En el cerebro de un animal vemos unas células llamadas neuronas. Esquemáticamente, constan de un núcleo y un axón. Las neuronas interactúan entre sí mediante interacciones entre el axón de una primera neurona y el núcleo de una segunda neurona. Una neurona puede estar conectada a muchas otras neuronas. Cuando un animal aprende, se establecen nuevas conexiones entre neuronas, y cuando un animal piensa, las neuronas se estimulan y se activan/inhiben.

Una red de aprendizaje automático está formada por neuronas artificiales. Estas neuronas se agrupan en capas. Cada neurona está conectada a las neuronas de las capas vecinas. En función de los estímulos recibidos por los axones de las neuronas de la capa anterior, la propia neurona estimulará o no a las neuronas de la capa siguiente.

El entrenamiento de la red neuronal consiste en presentar una serie de entradas (Xi), cada una de las cuales tiene un resultado conocido (Yi). Mediante un algoritmo de regresión se modifican los pesos de las neuronas para minimizar la diferencia entre el resultado esperado y el resultado real.

Por ejemplo, proporcionamos fotos de entrada con los números «1», «2» y «3»: 1000 fotos con «1», 1000 fotos con «2» y 1000 fotos con «3». Empezamos con neuronas con pesos aleatorios. Introducimos las 3.000 fotos sucesivamente y observamos el número de errores en las predicciones de salida para las clases «1», «2» y «3». Entonces modificamos los pesos para intentar conseguir un error total menor. El modelo termina de entrenarse cuando se alcanza el error mínimo para el conjunto de datos de entrenamiento. A continuación, podemos utilizar un conjunto de datos de prueba (fotos no utilizadas en el entrenamiento), para comprobar que la red neuronal es capaz de predecir algo distinto de las fotos que ya ha aprendido.

Existen otros algoritmos de la misma familia, como los bosques aleatorios o el gradiente Boosting.

Todos estos métodos tienen en común que requieren un gran conjunto de datos de entrenamiento y que son métodos de caja negra, es decir, que los pesos de las neuronas no nos permiten entender explícitamente por qué elige tal o cual clase de salida.

(No obstante, existen diversas variantes que pueden utilizarse para limitar los datos de entrada y explicar parte de la caja negra).

El razonamiento humano racional puede formularse en forma de símbolos: «si», «y», «o», «implica»… Durante al menos dos mil quinientos años, los eruditos han intentado refinar estos símbolos para que puedan representar los razonamientos más complejos. El erudito antiguo más famoso en este sentido es Platón. Pero desde entonces, cada generación ha intentado mejorar este lenguaje, incluso en la Edad Media. La forma actual es principalmente obra de Bertrand Russell a principios del siglo XX.

La IA simbólica pretende utilizar este formalismo de reglas lógicas. Por ejemplo, para reconocer números, definiremos un cierto número de reglas: un «1» tiene una gran barra vertical y una pequeña barra en la parte superior izquierda, y así sucesivamente.

Por su propia naturaleza, la IA simbólica no necesita un gran volumen de datos de entrenamiento, y no hay caja negra, por lo que los resultados son totalmente explicables. En cambio, hay que definir las reglas de entrada, lo que requiere un análisis humano del problema.

El conexionismo y el simbolismo son las dos formas más populares de IA en la actualidad.
Pretenden reproducir el funcionamiento de un cerebro humano, pero a distintos niveles de abstracción.
El conexionismo reconstruye el funcionamiento local de las neuronas, mientras que el simbolismo reproduce los métodos de razonamiento humanos.

La IA conexionista, por naturaleza, consume muchos recursos, pero es muy potente.

La IA simbólica, por naturaleza, consume pocos recursos, pero actualmente no es muy eficaz para las tareas industriales.

La IA híbrida (o IA neurosimbólica) es la fusión de estos dos tipos de IA.

Sinónimo de moderación y sobriedad por su etimología, el concepto de IA frugal es una forma más responsable de diseñar IA. Las IA frugales son capaces de aprender a partir de muy pocos datos de entrenamiento para reducir su consumo. La IA frugal es también la IA que pretende optimizar al máximo el consumo de recursos de una infraestructura o sistema, con el fin de reducir su impacto en el medio ambiente o incluso hacerlo positivo.

Muvraline cuenta con la certificación ISO/CEI 27001:2017 para la seguridad de los sistemas de información. Esta certificación garantiza que hacemos todo lo posible para proteger la información de nuestros clientes, ya sea digital, en papel o alojada en la nube. De este modo, limitamos nuestra vulnerabilidad ante la creciente amenaza de los ciberataques.

Más información