Una introducción al emergente campo de la AI neurosimbólica

Hoy en día, gracias al rápido crecimiento de la inteligencia artificial (AI) y a la creciente disponibilidad de potencia informática, los modelos de IA avanzados se publican más rápido que nunca. De hecho, el ámbito de la IA está impulsando una innovación significativa en numerosos sectores.

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

Una de las principales preocupaciones es la transparencia. Por ejemplo, un modelo de detección de objetos puede localizar con precisión un tumor en una resonancia magnética cerebral, pero puede resultar difícil entender cómo ha llegado el modelo a esa conclusión. Esta falta de explicabilidad dificulta que médicos e investigadores confíen plenamente en los resultados de la IA o los validen.

Precisamente por eso está creciendo el interés por el emergente campo de la IA neuro simbólica. La IA neuro simbólica combina las capacidades de reconocimiento de patrones del aprendizaje profundo con el razonamiento estructurado y basado en reglas de la IA simbólica. El objetivo es crear sistemas que realicen predicciones precisas, pero que también puedan explicar su razonamiento de una forma comprensible para las personas.

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

Las dos vertientes de la IA neuro simbólica: aprendizaje y razonamiento#

Antes de profundizar en la IA neuro simbólica, examinemos más detenidamente los dos subcampos que combina: 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 enfoque tiene sus ventajas, pero también sus limitaciones. Al combinarlos, la IA neuro simbólica crea sistemas capaces tanto de aprender de los datos como de explicar sus decisiones con mayor claridad.

Una visión general del aprendizaje profundo#

El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales artificiales, inspiradas de forma aproximada 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 texto sin necesitar reglas creadas manualmente para cada situación. Por ello, el aprendizaje profundo resulta muy eficaz en tareas centradas en la percepción, como el reconocimiento de imágenes, el procesamiento del habla y la traducción de idiomas.

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

Sin embargo, a pesar de su precisión, los modelos de aprendizaje profundo suelen tener dificultades para explicar claramente cómo han llegado a un resultado concreto. Este reto, conocido habitualmente como el problema de la caja negra, dificulta que los usuarios interpreten o verifiquen las decisiones del modelo, especialmente en ámbitos delicados como la sanidad o las finanzas. Es importante porque una IA responsable requiere transparencia, confianza y la capacidad de entender por qué un modelo ha realizado una predicción determinada.

Explorando la IA simbólica#

La IA simbólica adopta un enfoque más estructurado de la inteligencia y la toma de decisiones. Representa el conocimiento mediante símbolos y aplica reglas lógicas para trabajar con él, de forma similar a cómo utilizamos el razonamiento y el lenguaje para resolver problemas. Cada paso del 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 los datos no estructurados o las situaciones que no encajan perfectamente en categorías predefinidas.

Un ejemplo habitual de los enfoques simbólicos en acción son los primeros programas de ajedrez. Seguían reglas creadas manualmente y estrategias fijas, en lugar de aprender de partidas anteriores o adaptarse a distintos oponentes. Como resultado, su juego tendía a ser rígido y predecible.

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

¿Qué es la IA neuro simbólica?#

En la década de 2010, a medida que el aprendizaje profundo se adoptaba más ampliamente, los investigadores comenzaron a buscar formas de ir más allá del simple reconocimiento de patrones y avanzar 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 que también interpretaran la relación entre ellos, por ejemplo, reconociendo 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 extraordinariamente bien, pero a menudo tienen dificultades para explicar su razonamiento o gestionar situaciones desconocidas. Esta renovada atención al razonamiento llevó a los investigadores de nuevo a un campo que existe desde la década de 1980: la IA neuro simbólica.

La IA neuro simbólica integra el aprendizaje profundo y la IA simbólica. Permite que los modelos aprendan de ejemplos del mismo modo que lo hace el aprendizaje profundo, al tiempo que aplican lógica y razonamiento como hace la IA simbólica.

En pocas palabras, la IA neuro simbólica puede reconocer información, comprender el contexto y ofrecer explicaciones más claras de sus decisiones. Este enfoque nos acerca al desarrollo de sistemas de IA que se comporten de una forma más fiable y similar a la humana.

