Agents intel·ligents (I)

• Un agent percep l’entorn mitjançant sensors i hi actua amb actuadors.
• Un agent racional selecciona accions per maximitzar el rendiment esperat amb la informació disponible.
• L’objectiu descriu què es vol aconseguir.
• La mesura de rendiment permet avaluar el resultat: per exemple, neteja, temps i energia consumida.

Agents intel·ligents (II)

• L'assignatura tracta sobre la construcció d'agents intel·ligents.
• Veurem:
  • Diferents tècniques per a construir agents intel·ligents.
  • Els seus avantatges i inconvenients.
  • Els seus camps d'aplicació.
  • Els seus riscos i reptes ètics.

1950: Alan Turing

• Turing publica Computing Machinery and Intelligence.
• Proposa substituir «poden pensar les màquines?» pel joc d’imitació, una prova del comportament observable.
• La prova avalua la capacitat de conversar de manera semblant a una persona.
• Superar-la no demostra, per si sol, consciència o comprensió.

Font: Turing (1950).

El test

• En la versió habitual, una persona conversa per escrit amb un humà i una màquina, sense veure’ls.
• Ha d’identificar quin interlocutor és la màquina a partir de les respostes.
• El resultat depén de les preguntes, el temps i les condicions de la prova.
• Imitar una conversa humana no equival a demostrar totes les capacitats intel·lectuals humanes.

Font: Turing (1950).

1955–1974: Els inicis

• 1955: McCarthy i col·laboradors utilitzen el terme intel·ligència artificial en la proposta de Dartmouth.
• 1956: se celebra la trobada de Dartmouth.
• 1958: Rosenblatt publica el seu treball sobre el perceptró, un model que aprén a classificar.
• Les primeres demostracions generen expectatives que superen les capacitats dels sistemes de l’època.

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

1974–1993: Expectatives i límits

• Els hiverns de la IA són períodes de desencantament i reducció del finançament.
• Als anys 80 creix l’ús comercial dels sistemes experts, amb antecedents com DENDRAL als anys 60.
• Recollir i mantenir el coneixement expert resulta costós.
• Les dificultats comercials no fan desaparèixer la recerca ni els sistemes basats en regles.

Font: Història de DENDRAL i dels sistemes experts.

1997: Deep Blue

• Deep Blue, d’IBM, derrota el campió mundial Garri Kaspàrov en un matx d’escacs.
• Combina cerca, avaluació de posicions i maquinari especialitzat.
• Mostra que una màquina pot superar els millors humans en una tasca delimitada.
• Guanyar als escacs no demostra intel·ligència general.

Font: IBM: Deep Blue.

2002: Roomba

• iRobot llança Roomba el 2002 i contribueix a popularitzar els robots aspiradors domèstics.
• Combina sensors i accions per netejar el terra i reaccionar davant d’obstacles.
• L’autonomia no elimina el manteniment ni la preparació de l’entorn per part de l’usuari.
• Les funcions, com el retorn a la base o la creació de mapes, depenen del model i la generació.

Font: Història d’iRobot.

2011: Watson

• Watson, d’IBM, guanya a Ken Jennings i Brad Rutter en una competició de Jeopardy!.
• Processa preguntes en llenguatge natural i busca possibles respostes.
• Combina evidències i estima la confiança de cada resposta.
• L’èxit en el concurs no implica que comprenga qualsevol situació com una persona.

Font: IBM: Watson a Jeopardy!.

2016: AlphaGo

• AlphaGo derrota Lee Sedol per 4–1 en un matx de Go.
• Combina xarxes neuronals, aprenentatge per reforç i cerca.
• El moviment 37 de la segona partida exemplifica una jugada sorprenent per als experts.
• Assolir un nivell superhumà no significa haver resolt matemàticament el joc.

Font: Google DeepMind: AlphaGo.

2017: AlphaGo Zero

• Parteix de les regles del Go, sense entrenar-se amb partides humanes.
• Aprén jugant contra si mateix mitjançant aprenentatge per reforç.
• Combina una xarxa neuronal amb cerca per seleccionar jugades.
• Després de tres dies d’entrenament, supera per 100–0 la versió d’AlphaGo que havia derrotat Lee Sedol.

Font: Silver i Hassabis (2017).

2020: GPT-3

• Model de llenguatge autoregressiu de la família GPT, basat en Transformers.
• La versió més gran presentada té 175.000 milions de paràmetres.
• Genera text predient el token següent a partir del context.
• Pot fer tasques com traducció i resposta a preguntes amb instruccions i exemples dins del context, sense actualitzar els pesos.

Font: Brown i col·laboradors (2020).

2021: DALL·E

• El primer DALL·E genera imatges a partir de descripcions textuals.
• Utilitza un Transformer que modela seqüències de tokens de text i d’imatge.
• El model té 12.000 milions de paràmetres: aquesta xifra no és la mida d’una base de dades en GB.
• S’entrena amb parelles de text i imatge.

Font: Ramesh i col·laboradors (2021).

