Sin título

Hoy se presta especial atención a la investigación de la lógica o lógicas del lenguaje. El análisis lingüístico de Chomsky, por ejemplo, es una pregunta en lógica simbólica, y los diferentes modos de explorar representaciones de conocimientos relacionadas con el lenguaje están determinadas por formalismos simbólicos de varios tipos. La sintaxis (gramática) de un lenguaje natural es una estructura de patrones expresable también en términos simbólicos. La posibilidad de formalizar aspectos del lenguaje natural permite modelar la comprensión lingüística en sistemas artificiales.

Las aplicaciones lingüísticas del ordenador resultaron obvias poco después de su aparición en los años cuarenta. La evidente capacidad del ordenador para manejar símbolos le permitió compilar índices de textos y generar concordancias (índices que incluían una línea de contexto por cada entrada). Eran tareas informáticas simples, que sólo requerían del ordenador encontrar y clasificar datos de un modo determinado. Se intuyó que el ordenador podía realizar tareas lingüísticas más ambiciosas.

Los sistemas expertos serán tan populares en los entornos comerciales y ofimáticos como lo empiezan a ser en los ámbitos industriales y técnicos. Por ejemplo, el Financial Advisor (basado en el sistema experto Nexus) lo comercializa Helix Products como ayuda para ejecutivos y otros profesionales del mundo empresarial. Finalcial Advisor aconseja sobre gestión empresarial y ayuda a diagnosticar problemas financieros. Otros sistemas Helix son el Investment Advisor, que analiza posibilidades de inversión; Car Advisor, que ayuda a decidir la compra de un coche. Se estudian otros sistemas para gestión de préstamos, políticas fiscales, etc.

Una vez que el experto ha transferido sus conocimientos al computador, la información puede estructurarse en árbol, siendo los nodos determinadas informaciones constituidas en axiomas o reglas. En la parte superior del árbol estaría la hipótesis u objetivo principal a seguir en la solución de la tarea propuesta, incluyendo evaluación y margen de error. El sistema experto puede tener una hipótesis o planteamiento principal y varios planteamientos secundarios. Cada planteamiento contempla una circunstancia de la situación. No se incluyen los planteamientos de baja probabilidad, en estas circunstancias el sistema puede aconsejar al usuario que consulte un experto humano. La Inteligencia de un sistema experto se puede evaluar, tal vez frívolamente, mediante una prueba conversacional de Turing. La prueba consiste en situar un operador frente a dos terminales. uno de los cuales está asistido por un ser humano, y el otro por un sistema de inteligencia artificial. Si al evaluar las respuestas a las preguntas efectuadas el operador no puede distinguir entre las respuestas de la máquina y las respuestas del experto humano, se dice que la máquina es inteligente. En nuestro caso, el sistema de inteligencia artificial sería un sistema experto y. si la prueba la pasase satisfactoriamente, se diría que el sistema es verdaderamente experto.

La historia de la inteligencia sintética en cualquier campo del saber es predominantemente la cronología de programas pioneros: software diseñado para comportarse inteligentemente en aplicaciones concretas. Así es en la investigación sobre la visión, como lo es también en la resolución de problemas, en el juego de partidas, en la demostración de problemas, etc. Podemos indicar unos cuantos programas de visión como importantes ejemplos en un campo en rápida expansión. Roberts, ya mencionado, eligió un entorno de cubos, sólidos rectangulares, cuñas y prismas hexagonales para desarrollar un programa que pudiese analizar la fotografía de una escena e identificar todos los objetos visibles en ella. Utilizando nuestros conocimientos sobre la geometría de la toma de fotografías (por ejemplo, la posición, de la cámara y la distancia focal), el programa trabaja a partir de la semejanza entre la fotografía y la realidad: preguntando si una transformación permitida por las reglas puede haber producido la fotografía usando uno o más de los modelos abstractos: cubos, prismas, etc. Se hace una evaluación matemática del grado de congruencia, y las interpretaciones que caen fuera de determinado umbral se rechazan.