Fig. 2. Comprender la IA neuro simbólica. (Imagen del autor)

Conceptos básicos sobre el funcionamiento de la IA neuro simbólica#

Una arquitectura neuro simbólica combina el aprendizaje y el razonamiento en un único marco. Normalmente incluye tres partes principales: una capa de percepción neuronal que interpreta los datos sin procesar, una capa de razonamiento simbólico que aplica la lógica y una capa de integración que conecta ambas. A continuación, examinaremos más detenidamente cada capa.

La 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 fase, el sistema reconoce qué está presente en los datos, pero aún no razona sobre el significado, las relaciones o el contexto.

Estos son algunos tipos habituales de modelos de aprendizaje profundo utilizados en esta capa:

• Redes neuronales convolucionales (CNNs): son un tipo de red neuronal diseñada para procesar datos dispuestos en cuadrícula, como las imágenes. Las CNNs utilizan filtros convolucionales para recorrer 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 comprender cómo se relacionan entre sí las distintas partes de una entrada. En lugar de leer la información estrictamente en orden, pueden observar varias partes de los datos al mismo tiempo y decidir cuáles son más importantes. Esto les ayuda a comprender el contexto en texto, imágenes o ambos. Gracias a esta flexibilidad, los Transformers son la arquitectura principal de la mayoría de los modelos de lenguaje modernos y de muchos sistemas de visión y lenguaje.
• Redes neuronales recurrentes (RNNs): este tipo de modelo está diseñado para analizar datos secuenciales, como el habla o las 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 relevantes de los datos sin procesar. Esta salida se convierte después en la entrada de la capa de razonamiento simbólico, que interpreta y razona sobre lo que ha detectado el sistema.

La capa de razonamiento simbólico#

La capa de razonamiento simbólico toma la información producida por la capa de percepción neuronal y le da sentido mediante la lógica. En lugar de trabajar únicamente con patrones, se basa en elementos como reglas, grafos de conocimiento, bases de conocimiento y ontologías (descripciones organizadas de conceptos y de sus relaciones). Estos elementos ayudan al sistema a comprender cómo encajan entre sí los distintos componentes 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 imagen de la cámara. A continuación, la capa de razonamiento simbólico puede 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, algo especialmente importante en situaciones en las que la seguridad y la responsabilidad son fundamentales.

La capa de integración#

La capa de integración conecta la capa de percepción neuronal y la capa de razonamiento simbólico, garantizando que el aprendizaje y el razonamiento funcionen conjuntamente. 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 peatones») y las traduce en señales que guían a los modelos neuronales. Esto puede implicar resaltar zonas relevantes de una imagen, influir en la atención o modificar las rutas de decisión del modelo.

Este intercambio bidireccional forma un bucle de retroalimentación. El componente neuronal obtiene estructura e interpretabilidad de las reglas simbólicas, mientras que el componente simbólico puede adaptarse con mayor eficacia a partir de datos del mundo real. Técnicas como las redes neuronales lógicas (LNNs) ayudan a hacer posible esta interacción al incorporar restricciones lógicas directamente en las arquitecturas neuronales.

Al conectar la percepción y el razonamiento de esta forma, la IA neuro simbólica puede producir decisiones precisas y más fáciles de interpretar. Muchos investigadores consideran este enfoque un paso prometedor hacia una IA más fiable y alineada con las personas, y potencialmente una base para futuros avances hacia la inteligencia artificial general (AGI).

Aplicaciones de la IA neuro simbólica#

Ahora que comprendemos mejor qué es la IA neuro simbólica y cómo funciona, veamos algunos de sus casos de uso en el mundo real.

Conducción más segura: de ver a los peatones a comprenderlos#

Los vehículos autónomos necesitan comprender su entorno para funcionar de forma segura. Utilizan tecnologías como la visión por ordenador para detectar peatones, vehículos, marcas viales y señales de tráfico.

Aunque los modelos de aprendizaje profundo pueden identificar estos objetos con precisión, no siempre comprenden qué significan en su contexto ni 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 peatones, pero no saber si está a punto de cruzar o simplemente está parado y esperando.

