Page 52 - Revista Tics RG-LS completa

los agentes. Consecuentemente, para especificar también diseñar sistemas que integren percepción,
concretamente dichas habilidades cognitivas es representación, razonamiento, acción y aprendizaje.
necesario tener en cuenta las interacciones del agente Éste es un problema muy importante en IA ya que
con su entorno. [4] Las aproximaciones no corpóreas todavía no sabemos cómo integrar todos estos
no permiten interacciones directas con el entorno por componentes de la inteligencia, necesitamos
lo que, inevitablemente, dan lugar a falsos problemas arquitecturas cognitivas que integren a estos
y por lo tanto a falsas soluciones. Tienden a definir los componentes de forma adecuada. Estos sistemas
problemas en términos de tareas en un entorno integrados son un paso previo fundamental para
especificadas desde una perspectiva abstracta de conseguir algún día inteligencias artificiales de tipo
objetos y relaciones. Las capacidades cognitivas no se general.
deberían estudiar haciendo abstracción del sistema
sensor y el sistema motor. 3 El futuro de la IA

Entre las actividades futuras, creo que los temas de
investigación más importantes seguirán estando
basados en lo que podemos llamar “massive data-
driven AI”, es decir en explotar la posibilidad de
acceder a cantidades masivas de datos y poder
procesarlos con hardware cada vez más rápido con el
fin de descubrir relaciones entre ellos, detectar
patrones y realizar inferencias y aprendizaje mediante
modelos probabilísticos. Ejemplos claros de ello son
el sistema [2]. Sin embargo, estos sistemas basados en
el análisis de enormes cantidades datos deberán, en el
futuro, incorporar módulos que permitan explicar
cómo se ha llegado a los resultados y conclusiones

propuestas ya que la aplicabilidad es una característica
Figura 2 La inteligencia artificial es capaz de ver oír irrenunciable para los usuarios. Actualmente la
y comprender principal limitación de los sistemas basados en deep
learning es que son “cajas negras” sin capacidad
La Fig. 2 nos da un ejemplo sobre lo que aprende la explicativa. Otras técnicas más clásicas de IA que
inteligencia artificial como observar esto se puede seguirán siendo objeto de investigación son los
aplicar en cámaras, oír aplicaremos en sistemas sistemas multi agente, el razonamiento espacial, la
moduladores de voz y comprender en videojuegos planificación de acciones, el razonamiento basado en
para procesar jugadas a futuro o posibles soluciones a la experiencia, la visión artificial, la comunicación
un problema. multimodal persona-máquina, la robótica humanoide
y animaloide y en particular las nuevas tendencias en
robótica basada en el desarrollo (developmental
2.5Los sistemas integrados como robotics) [1]. En el caso de la robótica existe otra una
paso previo hacia la IA de tipo nueva propuesta basada en el concepto de
general computación en la nube (cloud computating) que se
conoce como Cloud Robotics [1]La ventaja reside en
Las capacidades más complicadas de alcanzar son que cada robot podrá aprender de las experiencias del
aquellas que requieren interaccionar con entornos no resto de robots a los que que esté interconectado a
restringidos: percepción visual, comprensión del través de la nube, lo cual debería permitir un progreso
lenguaje, razonar con sentido común y tomar rápido de aprendizaje y mejora de las capacidades de
decisiones con información incompleta. Diseñar cada uno de los robots. Cuantos más robots formen
sistemas que tengan estas capacidades requiere parte del “cloud” más rápido deberían aprender y
integrar desarrollos en muchas áreas de la IA. En mejorar. La técnica de aprendizaje más apropiada para
particular, necesitamos lenguajes de representación de este enfoque sería el “deep learning” ya que los robots
conocimientos que codifiquen información acerca de deberán aprender en base a grandes cantidades de
muchos tipos distintos de objetos, situaciones, datos.
acciones, etc., así como de sus propiedades y de las
relaciones entre ellos. También necesitamos nuevos También veremos progresos significativos gracias a
algoritmos que, en base a estas representaciones, las aproximaciones biomiméticas para reproducir en
puedan responder de forma robusta y eficiente máquinas el comportamiento de, inicialmente,
preguntas sobre prácticamente cualquier tema. animales tales como insectos. No se trata únicamente
Finalmente, dado que necesitarán conocer un número de reproducir el comportamiento de un animal sino de
prácticamente ilimitado de cosas, estos sistemas comprender como funciona el cerebro que produce
deberán ser capaces de aprender nuevos dicho comportamiento. Se trata de construir y
conocimientos de forma continua a lo largo de toda su programar circuitos electrónicos que reproduzcan las
existencia. En definitiva, además de progresos secuencias de órdenes que el cerebro genera para, por
individuales en cada una de estas áreas, debemos ejemplo, producir movimientos (de las alas, las patas,
50