso hacia un modelo de comprensión más humano. El sistema Watson de IBM derrotó a dos históricos de Jeopardy!, un concurso de preguntas y respuestas estadounidense, quince años después de su victoria en el ajedrez. Sin embargo, todavía queda mucho por hacer.

Miquel Montero es un ingeniero de software y científico de datos que ha pasado los últimos 17 años tratando de entender cómo funciona nuestro cerebro. Estudió y analizó los últimos avances en machine learning, ciencias cognitivas, teoría de la información, psicología computación y neurolingüística. En 2014 lanzó Atomian, una compañía que desarrolla un software de inteligencia artificial, con la ambiciosa pretensión de que un ordenador llegue a entender la naturaleza de las cosas de la misma manera en que lo hace una persona.

P. ¿Qué aplicaciones tiene Atomian?

R. No pensamos en las soluciones que podía proveer nuestra tecnología hasta que la implementamos. Nuestro producto más exitoso es un software para hospitales al que el personal médico puede realizar preguntas en lenguaje natural. ‘¿A cuántos pacientes del doctor Sánchez con cardiopatía se les ha practicado una intervención en 2015?’ El sistema entiende la pregunta asociando los conceptos con símbolos y la responde después de consultar una base de datos interna. La segunda aplicación 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. ¿Cómo funciona el cerebro de este software?

R. En oposición 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 está basado en piezas mínimas de conocimiento, a las que llamamos átomos. La diferencia fundamental es que este sistema no procesa el lenguaje natural como hacen la mayoría, lo entiende.

P. ¿Cómo funciona un sistema de inteligencia artificial que procesa el lenguaje natural?

R. Procesar significa realizar operaciones matemáticas y heurísticas en base a un conjunto de palabras para después dar una respuesta. Los modelos conexionistas, que es como se llama a estos sistemas, están basados generalmente en estadística y tratamiento de big data. Las respuestas son pre-generadas; su conjunto siempre es finito. Cada una de estas hipótesis tiene asignado un valor dentro de un índice de confianza. Cuando les haces una pregunta, eligen la respuesta que tenga un mayor nivel de confianza.

P. ¿Cómo encaja el machine learning en este modelo?

R. Lo que llamamos aprendizaje no es más que la reasignación de valores que hace un sistema conexionista a las hipótesis que contiene en función 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 tecnología.

P. ¿Cuál es el problema con estos sistemas?

R. La inteligencia artificial basada en estos modelos es mayoritaria. El motor de búsqueda de Google o Siri optaron por el conexionismo. Su problema está 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 dirá. Pero si le dices que no quieres saber el tiempo, también te lo dirá, porque es la respuesta predefinida que considera más probable que estés buscando.

P. ¿Cómo puede un software entender el lenguaje natural en lugar de procesarlo?

R. En contraposición a los sistemas de procesado, existen los modelos simbólicos. En ellos, el cerebro de la máquina se construye alrededor de conceptos y relaciones entre estos. No es una cuestión de palabras: las palabras son una representación simbólica de la realidad. De este modo estamos enseñándo al software un lenguaje universal. Un sistema que funcione de esta manera entiende una frase o pregunta como un conjunto de átomos de información vinculados entre ellos y no necesita generar reglas específicas para cada palabra; piensa y produce su respuesta en tiempo real.

P. Parece más similar al funcionamiento de una red neuronal

R. Solo hay que ver cómo entiende las relaciones morfosintácticas. Un sistema simbólico entiende, por ejemplo, que las palabras de clase cerrada, como las preposiciones o pronombres, corresponden a operaciones propias del lenguaje. Y entiende cómo un conector puede cambiar el sentido de una oración. 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 ironía de la paradoja de Moravec: lo más fácil para un humano es lo más difícil para un ordenador

R. Todavía queda mucho camino por recorrer cuando una máquina necesita decenas de millones de fotos de perros para distinguirlo de otra cosa con un 80% de precisión. Sin embargo, un niño de un año lo distingue con ver cuatro. En mi opinión, la solución está en la combinación de ambos sistemas: un modelo simbólico para procesar el lenguaje y uno conexionista para procesar las imágenes.