La IA neuro simbólica intenta cerrar esta brecha al permitir que los vehículos autónomos combinen el reconocimiento visual con el razonamiento lógico, para que puedan interpretar situaciones en lugar de limitarse a identificar objetos. Investigaciones recientes sobre 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 indicios visuales como la postura, el movimiento y la posición del peatón. A continuación, el componente simbólico aplica reglas lógicas teniendo en cuenta factores como si la persona está cerca de un paso de peatones o lo que indica el semáforo en ese momento.

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

Fig. 3. Realización de predicciones basadas en el comportamiento observado de los peatones mediante IA neuro simbólica. (Fuente)

Interpretación lógica en la respuesta visual a preguntas#

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

Combina modelos de lenguaje grandes (LLMs) y modelos visuales para realizar razonamiento multimodal, combinando lo que ve el sistema con lo que comprende. Por ejemplo, si se muestra una imagen a un sistema de VQA y se le pregunta «¿Está la taza sobre la mesa?», debe reconocer los objetos y comprender también la relación entre ellos. Tiene que 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 al integrar 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 el color, la forma o el tamaño.

A continuación, el componente de razonamiento simbólico aplica reglas lógicas para interpretar cómo se relacionan estos objetos entre sí y responder a la pregunta. Si se 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 situaciones de VQA en las que se necesitan conocimientos abstractos y lógica. (Fuente)

Estas investigaciones muestran cómo la VQA neuro simbólica puede ir más allá de ofrecer respuestas. Como el modelo puede mostrar los pasos que ha seguido para llegar a una conclusión, favorece la IA explicable, en la que los sistemas realizan predicciones y justifican su razonamiento de una forma comprensible para las personas.

Ventajas e inconvenientes de la IA neuro simbólica#

Estas son algunas de las principales ventajas de utilizar IA neuro simbólica:

• Mayor capacidad de razonamiento: a diferencia de los modelos de aprendizaje profundo puros, la IA neuro simbólica puede realizar tareas que requieren razonamiento en varios pasos, planificación, seguimiento de reglas y gestión de áreas de conocimiento estructurado, en las que la IA simbólica destaca tradicionalmente.
• Adaptabilidad: estos sistemas funcionan bien en tareas nuevas o no vistas, ya que pueden razonar lógicamente más allá de aquello con lo que se han entrenado. En lugar de limitarse a memorizar datos, comprenden relaciones y patrones.
• Robustez frente al ruido y la ambigüedad: las restricciones lógicas pueden ayudar a evitar errores cuando los datos contienen ruido, están incompletos o son ambiguos. La capa de razonamiento puede imponer reglas que guíen o corrijan las predicciones neuronales.

A pesar de su potencial, la IA neuro simbólica aún está evolucionando y presenta ciertos retos prácticos. Estas son algunas de sus principales limitaciones:

• Integración compleja: aunque este marco híbrido ofrece una gran interpretabilidad, diseñar algoritmos que combinen percepción y razonamiento sigue siendo difícil.
• Escalabilidad: el razonamiento simbólico puede volverse lento o requerir muchos recursos computacionales al trabajar con grafos de conocimiento grandes o conjuntos de reglas complejos. Esto puede dificultar la implementación eficiente de aplicaciones en tiempo real, como la conducción autónoma, el procesamiento de vídeo o el razonamiento sobre conocimiento a gran escala.
• Robustez del razonamiento: si las reglas simbólicas son demasiado rígidas, los sistemas pueden tener dificultades en situaciones ambiguas o impredecibles del mundo real. Equilibrar un aprendizaje flexible con un razonamiento fiable sigue siendo un reto en curso.

Conclusiones clave#

La IA neuro simbólica representa un paso importante hacia la creación de sistemas de IA capaces no solo de percibir el mundo, sino también de razonar sobre él y explicar sus decisiones. A diferencia de los sistemas tradicionales de aprendizaje profundo, que dependen principalmente de patrones aprendidos a partir de los datos, la IA neuro simbólica combina el aprendizaje estadístico con la lógica y el conocimiento estructurados. En lugar de sustituir al aprendizaje profundo, se construye sobre él y nos acerca un poco más al desarrollo de una IA capaz de comprender y razonar de una forma más similar a la humana.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub. Consulta nuestras páginas de soluciones para descubrir diversas aplicaciones de la IA en la agricultura y la visión por ordenador en el ámbito sanitario. Descubre nuestras opciones de licencia y empieza a desarrollar tu proyecto de IA de visión.