AI simbólica v.s. machine learning
Los últimos 100 años serían imposibles de entender sin el desarrollo de la Inteligencia Artificial y lo mucho que ha moldeado a nuestra sociedad, la manera resolver problemas o de construir negocios.
En la actualidad existen sobre todo dos acercamientos cuyo desarrollo histórico podría parecer ortogonal, uno de ellos es el de machine learning basado en datos donde los modelos matemáticos se optimizan utilizando la experiencia previa, por el otro lado la inteligencia artificial simbólica utiliza el conocimiento de experto para re-escribir un problema en algún lenguaje formal en el cual es fácil que una computadora pueda encontrar la solución más eficaz.
En este breve texto hablaré sobre algunas aplicaciones tanto de inteligencia artificial simbólica como de ejemplos en los que los modelos matemáticos siguen un enfoque basado en datos.
Es importante mencionar que no trataremos la difícil pregunta filosófica de cuál es el método correcto o más poderoso en la actualidad. Existen numerosas críticas a los modelos basados en datos pues no queda claro si la inteligencia de los seres vivos podría obtenerse por estos medios.
Trataremos aplicaciones relacionadas con:
- Industria
- Matemáticas
- Juegos
Aplicaciones en matemáticas
Recientemente he leído sobre numerosas aplicaciones de los métodos simbólicos de AI a problemas matemáticos, quizás uno de los primeros fue el llamado Logic Theorist el cual fue desarrollado en 1956 y es muy famoso por haber demostrado 38 de los 52 teoremas del libro Principia Mathematica (Whitehead y Bertrand Russell), de hecho inclusive encontró una nueva demostración a uno de los teoremas. Si lo intentamos hacer con ChatGPT mi apuesta es que lo lograría para todos los resultados ¿quién quiere intentar?
Otro ejemplo que es muy llamativo y en el que se han involucrado tanto acercamientos simbólicos como basados en datos es la búsqueda de algoritmos eficaces para multiplicar matrices, es muy célebre el algoritmo de AlphaTensor sin embargo para el caso de matrices de bajo tamaño, los métodos simbólicos han arrojado mejores resultados.
Un caso muy reciente que me emocionó mucho y escuché sobre él hace unos días es el intento de demostración de la conjetura de Collatz utilizando AI simbólica, les recomiendo leer un poco sobre este tema aquí.
Aplicaciones en la industria
Con el uso masivo de los chatbots gracias al éxito incuestionable de ChatGPT como producto comercial, podríamos preguntarnos si existen otros métodos para construir un chatbot utilizando no grandes bases de datos sino un conjunto de reglas claras, un ejemplo de esto es el modelo ELIZA.
Este modelo impresionó mucho a quienes interactuaron con él, el mecanismo bajo el cual funcionaba es muy similar al que utilizaba el Asistente de Office (CLIPO), rankeando palabras o frases.
Antes de Chat GPT las ideas fundamentales bajo las cuales funcionaban la mayor parte de los ChatBots son similares a las de ELIZA, el nombre técnico es Natural Language User Interface y otros sistemas que lo han utilizado son Siri o Wolfram.
Aplicaciones en juegos
Es tremendamente interesante cómo las inteligencias artificiales actuales han logrado no solo vencer a jugadores profesionales sino que han cambiado por completo el juego del ajedrez o del Go, la imaginación de estos modelos para jugar es tan grande que el mejor jugador de Go de todos los tiempos decidió retirarse profesionalmente.
Antes de los algoritmos de Deep Learning y Aprendizaje por Refuerzo, el enfoque de Deep Blue para vencer a Kasparov es de Inteligencia Artificial Simbólica, es posible que los algoritmos más poderosos en este momento no sigan este enfoque.
Por el otro lado pensando en técnicas de Machine Learning, uno de los ejemplos más increíbles de estos fue el de AlphaGo pues a diferencia del caso del ajedrez, el Go es un juego en el que el poder computacional actual no está cerca de la solución y requirió el diseño de algoritmos mucho más inteligentes utilizando redes neuronales profundas y aprendizaje por refuerzo.
Oferta académica
Quienes deseen conocer más detalles sobre estos y otros cursos los invitamos a conocer los temarios de nuestros cursos.
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
