La Inteligencia Artificial y la curva humana del aprendizaje

Por: Bhasha Khose, Empresario en Residencia del Programa de Incubación de Transformación Cognitiva en TCS. Tata Consultancy Services.

La inteligencia humana ha evolucionado con el tiempo, comenzando con el descubrimiento del fuego y la invención de la primera rueda, hasta la investigación y el entendimiento de fenómenos extremadamente complejos. Este proceso ha requerido que generaciones de la raza humana aprendan con el paso de los siglos mediante esfuerzos sistemáticos de descubrimiento, experimentación, deducción e inducción, y a veces, por mera casualidad.

¿Qué tan fácil (o difícil) es, entonces que la Inteligencia Artificial (IA) emule la conducta humana? Los sistemas de IA en la actualidad, tratan de reproducir el ciclo de ‘sentir-pensar-hacer’ de muchas formas, generando una base de aprendizaje a medida que avanzan. Algunos ejemplos son bots inteligentes usados para interacciones con clientes, motores de búsqueda y extractores de información inteligentes, cada uno con sus complejidades y retos únicos.

Desarrollar capacidades para hacer con éxito una tarea de principio a fin, por lo general significa enlazar una o más competencias, agregando así más complejidad al proceso. Por un momento, pasemos por alto la versatilidad de los seres humanos y exploremos las complejidades que conlleva desarrollar incluso una sola capacidad humana. Consideremos un sistema inteligente capaz de producir boletines de temas específicos para su circulación entre grupos relevantes dentro de una empresa.

Buscando buen contenido

Un ser humano que busca información comenzaría por entender las fuentes de información disponibles y el conocimiento de cómo acceder a dicha información. Por el contrario, una solución de IA necesitaría saber los depósitos de información disponibles en dónde buscarla. ¿Se extendería al intranet de la empresa o al internet? ¿A qué depósitos de conocimientos empresariales o suscripciones a servicios de información puede acceder?

Una vez identificadas las fuentes de información, el sistema de IA tendría que determinar el mecanismo de acceso a la información de cada uno de estos depósitos. Considerando que cada uno diferiría en la forma en que almacena y comparte información, la solución tendría que tener la capacidad de ‘hablar’ con cada una de las fuentes, un reto que por lo general se aborda al crear adaptadores para facilitar la conexión.

Más allá de identificar las fuentes de información y saber cómo acceder a ellas, está el reto de identificar qué se debe buscar. Por ejemplo, un humano que busca información sobre IA naturalmente extendería la búsqueda a términos como inteligencia cognitiva, aprendizaje de máquina, profundo y redes neuronales. En la misma forma, un sistema inteligente necesitaría extender la búsqueda de términos a sinónimos, frases relacionadas y conceptos similares, una capacidad que requiere definir un diccionario que sea relevante para el dominio o tema.

Creando las mejores historias

Una vez que la búsqueda abarca una completa serie de artículos, el siguiente paso sería filtrar los duplicados. Aunque reconocer los duplicados exactos es sencillo, identificar artículos similares en su cobertura e intención no lo es tanto. Con mucha frecuencia, dos artículos con una serie similar de palabras clave podría presentar opiniones drásticamente diferentes, e incluso algunas podrían ser ofensivas. Mientras que la comprensión del lenguaje natural (CLN) ha evolucionado significativamente como tecnología, aumentar un enfoque de involucramiento humano podría ser una buena solución para estos difíciles problemas de IA.

El siguiente paso sería organizar toda la información recabada, ordenar los artículos con base en rasgos comunes como subtemas, cronología y compañías a las que se hace referencia, por ejemplo. Para un sistema IA, esto significaría usar uno o más enfoques como correlación basada en reglas, aprendizaje no supervisado y aprendizaje supervisado con el uso de involucramiento humano para llegar a conjuntos de artículos relacionados.

Para asegurar que los artículos más interesantes aparezcan en los primeros lugares, una solución inteligente también necesitaría priorizar artículos con base en parámetros como relevancia, clasificación del autor, respaldo de datos cuantitativos y preferencias de audiencias. Uno tendría que aprovechar tecnologías como CLN, aprendizaje profundo y razonamiento basado en reglas para desarrollar modelos para clasificar artículos con base en diferentes parámetros.

Cerrar el ciclo

Por último, la solución necesitará escribir el boletín como una colección de resúmenes de los varios artículos que ha recabado, debidamente depurados, agrupados y priorizados. La integración, por lo general, involucra uno o dos enfoques: extracción, que identifica las oraciones más prominentes con base en la frecuencia de ocurrencia de los términos clave o la posición de las oraciones en el texto; y abstracción, que involucra entendimiento completo del artículo con base en CLN y análisis léxico. Actualmente, la integración basada en extracción sería la opción más probable, y quizá necesitaría respaldo de involucramiento humano. Así, los resúmenes generados tendrían que ser cotejados por sus grupos y evaluaciones para escribir el boletín final. Con este paso, ¿habrá terminado la función del sistema de IA? Bueno, pues no del todo…

De forma natural, los humanos están programados para usar sus experiencias para refinar su conducta.

Para hacer que un sistema inteligente aprenda de forma similar por sí mismo y mejore con el tiempo y la experiencia, se tendría que desarrollar mecanismos para capturar experiencias. Esto significaría intervenciones e involucramiento humano, durante varias etapas de producción de boletines, y después usar este aprendizaje para afinar los modelos de IA base.

Para acelerar la adopción de los sistemas de IA y hacer que la tecnología sea verdaderamente dominante, hay una necesidad de plataformas que simplifiquen el desarrollo de soluciones de IA al brindar los niveles correctos de abstracción de capacidades cognitivas, así como la capacidad de ensamblar, personalizar y extender las mismas. Por esto, lo ideal en el futuro sería cambiar la fuerza del desarrollo de aplicaciones de IA de los desarrolladores a los usuarios empresariales.