Agentes inteligentes (I)

• Un agente percibe el entorno mediante sensores y actúa en él con actuadores.
• Un agente racional selecciona acciones para maximizar el rendimiento esperado con la información disponible.
• El objetivo describe qué se quiere conseguir.
• La medida de rendimiento permite evaluar el resultado: por ejemplo, limpieza, tiempo y energía consumida.

Agentes inteligentes (II)

• La asignatura trata sobre la construcción de agentes inteligentes.
• Veremos:
  • Diferentes técnicas para construir agentes inteligentes.
  • Sus ventajas e inconvenientes.
  • Sus campos de aplicación.
  • Sus riesgos y retos éticos.

1950: Alan Turing

• Turing publica Computing Machinery and Intelligence.
• Propone sustituir «¿pueden pensar las máquinas?» por el juego de imitación, una prueba del comportamiento observable.
• La prueba evalúa la capacidad de conversar de forma parecida a una persona.
• Superarla no demuestra, por sí sola, conciencia o comprensión.

Fuente: Turing (1950).

La prueba

• En la versión habitual, una persona conversa por escrito con un humano y una máquina, sin verlos.
• Debe identificar cuál de los interlocutores es la máquina a partir de las respuestas.
• El resultado depende de las preguntas, el tiempo y las condiciones de la prueba.
• Imitar una conversación humana no equivale a demostrar todas las capacidades intelectuales humanas.

Fuente: Turing (1950).

1955–1974: Los inicios

• 1955: McCarthy y sus colaboradores utilizan el término inteligencia artificial en la propuesta de Dartmouth.
• 1956: se celebra el encuentro de Dartmouth.
• 1958: Rosenblatt publica su trabajo sobre el perceptrón, un modelo que aprende a clasificar.
• Las primeras demostraciones generan expectativas que superan las capacidades de los sistemas de la época.

Fuentes: Dartmouth (1955), Rosenblatt (1958).

1974–1993: Expectativas y límites

• Los inviernos de la IA son periodos de desencanto y reducción de la financiación.
• En los años 80 crece el uso comercial de los sistemas expertos, con antecedentes como DENDRAL en los años 60.
• Recopilar y mantener el conocimiento experto resulta costoso.
• Las dificultades comerciales no hacen desaparecer la investigación ni los sistemas basados en reglas.

Fuente: Historia de DENDRAL y de los sistemas expertos.

1997: Deep Blue

• Deep Blue, de IBM, derrota al campeón mundial Garri Kaspárov en un encuentro de ajedrez.
• Combina búsqueda, evaluación de posiciones y hardware especializado.
• Demuestra que una máquina puede superar a los mejores humanos en una tarea delimitada.
• Ganar al ajedrez no demuestra inteligencia general.

Fuente: IBM: Deep Blue.

2002: Roomba

• iRobot lanza Roomba en 2002 y contribuye a popularizar los robots aspiradores domésticos.
• Combina sensores y acciones para limpiar el suelo y reaccionar ante obstáculos.
• La autonomía no elimina el mantenimiento ni la preparación del entorno por parte del usuario.
• Las funciones, como volver a la base o crear mapas, dependen del modelo y de la generación.

Fuente: Historia de iRobot.

2011: Watson

• Watson, de IBM, gana a Ken Jennings y Brad Rutter en un concurso de Jeopardy!.
• Procesa preguntas en lenguaje natural y busca posibles respuestas.
• Combina evidencias y estima la confianza de cada respuesta.
• El éxito en el concurso no implica que comprenda cualquier situación como una persona.

Fuente: IBM: Watson en Jeopardy!.

2016: AlphaGo

• AlphaGo derrota a Lee Sedol por 4–1 en un encuentro de Go.
• Combina redes neuronales, aprendizaje por refuerzo y búsqueda.
• La jugada 37 de la segunda partida ejemplifica una decisión sorprendente para los expertos.
• Alcanzar un nivel sobrehumano no significa haber resuelto matemáticamente el juego.

Fuente: Google DeepMind: AlphaGo.

2017: AlphaGo Zero

• Parte de las reglas del Go, sin entrenarse con partidas humanas.
• Aprende jugando contra sí mismo mediante aprendizaje por refuerzo.
• Combina una red neuronal con búsqueda para seleccionar jugadas.
• Tras tres días de entrenamiento, supera por 100–0 a la versión de AlphaGo que había derrotado a Lee Sedol.

Fuente: Silver y Hassabis (2017).

2020: GPT-3

• Modelo de lenguaje autoregresivo de la familia GPT, basado en Transformers.
• La versión más grande presentada tiene 175.000 millones de parámetros.
• Genera texto prediciendo el siguiente token a partir del contexto.
• Puede realizar tareas como traducir y responder preguntas mediante instrucciones y ejemplos en el contexto, sin actualizar los pesos.

Fuente: Brown y colaboradores (2020).

2021: DALL·E

• El primer DALL·E genera imágenes a partir de descripciones textuales.
• Utiliza un Transformer que modela secuencias de tokens de texto e imagen.
• El modelo tiene 12.000 millones de parámetros: esta cifra no es el tamaño de una base de datos en GB.
• Se entrena con pares de texto e imagen.

