Una introducción al campo emergente de la IA neuro-simbólica

Hoy en día, gracias al rápido crecimiento de la inteligencia artificial (IA) y a la creciente disponibilidad de potencia de computación, se lanzan modelos de IA avanzados más rápido que nunca. De hecho, el ámbito de la IA está impulsando una innovación significativa en muchas industrias.

Por ejemplo, en la atención sanitaria, los sistemas de IA se utilizan para ayudar en tareas como el análisis de imágenes médicas para un diagnóstico precoz. Sin embargo, como cualquier tecnología, la IA tiene sus limitaciones.

Una gran preocupación es la transparencia. Por ejemplo, un modelo de detección de objetos puede localizar con precisión un tumor en una resonancia magnética cerebral, pero puede ser difícil entender cómo llegó el modelo a esa conclusión. Esta falta de explicabilidad hace que sea más difícil para médicos e investigadores confiar plenamente en los resultados de la IA o validarlos.

Precisamente por eso hay un interés creciente en el campo emergente de la IA neuro-simbólica. La IA neuro-simbólica combina las fortalezas de reconocimiento de patrones del aprendizaje profundo con el razonamiento estructurado basado en reglas que se encuentra en la IA simbólica. El objetivo es crear sistemas que realicen predicciones precisas, pero que también puedan explicar su razonamiento de una forma que los humanos puedan entender.

En este artículo, exploraremos cómo funciona la inteligencia artificial neuro-simbólica y cómo une el aprendizaje y el razonamiento para construir sistemas más transparentes y conscientes del contexto. ¡Empecemos!

Link to this sectionLas dos caras de la IA neuro-simbólica: Aprendizaje y razonamiento#

Antes de profundizar en la IA neuro-simbólica, analicemos más de cerca los dos subcampos que reúne: el aprendizaje profundo y la IA simbólica.

El aprendizaje profundo se centra en reconocer patrones en los datos, mientras que la IA simbólica utiliza reglas, lógica o sentido común para razonar sobre los problemas. Cada una tiene sus puntos fuertes, pero también limitaciones. Al combinarlas, la IA neuro-simbólica crea sistemas que pueden aprender de los datos y explicar sus decisiones con mayor claridad.

Link to this sectionUna visión general del aprendizaje profundo#

El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales artificiales, inspiradas vagamente en cómo procesa la información el cerebro. Estas redes aprenden analizando grandes cantidades de datos y ajustando sus conexiones internas para mejorar el rendimiento.

Esto les permite reconocer patrones en imágenes, sonidos y textos sin necesidad de reglas creadas manualmente para cada situación. Debido a esto, el aprendizaje profundo es altamente eficaz para tareas centradas en la percepción, como el reconocimiento de imágenes, el procesamiento de voz y la traducción de idiomas.

Un buen ejemplo es un modelo de visión artificial entrenado para segmentar objetos en imágenes. Con suficientes ejemplos etiquetados, puede aprender a separar carreteras, vehículos y peatones en secuencias de tráfico en tiempo real.

Sin embargo, a pesar de su precisión, los modelos de aprendizaje profundo a menudo tienen dificultades para explicar claramente cómo llegaron a un resultado específico. Este desafío, conocido comúnmente como el problema de la caja negra, dificulta que los usuarios interpreten o verifiquen las decisiones del modelo, especialmente en áreas sensibles como la salud o las finanzas. Es significativo porque una IA responsable requiere transparencia, confianza y la capacidad de entender por qué un modelo realizó una determinada predicción.

Link to this sectionExplorando la IA simbólica#

La IA simbólica adopta un enfoque más estructurado hacia la inteligencia y la toma de decisiones. Representa el conocimiento utilizando símbolos y aplica reglas lógicas para trabajar con ese conocimiento, similar a como utilizamos el razonamiento y el lenguaje para resolver problemas. Cada paso en el proceso de razonamiento está definido, lo que hace que las decisiones de la IA simbólica sean transparentes y más fáciles de explicar.

El conocimiento simbólico funciona especialmente bien en tareas que siguen reglas claras y bien definidas, como la planificación, la programación o la gestión de conocimiento estructurado. Sin embargo, la IA simbólica tiene dificultades con datos no estructurados o situaciones que no encajan perfectamente en categorías predefinidas.