2023: GPT-4

• L’informe de 2023 presenta un model basat en Transformers que accepta text i imatges i produeix text.
• Pot generar explicacions, resums i codi; això no equival a generar directament imatges o àudio.
• L’informe no publica el nombre de paràmetres.
• Pot produir errors i informació inventada, encara que la resposta semble convincent.

Font: Informe tècnic de GPT-4 (2023).

Situació actual

• Els sistemes d’IA poden treballar amb text, imatges, àudio, prediccions o accions, segons el model i la tasca.
• Les seues capacitats i limitacions varien: un bon resultat en una prova no garanteix el mateix rendiment en qualsevol context.
• Per valorar una aplicació, pregunta’t què fa, amb quines dades i en quines condicions.

Intel·ligència computacional

• La IA estudia i construeix sistemes capaços de percebre, raonar, aprendre o actuar per assolir objectius.
• Alguns enfocaments s’inspiren en la intel·ligència humana; altres busquen solucions diferents.
• Avaluem els sistemes segons les tasques que resolen i les condicions en què funcionen.
• És un camp de la informàtica amb aportacions de les matemàtiques, la psicologia i altres disciplines.

Definicions

• Un paradigma és un enfocament per a representar i resoldre problemes.
• En IA podem destacar els enfocaments simbòlic, connexionista i estadístic.
• Aquesta classificació és orientativa: els enfocaments se solapen i es poden combinar.
• Per exemple, una xarxa neuronal també es pot entrenar amb mètodes estadístics.

Paradigma simbòlic

• Representa coneixement explícit amb símbols, fets, relacions i regles.
• Manipula aquestes representacions per inferir conclusions o construir plans.
• La validesa dels resultats depén del coneixement i de les regles utilitzades.
• Exemples: sistemes basats en regles, planificació i raonament lògic.

Paradigma connexionista

• Utilitza xarxes de neurones artificials, unitats de càlcul interconnectades.
• Ajusta els pesos de les connexions durant l’aprenentatge.
• La inspiració biològica és parcial: aquestes xarxes no reprodueixen fidelment el cervell.
• Aplicacions: reconeixement d’imatges, llenguatge i control.

Font: Stanford CS231n: neurones artificials.

Paradigma estadístic

• Utilitza models estadístics i probabilístics per a analitzar dades i representar la incertesa.
• Estima patrons o relacions i avalua les prediccions amb dades.
• La qualitat depén de les dades, dels supòsits del model i del context d’ús.
• Es combina amb altres enfocaments, incloses les xarxes neuronals.
• Exemples: classificació, regressió i agrupament.

Sistemes experts

• Un sistema expert utilitza coneixement especialitzat per resoldre problemes en un domini concret.
• Combina una representació del coneixement amb mecanismes de raonament.
• Pot donar suport a tasques que requereixen experiència, però els resultats depenen de la qualitat del coneixement incorporat.

Algorismes genètics

• Els algorismes genètics són una tècnica d'optimització basada en la teoria de l'evolució de Darwin.
• Es tracta de generar una població d'individus i aplicar-los operadors genètics.
• La selecció afavoreix els individus amb millor valor de la funció d’aptitud, definida segons el problema.
• Útils per a resoldre problemes d'optimització i de cerca.

Sistemes multiagent

• Un sistema multiagent és un sistema compost per diversos agents que interactuen entre ells.
• Un agent és un sistema computacional que actua en un entorn.
• Els agents poden ser reactius, deliberatius o socials.
• Útils per a resoldre problemes de planificació, disseny, control, etc.

Robòtica

• La robòtica és una de les aplicacions més conegudes de la IA.
• La robòtica estudia el disseny, la construcció i el control de robots.
• Un robot és un sistema físic programable que actua sobre el seu entorn.
• Els robots poden ser autònoms o teleoperats.
• Camps d'aplicació: Indústria, sanitat, exploració espacial, militar, domèstic, etc.

Processament del llenguatge natural

• El PLN estudia mètodes per a analitzar, representar i generar llenguatge humà.
• El context i l’ambigüitat fan que una mateixa expressió puga tenir interpretacions diferents.
• Les respostes d’un sistema poden ser útils sense implicar comprensió humana.
• Aplicacions: traducció automàtica, resum de textos, classificació de documents i assistents conversacionals.

Jocs

• Els jocs ens serveixen per a entendre la intel·ligència.
• Els humans utilitzem els jocs per a aprendre, per a divertir-nos i per a competir.
• Les regles i els resultats mesurables fan dels jocs un bon banc de proves per a la IA.
• Camps d'aplicació: Jocs de tauler, jocs de cartes, jocs de rol, jocs d'estratègia, etc.

Treball pràctic 1 · Analitza una aplicació d'IA

Tria una aplicació documentada i explica:

• quin problema resol, qui la fa servir i què rep o produeix;
• quines tècniques del tema 1.1 hi intervenen;
• quines proves en mostren els resultats i quins límits tenen.

Lliurament: informe breu i explicació de 3 minuts.

Guia, estructura i criteris d'avaluació

La pregunta sobre persones afectades, riscos i controls obrirà el tema 1.2.