Peter Norvig dividió el campo de la investigación de IA en cuatro disciplinas, donde el objetivo de cada una es estudiar la forma en que las máquinas pueden hacerse para:
- Actúa como un humano
- Piensa como un humano
- Actuar racionalmente
- Pensar racionalmente
Los dos primeros son lo que generalmente viene a la mente cuando un laico escucha las palabras “Inteligencia Artificial“. Creo que, en su mayor parte, la comunidad de IA ha abandonado en gran medida estas áreas de investigación por dos razones:
- No tenemos una gran comprensión de cómo funciona el cerebro humano, o cómo modelarlo con computadoras digitales.
- Los humanos no siempre actúan de manera inteligente, entonces, ¿por qué no hacer máquinas que actúen mejor que nosotros en lugar de intentar replicar nuestros propios defectos?
Durante un tiempo hubo mucho interés en los llamados sistemas expertos que codificaban cantidades masivas de conocimiento de dominio con el propósito de razonar sobre relaciones particulares (como diagnosticar una enfermedad dados algunos síntomas) utilizando técnicas como la lógica de primer orden. Los sistemas lógicos son atractivos porque codifican hechos sobre el mundo y, por lo tanto, permiten que las máquinas piensen racionalmente , pero sufren limitaciones de complejidad computacional (ver Lógica de primer orden: integridad e indecidibilidad).
- ¿Qué programas de muestra están disponibles para la inteligencia artificial?
- ¿Por qué los personajes robóticos tienden a abrir mucho los ojos para crear efectos artificiales o robóticos?
- ¿Cuánta inteligencia artificial comprende realmente Elon Musk?
- ¿Por qué se considera el reconocimiento de secuencia como un problema de clasificación temporal?
- ¿Alguien ha creado un motor de inferencia sensoriomotor generalizado antes?
Una forma más estadística, probabilística y computacionalmente realista de razonamiento de máquina está comenzando a hacer un gran regreso en forma de modelos gráficos probabilísticos .
Sin duda, el área de IA que ha experimentado el mayor auge en los últimos años, gracias al fenómeno conocido como big data , es el de actuar racionalmente . Este es el ámbito de las estadísticas y el aprendizaje automático . Dadas muchas observaciones, podemos usar técnicas de optimización estadística para aprender a predecir la salida de nuevas entradas. La investigación en este campo está siendo impulsada en gran parte por una demanda económica de análisis de negocios , o la idea de que podemos hacer que las empresas sean más rentables al comprender mejor sus datos.
Si hay una desventaja en los métodos de actuar racionalmente en comparación con los demás, es que los resultados son a menudo difíciles de verificar para su corrección, y pueden no generalizarse bien ya que las entradas y salidas cambian con el tiempo. Las mejores soluciones de aprendizaje automático siempre tienen mucho conocimiento de dominio incorporado para proporcionar robustez, pero en cierto nivel siguen siendo cajas negras.