Un ejemplo común de enfoques simbólicos en acción son los primeros programas de ajedrez. Seguían reglas creadas a mano y estrategias fijas en lugar de aprender de partidas anteriores o adaptarse a diferentes oponentes. Como resultado, su forma de jugar tendía a ser rígida y predecible.

Fig 1. Un vistazo a la estructura de la IA y sus subcampos. (Imagen del autor)

Link to this section¿Qué es la IA neuro-simbólica?#

En la década de 2010, a medida que el aprendizaje profundo se adoptaba más ampliamente, los investigadores empezaron a buscar formas de ir más allá del simple reconocimiento de patrones y hacia la comprensión de las relaciones y el contexto. Este cambio hizo posible que los modelos de IA no solo detectaran objetos en una escena, como un gato y una alfombra, sino también interpretar cómo se relacionan esos objetos, como reconocer que el gato está sentado sobre la alfombra.

Sin embargo, este progreso también puso de relieve una limitación fundamental. Los modelos de aprendizaje profundo pueden reconocer patrones extremadamente bien, pero a menudo tienen dificultades para explicar su razonamiento o manejar situaciones desconocidas. Esta renovada atención al razonamiento llevó a los investigadores de vuelta a un campo que ha existido desde la década de 1980: la IA neuro-simbólica.

La IA neuro-simbólica integra el aprendizaje profundo y la IA simbólica. Permite a los modelos aprender de ejemplos de la misma manera que lo hace el aprendizaje profundo, al tiempo que aplica la lógica y el razonamiento como hace la IA simbólica.

En pocas palabras, la IA neuro-simbólica puede reconocer información, entender el contexto y proporcionar explicaciones más claras para sus decisiones. Este enfoque nos acerca al desarrollo de sistemas de IA que se comportan de una forma más fiable y humana.

Fig 2. Entendiendo la IA Neuro-Simbólica (Imagen del autor)

Link to this sectionLos fundamentos de cómo funciona la IA neuro-simbólica#

Una arquitectura neuro-simbólica une el aprendizaje y el razonamiento dentro de un único marco. Normalmente incluye tres partes principales: una capa de percepción neuronal que interpreta los datos brutos, una capa de razonamiento simbólico que aplica la lógica y una capa de integración que conecta ambas. A continuación, analizaremos más de cerca cada capa.

Link to this sectionLa capa de percepción neuronal#

El componente de percepción neuronal procesa datos no estructurados, como imágenes, vídeo, texto o audio, y los convierte en representaciones internas con las que el sistema puede trabajar. Normalmente utiliza modelos de aprendizaje profundo para detectar patrones e identificar objetos o características en la entrada. En esta etapa, el sistema reconoce lo que está presente en los datos, pero aún no razona sobre el significado, las relaciones o el contexto.

Aquí tienes algunos tipos comunes de modelos de aprendizaje profundo utilizados en esta capa:

• Redes neuronales convolucionales (CNNs): Son un tipo de red neuronal diseñada para procesar datos tipo rejilla como las imágenes. Las CNN utilizan filtros convolucionales para escanear una imagen y detectar patrones como bordes, texturas y formas. Al apilar estos patrones, aprenden a reconocer objetos como coches, frutas y personas.
• Transformers: Los Transformers son modelos diseñados para entender cómo se relacionan entre sí las diferentes partes de una entrada. En lugar de leer la información estrictamente en orden, pueden observar múltiples partes de los datos al mismo tiempo y decidir qué partes son más importantes. Esto les ayuda a entender el contexto en textos, imágenes o ambos. Debido a esta flexibilidad, los Transformers son la arquitectura central detrás de la mayoría de los modelos de lenguaje modernos y muchos sistemas de visión-lenguaje.
• Redes neuronales recurrentes (RNNs): Este tipo de modelo está diseñado para analizar datos secuenciales, como el habla o señales de series temporales. Mantiene una memoria de las entradas anteriores, lo que significa que sus predicciones pueden tener en cuenta el contexto a lo largo del tiempo.

En última instancia, estos modelos neuronales extraen y representan características significativas de los datos brutos. Esta salida se convierte entonces en la entrada para la capa de razonamiento simbólico, que interpreta y razona sobre lo que el sistema ha detectado.