Fuente: Ramesh y colaboradores (2021).

2023: GPT-4

• El informe de 2023 presenta un modelo basado en Transformers que acepta texto e imágenes y produce texto.
• Puede generar explicaciones, resúmenes y código; esto no equivale a generar directamente imágenes o audio.
• El informe no publica el número de parámetros.
• Puede producir errores e información inventada, aunque la respuesta parezca convincente.

Fuente: Informe técnico de GPT-4 (2023).

Situación actual

• Los sistemas de IA pueden trabajar con texto, imágenes, audio, predicciones o acciones, según el modelo y la tarea.
• Sus capacidades y limitaciones varían: un buen resultado en una prueba no garantiza el mismo rendimiento en cualquier contexto.
• Para valorar una aplicación, pregúntate qué hace, con qué datos y en qué condiciones.

Inteligencia computacional

• La IA estudia y construye sistemas capaces de percibir, razonar, aprender o actuar para alcanzar objetivos.
• Algunos enfoques se inspiran en la inteligencia humana; otros buscan soluciones distintas.
• Evaluamos los sistemas según las tareas que resuelven y las condiciones en las que funcionan.
• Es un campo de la informática con aportaciones de las matemáticas, la psicología y otras disciplinas.

Definiciones

• Un paradigma es un enfoque para representar y resolver problemas.
• En IA podemos destacar los enfoques simbólico, conexionista y estadístico.
• Esta clasificación es orientativa: los enfoques se solapan y pueden combinarse.
• Por ejemplo, una red neuronal también puede entrenarse con métodos estadísticos.

Paradigma simbólico

• Representa conocimiento explícito mediante símbolos, hechos, relaciones y reglas.
• Manipula estas representaciones para inferir conclusiones o construir planes.
• La validez de los resultados depende del conocimiento y de las reglas utilizadas.
• Ejemplos: sistemas basados en reglas, planificación y razonamiento lógico.

Paradigma conexionista

• Utiliza redes de neuronas artificiales, unidades de cálculo interconectadas.
• Ajusta los pesos de las conexiones durante el aprendizaje.
• La inspiración biológica es parcial: estas redes no reproducen fielmente el cerebro.
• Aplicaciones: reconocimiento de imágenes, lenguaje y control.

Fuente: Stanford CS231n: neuronas artificiales.

Paradigma estadístico

• Utiliza modelos estadísticos y probabilísticos para analizar datos y representar la incertidumbre.
• Estima patrones o relaciones y evalúa las predicciones con datos.
• La calidad depende de los datos, de los supuestos del modelo y del contexto de uso.
• Se combina con otros enfoques, incluidas las redes neuronales.
• Ejemplos: clasificación, regresión y agrupamiento.

Sistemas expertos

• Un sistema experto utiliza conocimiento especializado para resolver problemas en un dominio concreto.
• Combina una representación del conocimiento con mecanismos de razonamiento.
• Puede apoyar tareas que requieren experiencia, pero los resultados dependen de la calidad del conocimiento incorporado.

Algoritmos genéticos

• Los algoritmos genéticos son una técnica de optimización basada en la teoría de la evolución de Darwin.
• Se genera una población de individuos y se les aplican operadores genéticos.
• La selección favorece a los individuos con mejor valor de la función de aptitud, definida según el problema.
• Son útiles para resolver problemas de optimización y búsqueda.

Sistemas multiagente

• Un sistema multiagente está formado por varios agentes que interactúan entre sí.
• Un agente es un sistema computacional que actúa en un entorno.
• Los agentes pueden ser reactivos, deliberativos o sociales.
• Son útiles para resolver problemas de planificación, diseño, control, etc.

Robótica

• La robótica es una de las aplicaciones más conocidas de la IA.
• Estudia el diseño, la construcción y el control de robots.
• Un robot es un sistema físico programable que actúa sobre su entorno.
• Los robots pueden ser autónomos o teleoperados.
• Campos de aplicación: industria, sanidad, exploración espacial, ámbito militar, hogar, etc.

Procesamiento del lenguaje natural

• El PLN estudia métodos para analizar, representar y generar lenguaje humano.
• El contexto y la ambigüedad hacen que una misma expresión pueda tener distintas interpretaciones.
• Las respuestas de un sistema pueden ser útiles sin implicar comprensión humana.
• Aplicaciones: traducción automática, resumen de textos, clasificación de documentos y asistentes conversacionales.

Juegos

• Los juegos nos ayudan a entender la inteligencia.
• Las personas jugamos para aprender, divertirnos y competir.
• Las reglas y los resultados medibles hacen de los juegos un buen banco de pruebas para la IA.
• Campos de aplicación: juegos de mesa, cartas, rol, estrategia, etc.

Trabajo práctico 1 · Analiza una aplicación de IA

Elige una aplicación documentada y explica:

• qué problema resuelve, quién la utiliza y qué recibe o produce;
• qué técnicas del tema 1.1 intervienen;
• qué pruebas muestran sus resultados y cuáles son sus límites.

Entrega: informe breve y explicación de 3 minutos.

Guía, estructura y criterios de evaluación

La pregunta sobre las personas afectadas, los riesgos y los controles dará paso al tema 1.2.