Archivo por meses: mayo 2019

La naturaleza como modelo

La naturaleza como modelo

Inteligencia Artificial. ​Pasado, Presente y Futuro (V)

Muchos de los éxitos de la inteligencia artificial de hoy día se deben a un conjunto de herramientas, heurísticas y modelos definidos o inspirados principalmente en la naturaleza y algunos de los descubrimientos conceptuales a los que se refería John McCarthy se empezaron a producir en la década de los 90. Avances en neurociencia, nuevos modelos de computación, heurísticas,…

La inteligencia artificial se empieza a plantear como una emulación del comportamiento humano. Pero en lugar de programar a las máquinas para que realicen expresamente una tarea se utiliza un enfoque diferente. El machine learning se empezó explotar en cada vez más ámbitos.

A partir del año 91 con la creación de Internet y en adelante con la explosión de datos disponibles se ha reactivado el interés por las técnicas de IA. Se parte de la experiencia entendida como datos, para imitar el funcionamiento del sistema nervioso. Se definen modelos de aprendizaje automático que utilizando las grandes cantidades de información disponibles consiguen aprender y ofrecer soluciones que no son abordables con un enfoque clásico.

Algoritmos genéticos

Un algoritmo es, en términos generales, una serie de pasos organizados que describen el proceso que se debe seguir para dar solución a un problema específico. En lugar de eso los algoritmos genéticos proponen usar las leyes que rigen la evolución natural para dar esa solución al problema planteado. En los años 70, de la mano de John Henry Holland, surgió una de las líneas más prometedoras de la inteligencia artificial, la de los algoritmos genéticos. ¡Esta línea de soluciones partió en el siglo XIX con Charles Darwin!

Algoritmos Genéticos
Algoritmos Genéticos

Redes neuronales

Otro ejemplo de soluciones basadas en la naturaleza lo encontramos en nuestro cerebro. Es el modelo natural que mejores resultados está obteniendo en el desarrollo de la I.A. Hoy, conceptos como “Machine Learning” están muy extendidos y se pueden implementar usando varias técnicas, pero una de las más comunes son las redes neuronales, recientemente evolucionadas y renombradas con el concepto de Deep Learning. Es justo esa modalidad de aprendizaje automático la que está revolucionando las expectativas de la I.A.

Redes Neuronales
Redes Neuronales

Ejemplos de algoritmos genéticos y redes neuronales

Vamos a ver una serie de videos donde se muestra el proceso de aprendizaje usando técnicas de AGs y Redes neuronales.

En el siguiente video podréis ver una representación gráfica de una red neuronal que es capaz de reconocer números. Se muestra una capa de entrada como un conjunto de pixeles que representan a la imagen (equivalente a nuestra retina) y una capa de neuronas de salida. Hay un conjunto de capas ocultas en las que las neuronas se reconfiguran durante la fase de entrenamiento para dar una solución correcta.


Simulación 3D de redes neuronales

En el siguiente video se muestra una recreación de un ecosistema con diversas formas de vida creadas de forma aleatoria. Las que se adaptan peor desaparecen. Empiezan a desarrollar comportamientos más inteligentes, y crean un verdadero ecosistema.

Ecosistema con diversas formas de “vida”

Un algoritmo genético aprende como disparar y se automejora para ser más efectivo. En las primeras generaciones disparan aleatoriamente, pero a medida que pasa el tiempo desarrollan estrategias de disparo más avanzadas.

Un algoritmo genético aprendiendo a disparar en un juego

Algoritmo genético aprendiendo a saltar un objeto. Se definen unas reglas de movimiento y partir de ahí el sistema aprende como debe saltar el objeto.

Algoritmo genético aprendiendo a esquivar un objeto


A modern Approach is coming

El nuevo enfoque de la Inteligencia Artificial

Inteligencia Artificial. ​Pasado, Presente y Futuro (IV)

En el post anterior vimos como las expectativas de la Inteligencia Artificial y sus logros se vieron bruscamente frenados en la década de los 70 con el denominado Invierno de la Inteligencia Artificial.

Los investigadores tuvieron muchos más problemas para lograr financiación y quizás fue solo a través del cine de ciencia ficción y de la imaginación colectiva, donde perduró el interés. Un nuevo enfoque estaba por llegar, el despertar de la nueva era de la Inteligencia Artificial llegó en la década de los 90. Veamos como se produjo.

Lo que ocurrió es que se rebajaron las expectativas y se abandonó el objetivo pretencioso de lograr una I.A. de propósito general. Se desarrollaron en cambio, grandes avances en temas concretos, como la visión artificial, los sistemas expertos o las redes neuronales.

Inteligencia Artificial un enfoque moderno.

Se profundizó también en la clasificación de los sistemas de Inteligencia Artificial utilizando como modelo la Inteligencia Humana. El libro publicado por Stuart Russell y Peter Norving en 1994, titulado «Inteligencia Artificial. Un enfoque moderno» ayudó a reflotar el interés académico y de investigación fundacional obre la materia. A veces, vuelvo a abrir el ejemplar que conservo para recordar mi época universitaria.

Artificial Intelligence. A modern approach
«Inteligencia Artificial. Un enfoque moderno» Stuart Russell y Peter Norving

El reto del ajedrez

El juego del ajedrez también ayudó a dinamizar el interés del público general por la I.A. a través de las competiciones de ajedrez entre Hombre y Máquina. Seguro que recordáis las noticias en los telediarios o multitud de artículos, hablando de la derrota de Garry Kaspárov «a manos» de Deep Blue.

El reto del ajedrez ha inspirado siempre a grandes pensadores y de hecho la pretensión de conseguir que una máquina sea capaz de jugar al ajedrez, no es algo nuevo inventado en el Silicon Valley. Ya en 1910, ¡hace más de un siglo!, el gran Leonardo Torres Quevedo, si un español, desarrolló una máquina capaz de jugar de forma autónoma en las fases finales de una partida.

El reto del ajedrez
El reto del ajedrez

Torres Quevedo abordó el reto desde el punto de vista de la automática, de hecho se considera uno de las personas más influyentes en su desarrollo.

Placa conmemorativa del IEEE del trabajo de Torres Quevedo en el desarrollo del Telekino y el control a distancia

Deep blue derrotó a Kaspárov en 1997 utilizando nuevos enfoques algorítmicos. Algoritmos que aprovechaban la fuerza bruta computacional disponible en la época, analizando a gran velocidad un gran número de jugadas, de modo que la máquina pudiera escoger la mejor jugada posible según los cálculos realizados.

Pero este enfoque tiene poco de inteligente, no es más que una demostración de fuerza bruta (unos 200 millones de posiciones por segundo) y no exhibe ninguna característica de las que podemos relacionar con algún tipo de inteligencia.

Mucho más interesante fue el enfoque implementado en 2006 por Deep Fritz derrotando a Vladímir Krámnik. En esta ocasión se usaron heurísticas para optimizar la potencia de la máquina capaz de calcular unos 6 millones de posiciones por segundo, dos ordenes de magnitud por debajo de Deep blue. Fijaros a que nivel de cálculo hay que llevar a la máquina para que pueda ganar al campeón Humano. 6 millones de posiciones por segundo frente a la creatividad e inteligencia de Krámnik.

Así que a pesar de que Krámnik perdió 4 a 2, queda mucho todavía para que una máquina sea capaz de exhibir un comportamiento inteligente equivalente al de los Humanos.

En el próximo post veremos algunos casos más que ayudaron a reflotar la Inteligencia Artificial para llevarla a los niveles de desarrollo de la actualidad…