Link to this sectionLa capa de razonamiento simbólico#

La capa de razonamiento simbólico toma la información producida por la capa de percepción neuronal y le da sentido utilizando la lógica. En lugar de trabajar solo a partir de patrones, se basa en cosas como reglas, grafos de conocimiento, bases de conocimiento y ontologías (descripciones organizadas de conceptos y cómo se relacionan entre sí). Estas ayudan al sistema a entender cómo encajan los diferentes elementos y qué acciones tienen sentido en una situación determinada.

Por ejemplo, en un coche autónomo, la capa de percepción neuronal puede reconocer un semáforo en rojo en la señal de la cámara. La capa de razonamiento simbólico puede entonces aplicar una regla como: "Si el semáforo está en rojo, el vehículo debe detenerse". Como el razonamiento se basa en reglas claras, las decisiones del sistema son más fáciles de explicar y verificar, lo cual es especialmente importante en situaciones donde la seguridad y la responsabilidad son importantes.

Link to this sectionLa capa de integración#

La capa de integración conecta la capa de percepción neuronal y la capa de razonamiento simbólico, asegurando que el aprendizaje y el razonamiento operen juntos. En una dirección, convierte las salidas de los modelos neuronales (como la detección de un peatón) en representaciones simbólicas que describen el objeto y sus atributos.

En la otra dirección, toma reglas simbólicas (por ejemplo, "un vehículo debe detenerse si hay un peatón en un paso de cebra") y las traduce en señales que guían a los modelos neuronales. Esto puede implicar resaltar áreas relevantes de una imagen, influir en la atención o dar forma a las vías de decisión del modelo.

Este intercambio bidireccional forma un bucle de retroalimentación. El lado neuronal gana estructura e interpretabilidad a partir de reglas simbólicas, mientras que el lado simbólico puede adaptarse más eficazmente basándose en datos del mundo real. Técnicas como las redes neuronales lógicas (LNNs) ayudan a habilitar esta interacción integrando restricciones lógicas directamente en las arquitecturas neuronales.

Al vincular la percepción y el razonamiento de esta manera, la IA neuro-simbólica puede producir decisiones que son tanto precisas como más fáciles de interpretar. Muchos investigadores ven este enfoque como un paso prometedor hacia una IA más fiable y alineada con los humanos, y potencialmente como una base para el progreso futuro hacia la inteligencia general artificial (AGI).

Link to this sectionAplicaciones de la IA neuro-simbólica#

Ahora que tenemos una mejor comprensión de qué es una IA neuro-simbólica y cómo funciona, echemos un vistazo a algunos de sus casos de uso en el mundo real.

Link to this sectionConduciendo más seguro: De ver a los peatones a entenderlos#

Los vehículos autónomos necesitan entender su entorno para operar con seguridad. Utilizan tecnologías como la visión artificial para detectar peatones, vehículos, marcas de carril y señales de tráfico.

Aunque los modelos de aprendizaje profundo pueden identificar estos objetos con precisión, no siempre entienden lo que significan esos objetos en contexto o cómo se relacionan entre sí en una situación del mundo real. Por ejemplo, un modelo neuronal podría reconocer a un peatón en un paso de cebra, pero no puede saber si está a punto de cruzar o simplemente parado esperando.

La IA neuro-simbólica intenta cerrar esta brecha permitiendo que los vehículos autónomos combinen el reconocimiento visual con el razonamiento lógico, para que puedan interpretar situaciones en lugar de solo identificar objetos. Investigaciones recientes en IA han demostrado que los sistemas que combinan la percepción neuronal con reglas simbólicas pueden mejorar la predicción del comportamiento de los peatones.

En estos sistemas, el componente neuronal analiza señales visuales como la postura, el movimiento y la posición del peatón. El componente simbólico aplica entonces reglas lógicas, teniendo en cuenta factores como si la persona está cerca de un paso de cebra o qué indica el semáforo actual.

Al combinar estas dos perspectivas, el sistema neuro-simbólico puede hacer más que simplemente detectar a un peatón. Puede realizar una predicción razonable sobre si es probable que el peatón cruce, y puede explicar por qué tomó esa decisión. Esto conduce a un comportamiento más seguro y transparente en los vehículos autónomos.

Fig 3. Realizando predicciones basadas en el comportamiento observado del peatón utilizando IA neuro-simbólica. (Fuente)

Link to this sectionInterpretación lógica en la respuesta a preguntas visuales#

Otra aplicación importante de la IA neuro-simbólica es la respuesta a preguntas visuales (VQA). Los sistemas VQA están diseñados para responder preguntas sobre imágenes.

