Conceptes bàsics d'Intel·ligència Artificial

Introducció a la Intel·ligència Artificial i els seus conceptes bàsics

Quan parlem d'Intel·ligència Artificial, moltes vegades ens evoca un món de robots o tecnologies molt futuristes. No obstant això, la IA ja forma part del nostre dia a dia.

Una mostra d'això és quan fem compres en línia, que amb algorismes d'aprenentatge automàtic analitzen els nostres comportaments per recomanar-nos productes que s'adapten a nosaltres; o Google Lens, que pujant una imatge, et identifica i enllaça els productes que hi apareixen. A continuació una imatge provant Google Lens amb la nostra oficina de Barcelona:

La Intel·ligència Artificial (IA), o Artificial Intelligence (AI) en anglès, és el camp avançat de la Informàtica actual dedicat a l'automatització del comportament associat comúment a la intel·ligència humana. I com tota ciència complexa, d'ella es desglossen molts conceptes. Per això, amb aquest article volem començar pel principi i ajudar-te a entendre els conceptes bàsics de la IA.

En aquest article parlarem de:

• Machine Learning
  • Les 5 tribus de Machine Learning de Pedro Domingos
    • Simbolistes
    • Conexionistes
    • Evolutius
    • Analogistes
    • Bayesians
  • Tipus de Machine Learning
    • Aprenentatge supervisat (Supervised Learning)
    • Aprenentatge no supervisat (Unsupervised Learning)
    • Aprenentatge semisupervisat (Semi-supervised Learning)
    • Aprenentatge reforçat (Learning Reinforcement)
• Deep Learning
• Xarxes Neuronals
• Computació Cognitiva

Aprenentatge Automàtic

El Machine Learning (ML) és una branca de la intel·ligència artificial que es basa en la idea que els sistemes poden aprendre de les dades, identificar patrons i prendre decisions amb la mínima intervenció humana.

L'expert mundial i investigador destacat en la matèria, Pedro Domingos, descriu en el seu llibre "The Master Algorithm" les 5 tribus o corrents del Machine Learning que divideix en funció dels interessos o procedències de cadascuna d'aquestes:

• Simbolistes: Es basen en la lògica i la filosofia i practiquen la deducció inversa.
• Connexionistes: S'apugen en la neurociència i tracten de connectar petits cervells, a partir del que anomenen retroprogramació per crear una xarxa neuronal amb la qual, a partir de les seves interconnexions, puguin interpretar les dades. D'aquí sorgeix el Deep Learning.
• Evolutius: Es basen en la biologia evolutiva i tracten d'aplicar els principis de l'evolució de genomes i ADN argumentant que els algoritmes evolucionaran i s'adaptaran a condicions i processos desconeguts.
• Analogistes: S'apugen en la psicologia i veuen l'analogia com a base per resoldre els problemes que es presentin.
• Bayesians: Es basen en l'estadística i la probabilitat. El seu algorisme, la inferència probabilística, aprèn intentant de calcular quan improbable és un fet per poder descartar-lo com a possible solució.

Al seu torn, dins del Machine Learning, trobem 4 tipus en base a la supervisió humana necessària:

• Aprenentatge supervisat (Supervised Learning): Aprèn donant-li moltes dades d'entrenament etiquetades amb les quals després generalitzar per a nous casos.
• Aprenentatge no supervisat (Unsupervised Learning): Aprèn observant, comprenent i abstraient patrons directament de la informació. És molt semblant a com pensem els humans.
• Aprenentatge semisupervisat (Semi-supervised Learning): Aprèn en base a dades d'entrenament tant etiquetades com no etiquetades, sent normalment més gran la proporció de dades no etiquetades.
• Aprenentatge reforçat (Learning Reinforcement): Aprèn per l'experiència. A partir de proves-error i premi-castig. Aquesta tècnica està sent molt estudiada ja que no requereix grans quantitats de dades.

Aprenentatge Profund

Basat en l'enfoc dels conexionistes sorgeix la branca anomenada Aprenentatge Profund, Deep Learning (DL). És un subtipus d'algorismes de Machine Learning que es basen en xarxes neuronals per a un processament de les dades en cascada. El terme "profund" es refereix al nombre de capes ocultes en les xarxes neuronals.

Xarxes Neuronals

Les Xarxes Neuronals, Neural Networks (NNs), pertanyen a la família d'algorismes de Machine Learning i s'inspiren en el funcionament de les neurones del cervell humà. Es basen en què donats uns paràmetres hi ha una forma de combinar-los per predir un resultat concret. Les dades van passant per diferents capes en les quals s'apliquen una sèrie de regles d'aprenentatge fins arribar a l'última capa en la qual els resultats es comparen amb el resultat "correcte", i s'ajusten els paràmetres en base a la funció "pes" donada en cada regla. Un cop la xarxa ha après, pot congelar els seus "pesos" i funcionar en mode record o execució.

Computació Cognitiva

I per acabar, alguns autors mencionen la Computació Cognitiva, Cognitive Computing (CC) en anglès, com una altra variant de la Intel·ligència Artificial. Són sistemes que assumeixen tasques o prenen decisions específiques com a assistents o substituint a persones ja que poden manejar l'ambigüitat i la vaguetat, i tenen un alt grau d'autonomia dins del seu àrea de coneixement.

Conclusions

Com hem comentat, la IA ja està aquí, però encara hi ha molt per fer, i no només respecte a com explotar tot el potencial que té perquè s'acostin cada vegada més a la intel·ligència humana, sinó també respecte a com controlar el mal ús.

L'objectiu és evitar que passi el que Elon Musk ja va predir “les màquines podrien començar una guerra publicant notícies falses, robant comptes de correu electrònic i enviant notes de premsa falses, només amb manipular les dades”, i que ja hem viscut quan, mitjançant IA, es van manipular escenes sexuals reemplaçant el rostre per el d'artistes coneguts.

Cal ser conscients de les millores que la IA suposa en les nostres vides, però sense oblidar que hem d'utilitzar-la amb prudència.