¿Por qué el futuro de la inteligencia artificial en híbridos?

En las últimas semanas, la avalancha de nuevos productos y capacidades de IA generativa (desde ChatGPT hasta Bard y numerosas variaciones de otros creados en torno a grandes modelos de lenguaje (LLM)) ha creado un ciclo de exageración excesiva. Sin embargo, muchos argumentan que estos modelos generalizados no son adecuados para uso empresarial. La mayoría de los motores de IA muestran signos de tener problemas cuando se les asignan tareas específicas de un nicho o dominio. ¿Podría la IA híbrida ser la respuesta?

¿Qué entendemos por inteligencia artificial híbrida (IA híbrida)?

La IA híbrida es la expansión o mejora de los modelos de IA que utilizan el aprendizaje automático, el aprendizaje profundo y las redes neuronales junto con la experiencia humana en la materia para desarrollar modelos de IA específicos de casos de uso con la mayor precisión o potencial de predicción.

El auge de la IA híbrida aborda muchas preocupaciones importantes y legítimas. En numerosos escenarios o dominios se necesitan más que modelos de IA basados ​​en grandes conjuntos de datos para obtener el máximo beneficio o la creación de valor real. Por ejemplo, considere que se le pide a ChatGPT que escriba un informe económico extenso y detallado.

Adoptar o mejorar el modelo con conocimientos específicos del dominio puede ser la forma más efectiva de alcanzar una alta probabilidad de pronóstico. La IA híbrida combina los mejores aspectos de las redes neuronales (patrones y formadores de conexiones) y la IA simbólica (derivadores de hechos y datos) para lograrlo.

IA simbólica: una parte clave de la IA híbrida

Los LLM actuales tienen varios defectos, incluido un desempeño inadecuado en tareas matemáticas, una propensión a inventar datos y una incapacidad para articular cómo el modelo produce resultados. Todas estas cuestiones son típicas de las redes neuronales “conexionistas”, que dependen de nociones sobre cómo funciona el cerebro humano.

Estos problemas son típicos de las redes neuronales “conexionistas”, que dependen de nociones sobre el funcionamiento del cerebro humano.

La IA clásica también se conoce como IA simbólica. Intenta expresar claramente el conocimiento humano en forma declarativa, como reglas y hechos interpretados a partir de entradas de "símbolos". Es una rama de la IA que intenta conectar hechos y eventos mediante reglas lógicas.

Desde mediados de los años cincuenta hasta finales de los ochenta, el estudio de la IA simbólica experimentó una actividad considerable.

En las décadas de 1960 y 1970, los avances tecnológicos inspiraron a los investigadores a investigar la relación entre las máquinas y la naturaleza. Creían que las técnicas simbólicas eventualmente darían como resultado una máquina inteligente, lo que se consideraba el objetivo a largo plazo de su disciplina.

En este contexto, John Haugeland acuñó la “buena inteligencia artificial a la antigua usanza” o “GOFAI” en su libro de 1985 Artificial Intelligence: The Very Idea.

El método GOFAI es más adecuado para problemas inertes y está lejos de ser una combinación natural para problemas dinámicos en tiempo real. Favorece una definición restringida del intelecto como razonamiento abstracto, mientras que las redes neuronales artificiales priorizan el reconocimiento de patrones. En consecuencia, este último método “conexionista” o no simbólico ha ganado importancia recientemente.

¿Cómo funciona la IA no simbólica?

La génesis de la inteligencia artificial no simbólica es el intento de simular el cerebro humano y su elaborada red de conexiones neuronales.

Para descubrir soluciones a los problemas, los sistemas de IA no simbólicos se abstienen de manipular una representación simbólica. En cambio, realizan cálculos basados ​​en principios que se ha demostrado empíricamente que resuelven problemas sin comprender primero con precisión cómo llegar a una solución.

Las redes neuronales y el aprendizaje profundo son dos ejemplos de IA no simbólica. La IA no simbólica también se conoce como “IA conexionista”; varias aplicaciones de inteligencia artificial actuales se basan en esta metodología, incluido el motor de transición automatizada de Google (que busca patrones) y el programa de reconocimiento facial de Facebook.

Ingrese a la IA híbrida

En el contexto de la inteligencia artificial híbrida, la IA simbólica sirve como “proveedor” de la IA no simbólica, que se encarga de la tarea real. La IA simbólica ofrece datos de entrenamiento pertinentes desde este punto de vista a la IA no simbólica. A su vez, la información transmitida por la IA simbólica está impulsada por seres humanos, es decir, veteranos de la industria, expertos en la materia, trabajadores calificados y aquellos con conocimientos tribales no codificados.