Reúne modelos de lenguaje extensos (LLMs) y modelos visuales para realizar razonamiento multimodal, combinando lo que ve el sistema con lo que entiende. Por ejemplo, si a un sistema VQA se le muestra una imagen y se le pregunta: "¿Está la taza sobre la mesa?", tiene que reconocer los objetos pero también entender la relación entre ellos. Necesita determinar si la taza está realmente situada encima de la mesa en la escena.

Un estudio reciente demostró cómo la IA neuro-simbólica puede mejorar la VQA integrando la percepción neuronal con el razonamiento simbólico. En el sistema propuesto, la red neuronal analiza primero la imagen para reconocer los objetos y sus atributos, como color, forma o tamaño.

El componente de razonamiento simbólico aplica entonces reglas lógicas para interpretar cómo se relacionan entre sí estos objetos y responder a la pregunta. Si se le pregunta "¿Cuántos cilindros grises hay en la escena?", la parte neuronal identifica todos los cilindros y sus colores, y la parte simbólica los filtra según los criterios y cuenta los correctos.

Fig 4. Ejemplos de escenarios de VQA donde se necesita conocimiento abstracto y lógica. (Fuente)

Dicha investigación muestra cómo la VQA neuro-simbólica puede ir más allá de simplemente proporcionar respuestas. Debido a que el modelo puede mostrar los pasos que dio para llegar a una conclusión, apoya la IA explicable, donde los sistemas realizan predicciones y justifican su razonamiento de una forma que las personas pueden entender.

Link to this sectionPros y contras de la IA neuro-simbólica#

Aquí tienes algunos de los beneficios clave de utilizar la IA neuro-simbólica:

• Mayores capacidades de razonamiento: A diferencia de los modelos de aprendizaje profundo puros, la IA neuro-simbólica puede realizar tareas que requieren razonamiento en múltiples pasos, planificación, cumplimiento de reglas y manejo de áreas de conocimiento estructurado, donde tradicionalmente destaca la IA simbólica.
• Adaptabilidad: Estos sistemas funcionan bien en tareas nuevas o no vistas, ya que pueden razonar lógicamente más allá de aquello para lo que fueron entrenados. En lugar de solo memorizar datos, entienden relaciones y patrones.
• Robustez frente al ruido y la ambigüedad: Las restricciones lógicas pueden ayudar a prevenir errores cuando los datos son ruidosos, incompletos o ambiguos. La capa de razonamiento puede aplicar reglas que guíen o corrijan las predicciones neuronales.

A pesar de su potencial, la IA neuro-simbólica aún está evolucionando y conlleva ciertos desafíos prácticos. Aquí tienes algunas de sus limitaciones clave:

• Integración compleja: Aunque este marco híbrido ofrece una fuerte interpretabilidad, diseñar algoritmos que fusionen la percepción y el razonamiento sigue siendo un reto.
• Escalabilidad: El razonamiento simbólico puede volverse lento o computacionalmente costoso cuando se trata de grandes grafos de conocimiento o conjuntos de reglas complejos. Esto puede hacer que las aplicaciones en tiempo real, como la conducción autónoma, el procesamiento de vídeo o el razonamiento de conocimiento a gran escala, sean más difíciles de desplegar eficazmente.
• Robustez del razonamiento: Si las reglas simbólicas son demasiado rígidas, los sistemas pueden tener dificultades en escenarios del mundo real ambiguos o impredecibles. Equilibrar el aprendizaje flexible con un razonamiento fiable sigue siendo un desafío continuo.

Link to this sectionConclusiones clave#

La IA neuro-simbólica representa un paso importante hacia la construcción de sistemas de IA que no solo pueden percibir el mundo, sino también razonar sobre él y explicar sus decisiones. A diferencia de los sistemas de aprendizaje profundo tradicionales, que dependen principalmente de patrones aprendidos a partir de datos, la IA neuro-simbólica combina el aprendizaje estadístico con la lógica estructurada y el conocimiento. En lugar de reemplazar al aprendizaje profundo, construye sobre él, acercándonos un poco más al desarrollo de una IA que pueda entender y razonar de una forma más humana.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub. Echa un vistazo a nuestras páginas de soluciones para descubrir diversas aplicaciones de la IA en la agricultura y la visión artificial en la atención sanitaria. ¡Descubre nuestras opciones de licencia y empieza a construir tu proyecto de visión por IA!