Tales sistemas requieren, por ejemplo, un precio competitivo, capacidad de proceso en tiempo real, baja frecuencia de errores y flexibilidad suficiente para adaptarse a los cambios de diseño que se efectúen en los productos). Hemos visto cómo los sistemas de visión incluyen sensores, procesadores de imagen, etc., y se complementan con ordenadores que proporcionan la inteligencia necesaria. El desarrollo del microprocesador ha acercado la capacidad de proceso al punto de trabajo. Como los programas de visión ya considerados, casi todos los sistemas industriales de visión comienzan por convertir en digital la imagen analógica proporcionada por los sensores. Seguidamente se procesa la matriz digital para localizar e identificar las características y fallos del producto. Los patrones y formas detectadas se pueden comparar con plantillas para revelar los fallos. En una aplicación se utiliza un método de múltiples adaptaciones de plantillas para detectar la posición de un transistor en un microcircuito en el campo visual de una cámara vidicón complementada con un microscopio. Posteriormente se pueden verificar fallos en el producto. Tales sistemas de detección de fallos están basados en la evaluación de disparidades en las características medidas: calidad de la textura, variaciones de color, etc. Una vez más, técnicas desarrolladas en la investigación de Al tienen aplicación. Práctica en métodos de detección de bordes para hallar discontinuidades en soldaduras, así como otras imperfecciones en productos fabricados. 

La decodificación del discurso depende de que la persona (o máquina) receptora que recibe el mensaje pueda hacer referencia y un núcleo de conocimientos. Una palabra se interpreta dentro de un espectro de expectaciones influidas por un contexto de experiencia lingüística. Cuando nos habla un amigo, inconscientemente o conscientemente, estamos anticipando tanto las palabras que utilizará como su pretendido significado. Ello sugiere la constante referencia a una base de conocimientos, una circunstancia que tiene implicaciones en el diseño de sistemas artificiales para la comprensión del lenguaje. Fry escribía en 1970:”el lenguaje no se puede decodificar sin conocimientos previos del mismo… Tanto el que habla como el que escucha guardan en su córtex cerebral enormes cantidades de información relativas al lenguaje que utilizan”. Son los neurofisiólogos los que tienen que descubrir cómo este conocimiento lingüístico se distribuye en estructuras cerebrales.

La investigación de la visión es difícil, ya que es imposible para el ser humano describir y así poder explicar las etapas que componen cualquier proceso visual. En la resolución de problemas y en el juego de partidas, por ejemplo, el hombre puede intentar identificar y describir los heurísticos y protocolos implicados en el desarrollo de tales tareas. Sin embargo, ignoramos aún como el cerebro humano resuelve los problemas relacionados con la detección de líneas e identificación de objetos. No podemos dar una descripción de la “visión” que pueda ser incluida en un sistema artificial.

Como en otras áreas de los trabajos en Al, la Investigación sobre comprensión del discurso y del lenguaje puede beneficiarse del estudio de los fenómenos biológicos correspondientes. Hemos visto anterior mente como el que haya suposiciones previas, probablemente programadas genéticamente en el cerebro de los mamíferos, es fundamental para la correcta interpretación de la información visual. Similarmente, en álogas estructuras cerebrales preestablecidas son igualmente esenciales para la adecuada interpretación de otros datos complejos en campos no visuales: por ejemplo, en comprensión del discurso y del lenguaje.

Las arquitecturas de sistemas de producción son otro destacado método de representación de conocimientos en sistemas de Al. Originalmente fueron propuestos por A. Newell, 1973, como modelos de razonamiento humano. El planteamiento de los sistemas de producción está ligado al concepto de “regla”, cada una de las cuales es esencialmente un par operativo “patrón → acción” en un entorno de conceptos relevantes. La idea ha demostrado ser especialmente fructífera para la manipulación de conocimientos en sistemas expertos. Un sistema de Al puede acumular conocimientos en forma de reglas de producción. Esto es muy útil porque el conocimiento de un especialista se puede aumentar incrementalmente, y puede expresarse de una forma fácilmente comprensible por un experto familiarizado con la ingeniería del conocimiento. Las reglas se recogen del experto, se comprueba su coherencia, y se programa en el sistema de Al. Simultáneamente se analiza qué reglas son apropiadas e inadecuadas.

En los primeros sistemas de Al, la representación de conocimientos no era una especialidad claramente diferenciada, aunque en algunos sistemas de los años sesenta se le reconocía una importancia fundamental. Es útil considerar una representación de conocimientos como una combinación de estructuras de datos y procedimientos interpretativos capaces de hacer que un programa exhiba un comportamiento “experto”. Uno de los temas centrales de la investigación en Al es desarrollar procedimientos capaces de manipular inteligentemente estructuras de datos. De este modo un ordenador puede pensar sobre su base de conocimientos. Entendiendo por pensamiento capacidad para traducir eficazmente estructuras de datos en conocimientos, en forma similar a como un lector transforma el contenido de un libro en fuente de conocimiento interno. La eficacia con que estos procedimientos actúan sobre las estructuras de datos para generar inferencias determina en gran medida la competencia, o nivel de inteligencia, del sistema. Esta es una de las razones por la que la representación de conocimientos es una de las áreas más activas de la investigación actual en Al.

