A medida que la comunidad investigadora avanza en la inteligencia artificial y el aprendizaje profundo, los científicos sienten cada vez más la necesidad de avanzar hacia la inteligencia artificial híbrida. La IA híbrida tiene la reputación de resolver los problemas fundamentales a los que se enfrenta el aprendizaje profundo en la actualidad.
La IA híbrida reúne los mejores aspectos de las redes neuronales y la IA simbólica. La combinación de enormes conjuntos de datos (visuales y de audio, textuales, correos electrónicos, registros de chat, etc.) permite a las redes neuronales extraer patrones. A continuación, los sistemas de IA basados en reglas pueden manipular la información obtenida mediante algoritmos de manipulación de símbolos.
INSCRÍBASE EN NUESTRO PRÓXIMO TALLER DE ML
Los investigadores están trabajando en el desarrollo de sistemas de IA híbridos que puedan averiguar relaciones abstractas sencillas entre los objetos y la razón que hay detrás de ellos con la misma facilidad que un cerebro humano.
¿Qué es la IA simbólica?
Durante las décadas de 1960 y 1970, los nuevos avances tecnológicos se encontraron con el creciente deseo de los investigadores de comprender cómo interactúan las máquinas y la naturaleza. Los investigadores creían que el uso de enfoques simbólicos produciría inevitablemente una máquina artificialmente inteligente, lo que se consideraba el objetivo a largo plazo de su disciplina.
La «inteligencia artificial a la antigua» o «GOFAI» fue acuñada por John Haugeland en su libro de 1985 ‘Artificial Intelligence: The Very Idea» que exploraba las implicaciones éticas y filosóficas de la inteligencia artificial. Desde los primeros esfuerzos por construir ordenadores pensantes en la década de 1950, la investigación y el desarrollo en el campo de la IA han seguido dos enfoques paralelos: la IA simbólica y la IA conexionista.
La IA simbólica (también conocida como IA clásica) es un área de investigación de la inteligencia artificial que se centra en el intento de expresar claramente el conocimiento humano en forma declarativa, es decir, hechos y reglas. Desde mediados de los años 50 hasta finales de los 80, se hizo un uso importante de la inteligencia artificial simbólica. En cambio, en los últimos años, ha pasado a primer plano un enfoque conexionista como el aprendizaje automático con redes neuronales profundas.
Combinación de IA simbólica y redes neuronales
En los últimos años se ha producido un abandono del enfoque simbólico debido a sus límites técnicos.
Según David Cox, director de IBM en el laboratorio de IA MIT-IBM Watson, el aprendizaje profundo y las redes neuronales destacan por el «desorden del mundo», pero la IA simbólica no. Las redes neuronales estudian y comparan meticulosamente un gran número de instancias anotadas para descubrir relaciones significativas y crear los correspondientes modelos matemáticos.
Varias empresas de TI y laboratorios académicos destacados han realizado un esfuerzo importante en el uso del aprendizaje profundo. Las redes neuronales y el aprendizaje profundo destacan en tareas en las que la IA simbólica falla. Como resultado, se está utilizando para abordar desafíos complejos hoy en día. Por ejemplo, el aprendizaje profundo ha hecho importantes contribuciones a la revolución de la visión por ordenador con casos de uso en el reconocimiento facial y la detección de la tuberculosis. Las actividades relacionadas con el lenguaje también se han beneficiado de los avances del aprendizaje profundo.
VER TAMBIÉN
RINCÓN DEL DESARROLLADOR
7 recursos para aprender deep learning en 2021
Sin embargo, el aprendizaje profundo y las redes neuronales tienen ciertos límites. Uno de ellos es que la disponibilidad de grandes volúmenes de datos depende de ello. Además, las redes neuronales también son vulnerables a instancias hostiles, a menudo conocidas como datos adversos, que pueden manipular el comportamiento de un modelo de IA de forma impredecible y perjudicial.
Sin embargo, cuando se combinan entre sí, la IA simbólica y las redes neuronales pueden constituir una buena base para desarrollar sistemas de IA híbridos.
El futuro de la IA híbrida
El modelo de IA híbrida utiliza la capacidad de las redes neuronales para procesar y evaluar datos no estructurados, al tiempo que utiliza técnicas de IA simbólica. Los puntos de vista conectivistas sostienen que las técnicas basadas en redes neuronales acabarán proporcionando una IA sofisticada y ampliamente aplicable. En 2019, la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR) presentó un artículo en el que los investigadores combinaron redes neuronales con inteligencia artificial basada en reglas para crear un modelo de IA. Este enfoque se ha denominado «Neuro-Symbolic Concept Learner» (NCSL); afirma superar las dificultades a las que se enfrenta la IA y ser superior a la suma de sus partes. El NCSL, un sistema híbrido de IA desarrollado por investigadores del MIT e IBM, aborda los problemas de respuesta a preguntas visuales (VQA); el NSCL utiliza redes neuronales en combinación con redes neuronales con una precisión notable. Los investigadores demostraron que el NSCL era capaz de manejar el conjunto de datos VQA CLEVR. Y lo que es más importante, el modelo de IA híbrido pudo conseguir logros extraordinarios con menos datos de entrenamiento y superar dos retos de aprendizaje profundo que se planteaban desde hace tiempo.
Incluso el motor de búsqueda de Google es un complejo sistema de IA todo en uno compuesto por herramientas de aprendizaje profundo de vanguardia como Transformers y herramientas avanzadas de manipulación de símbolos como el gráfico de conocimiento.
Traducción realizada con la versión gratuita del traductor http://www.DeepL.com/Translator
Actualidad Deep Learning 