Las búsquedas web son un uso popular de la IA híbrida. Si un usuario ingresa "1 GBP a USD", el motor de búsqueda detecta un desafío de conversión de moneda (IA simbólica). Utiliza un widget para realizar la conversión antes de emplear el aprendizaje automático para recuperar, posicionar y exhibir resultados web (IA no simbólica). Este es un ejemplo fundamental, pero ilustra cómo funcionaría la IA híbrida si se aplicara a problemas más complejos.

Según David Cox, director del Laboratorio de IA Watson del MIT-IBM, el aprendizaje profundo y las redes neuronales prosperan en medio del “desorden del mundo”, mientras que la IA simbólica no. Sin embargo, como se mencionó anteriormente, tanto las redes neuronales como el aprendizaje profundo tienen limitaciones. Además, son susceptibles a instancias hostiles, denominadas datos contradictorios, que pueden influir en el comportamiento de un modelo de IA de manera impredecible y posiblemente dañina.

Sin embargo, cuando se combinan, la IA simbólica y las redes neuronales pueden establecer una base sólida para el desarrollo de la IA empresarial.

¿Por qué utilizar la IA híbrida en entornos empresariales?

Los problemas empresariales con datos insuficientes para entrenar una red neuronal extensa o donde el aprendizaje automático estándar no puede hacer frente a todos los casos extremos son los candidatos perfectos para implementar la IA híbrida. Cuando una solución de red neuronal podría causar discriminación, falta de divulgación completa o preocupaciones relacionadas con el sobreajuste, la IA híbrida puede ser útil (es decir, entrenar con tantos datos que la IA tiene dificultades en escenarios del mundo real).

Un buen ejemplo es una iniciativa de IA de Fast Data Science, una firma consultora de IA. El objetivo es evaluar los peligros potenciales de un ensayo clínico.

El usuario envía a la plataforma un documento PDF detallando el plan para la realización de un ensayo clínico. Un modelo de aprendizaje automático puede identificar características vitales del ensayo, como la ubicación, la duración, el número de sujetos y variables estadísticas. El resultado del modelo de aprendizaje automático se incorporará a un modelo de riesgo elaborado manualmente. Este modelo simbólico convierte estos parámetros en un valor de riesgo, que luego aparece como un semáforo que indica un riesgo alto, medio o bajo para el usuario.

La inteligencia humana es esencial para especificar una regla razonable y lógica para convertir datos de protocolo en un valor de riesgo.

Un segundo ejemplo es el motor de búsqueda de Google. Es un sistema de inteligencia artificial sofisticado y completo compuesto por herramientas revolucionarias de aprendizaje profundo como transformadores y mecanismos de manipulación de símbolos como el gráfico de conocimiento.

¿Cuáles son los retos?

Ninguna técnica o combinación de técnicas resuelve todos los problemas igualmente bien; por lo tanto, es necesario comprender sus capacidades y limitaciones. La IA híbrida no es una solución mágica, y tanto la IA simbólica como la no simbólica seguirán siendo tecnologías poderosas por derecho propio. El hecho de que la comprensión experta y el contexto de la vida cotidiana rara vez sean legibles por máquina es otro impedimento. Codificar la experiencia humana en conjuntos de datos de entrenamiento de IA presenta otro problema.

La mayoría de las organizaciones no reconocen plenamente las barreras cognitivas, computacionales, de producción de carbono y financieras que surgen al colocar la compleja maraña de nuestros mundos vividos en un contexto que la IA pueda comprender. Por lo tanto, el cronograma para la implementación de la IA de manera significativa puede llevar mucho más tiempo de lo esperado.

El camino a seguir

Las iniciativas de IA son notoriamente problemáticas; Sólo 1 de cada 10 pilotos y prototipos consiguen resultados significativos en la producción.

Las empresas progresistas ya son conscientes de los límites de los modelos de IA monomodo. Son muy conscientes de la necesidad de que la tecnología sea versátil, capaz de profundizar en los datos almacenados, menos costosa y mucho más fácil de usar.

La IA híbrida proporciona soluciones a algunos de estos problemas, aunque no a todos. Dado que integra IA simbólica y ML, puede utilizar de manera eficiente las ventajas de cada enfoque sin dejar de ser explicable, lo cual es vital para industrias como las finanzas y la atención médica.

El ML puede centrarse en elementos específicos de un problema donde la explicabilidad no importa, mientras que la IA simbólica llegará a decisiones utilizando un camino transparente y fácilmente comprensible. El enfoque híbrido de la IA será cada vez más frecuente a medida que pasen los años.