Utilizamos cookies propias y de terceros para mejorar nuestros servicios y facilitarle el uso de la web mediante el análisis de sus preferencias de navegación. También compartimos la información sobre el tráfico por nuestra web a los medios sociales y de publicidad con los que colaboramos. Si continúa navegando, consideramos que acepta nuestra Política de cookies .

Actualidad científica

  • 13/12/2018 - Tecnología

    Un dispositivo para medir nuestra exposición al sol

    Colocado en la piel o la ropa, el pequeño aparato aporta datos sobre la cantidad de radiación ultravioleta, visible e infrarroja que acumula el organismo. Destacan sus múltiples aplicaciones tanto cosméticas como médicas.

  • 12/12/2018 - Climatología

    Oscurecer el sol para enfriar la Tierra: el primer experimento

    Unos investigadores tienen pensado rociar la estratosfera con partículas que reflejen la luz solar. En última instancia, de esta forma se podría reducir deprisa la temperatura de la Tierra.

  • 12/12/2018 - Envejecimiento

    La tenacidad beneficia la salud física

    Las personas de edad avanzada tenaces pero también flexibles en sus objetivos gozan de un espacio vital mayor y, con ello, de más relaciones sociales y actividades físicas.

  • 11/12/2018 - glaciología

    Se acelera la pérdida de hielo de Groenlandia

    Los testigos de hielo, los datos de los satélites y los modelos climáticos revelan la violenta transformación de la vasta capa de hielo.

  • 11/12/2018 - Neuropsicología del desarrollo

    ¿Infecciones que desencadenan trastornos mentales?

    Un estudio realizado en Dinamarca asocia la invasión de microrganismos patógenos, durante la infancia y adolescencia, con el desarrollo de la esquizofrenia y otras alteraciones de la personalidad y la conducta.

Síguenos
  • Google+
  • RSS
  • Investigación y Ciencia
  • Agosto 2016Nº 479

Informe especial La edad de oro de la inteligencia artificial

Inteligencia artificial

Gratuito

El valor de la experiencia para los robots

Las máquinas pueden aprender a partir de vivencias pasadas. El método, conocido como razonamiento basado en casos, se ha aplicado con éxito en el diagnóstico médico, el fútbol robótico o la interpretación musical.

Menear

Nota de los editores: Ramón López de Mántaras ha sido distinguido con el Premio Nacional de Investigación 2018, en el ámbito de las matemáticas y tecnologías de la información y las comunicaciones. Investigación y Ciencia felicita a todos los premiados y ofrece el acceso abierto a los artículos escritos por los galardonados. [La descarga completa del siguiente artículo es gratuita durante todo el mes de diciembre de 2018]

En sus inicios, la inteligencia artificial (IA) tenía como objetivo emular la capacidad de la mente humana para procesar información de manera simbólica. Eso hizo que se prestase especial atención a la «plausibilidad cognitiva» de los distintos modelos computacionales; es decir, a su posible analogía con los procedimientos usados por los seres humanos durante el aprendizaje y la resolución de problemas.

Desde hace unos años, sin embargo, el acceso a enormes cantidades de datos y la posibilidad de procesarlos con eficiencia han derivado en un uso extensivo de técnicas estadísticas. Así ocurre, por ejemplo, con algunos métodos de aprendizaje profundo, los cuales requieren un entrenamiento con cientos de miles o incluso millones de datos para que la máquina aprenda un modelo de un concepto y, más tarde, pueda reconocer otros casos pertenecientes a dicho concepto [véase «Aprendizaje profundo», por Yoshua Bengio, en este mismo número]. No obstante, los seres humanos no aprendemos de ese modo. Lo hacemos a partir de muy pocos ejemplos y, en ocasiones, incluso de uno solo.

El razonamiento basado en casos (CBR, por sus siglas en inglés) es una técnica de IA que, a diferencia de otras, se apoya en el papel que desempeña la memoria en la resolución de problemas. Los nuevos problemas se afrontan mediante la reutilización —y, si es necesario, la adaptación— de soluciones a problemas semejantes ya resueltos en el pasado. Su hipótesis fundamental es que problemas similares tienen soluciones similares; un hecho que ha sido validado empíricamente en numerosos ámbitos del mundo real. En particular, el CBR no necesita millones de ejemplos para asimilar un concepto. Ello se debe a que la máquina no aprende un modelo general, sino que, sobre la base de unos pocos ejemplos almacenados en su memoria, es capaz de reconocer casos similares no vistos anteriormente. Desde este punto de vista, el CBR resulta más plausible cognitivamente que las técnicas basadas en cálculos estadísticos intensivos.

Buena parte de la inspiración para el estudio del CBR procede de las investigaciones sobre la memoria humana llevadas a cabo a principios de los años ochenta por Roger Schank, por entonces profesor de psicología y teoría de la computación en Yale. Tales trabajos se enmarcaban en el ámbito de las ciencias cognitivas, un área que presta especial atención al papel de la memoria como recurso fundamental para resolver problemas mediante el razonamiento y, en particular, mediante el razonamiento por analogía. Más tarde, a partir de los años noventa, comenzó a verse que este enfoque resultaba de gran utilidad en una amplia variedad de aplicaciones. Desde entonces el CBR se ha usado con notable éxito en todo tipo de tareas y dominios; entre ellos, el diagnóstico médico —ya que síntomas, antecedentes clínicos y analíticas similares suelen conducir a diagnósticos parecidos—, la toma de decisiones en asuntos legales (sobre todo en situaciones donde tales resoluciones se basan en la jurisprudencia), la robótica y, también, la interpretación expresiva de música, una actividad que, a priori, todos asociaríamos con facultades cognitivas exclusivas del ser humano.

La resolución de un problema mediante CBR consta de varios pasos. En primer lugar, hemos de describir la tarea que queremos resolver con un lenguaje interpretable por un ordenador y calcular su similitud con problemas anteriores. Estos se encuentran almacenados, junto con sus respectivas soluciones, en una «base de casos». Después se recuperan uno o más casos parecidos y se intenta reutilizar la solución de uno de ellos, a menudo adaptada para tener en cuenta las diferencias entre el problema original y el memorizado. La solución propuesta por el sistema debe entonces ser evaluada —por ejemplo, aplicándola al problema inicial o sometiéndola al juicio de un experto— y, en función del resultado, revisada. Por último, tanto el problema como su solución se añaden a la base de casos; es decir, se retienen en la memoria. De esta manera, podemos decir que el sistema ha aprendido a resolver un nuevo problema. Las cuatro etapas fundamentales de este ciclo son conocidas como «las 4 R»: recuperar, reutilizar, revisar y retener.

Puede conseguir el artículo en:

Artículos relacionados

Revistas relacionadas