Todo apunta a que el ingeniero de conocimientos llega a su nuevo papel a través de la programación. Existen varias técnicas de programación heurística que indican modos de recoger la maestría humana y hacerla disponible a otros. A veces la tarea de captar el conocimiento humano refina la pericia del experto, pues se ponen de manifiesto inconsistencias en su propio modo de pensar. Una de las primeras tareas del ingeniero de conocimientos consiste en persuadir al experto para que permita que sus amplios conocimiento6sean trasladados a una base de datos. A menudo la vanidad humana es una dificultad. Feigenbaum y Mc Corduck (1948) cuenta de un experto que amablemente consintió la extracción de sus conocimientos, pero su ego sufrió un severo revés cuando vio toda su maestría, cosechada durante muchos años y de la que él se sentía tan orgulloso, convertida en unos cientos de proposiciones heurísticas. Al principio no se lo podía creer, y finalmente se sintió muy deprimido. Y cuando al experto no le preocupa la vanidad, contesta que está muy ocupado.

Donde quiera que haya inteligencia existe un elemento interno (cerebral) y un elemento de comportamiento. Incluso la mejor capacidad mental resultaría inútil si no se manifestase en comportamientos. En los ordenadores este elemento de comportamiento puede ser la mera representación en pantalla de los resultados de una computación: la visualización en pantalla transmite la respuesta a una consulta, la solución a un problema, o la toma de una decisión. Es un comportamiento análogo al de una persona que después de haber pensado sobre un problema, escribe la solución o comunica a otra persona la decisión que ha tomado. Por supuesto, los ordenadores pueden también manifestar sus conclusiones en forma hablada o escrita.

Los mecanismos de representación de conocimientos son (in Importantes en los seres humanos y otros animales como en los sistemas de inteligencia sintética. En los sistemas biológicos al igual que en los artefactos, la representación de conocimientos es una consideración importante para una gran variedad de funciones cognoscitivas: uso de la memoria, resolución de problemas, toma de decisiones, identificación de patrones, etc. En la sicología humana el estudio de la representación de conocimientos es normalmente sinónimo del estudio de las funciones memorísticas. Por ejemplo, una representación clave de memoria, la red semántica, es fundamental para el estudio de los métodos de representación de conocimientos.

Es utilizado en programación lógica, se ha convertido en un lenguaje fundamental para Al y ordenadores de quinta generación. Este lenguaje usa el principio de resolución, desarrollado por el profesor John Robinson de la Universidad de Syracuse de los Estados Unidos. Resuelve los problemas mediante una serie de inferencias lógicas, de modo similar a como los sistemas expertos usan el razonamiento deductivo. 

Un impacto de la informática sobre la sicología cognoscitiva es que actualmente biólogos e informáticos hablan con toda naturalidad de programas de visión. Dichos programas, ya sea en artefactos o en animales, deben tener potencia para interpretar la información de entrada a fin de que el sistema (del que los programas forman parte) tenga una imagen del mundo externo ¿Qué ocurre, por ejemplo, cuando alguien contempla un objeto de color rojo? Se produce una impresión inmediata, aunque ni el objeto ni un haz de luz roja hayan tocado el nervio óptico. En cierto sentido los impulsos nerviosos son símbolos que re-presentan al objeto rojo y pueden ser decodificados por un mecanismo adecuado de proceso de información en el cerebro o en un ordenador.

El conocimiento, en una u otra forma, es el núcleo central de toda la investigación en Al. Actualmente, en dicho contexto, es la inteligencia de un sistema informático que transforma datos e información en conocimiento. Tradicionalmente, los datos se han considerado como entrada elaborada. Por el contrario, la información se considera como datos avaluados situados en un contexto significativo. Hoy se ha añadido un nuevo parámetro, el conocimiento. Podemos decir que conocimiento es toda la información sobre la que el ordenador puede pensar. La utilización de la palabra “conocimiento” para significar los elementos de interés para el sistema de Al no es accidental. En este contexto “conocimiento” no es una metáfora: indica la nueva circunstancia de que la máquina puede considerarse que tiene estados mentales. Cuando decimos que un coche de una marca determinada “sabe correr” o “no le gusta arrancar por las mañanas”, estamos usando metáforas para denotar características de la máquina. Pero cuando en el contexto de sistemas expertos o sistemas de Al hablamos de aprendizaje, adquisición de conocimientos y pensamiento, estamos comenzando a usar estos conceptos en sentido literal. Pronto podremos decir con propiedad que los ordenadores son “conocedores” y “pensadores”.