Introducción al emergente campo de la IA neurosimbólica

Hoy en día, gracias al rápido crecimiento de la inteligencia artificial (IA) y a la creciente disponibilidad de potencia de cálculo, se lanzan modelos avanzados de IA más rápido que nunca. De hecho, el sector de la IA está impulsando innovaciones significativas en muchos sectores.

Por ejemplo, en sanidad se utilizan sistemas de IA 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 los médicos y los investigadores confíen plenamente en los resultados de la IA o los validen.

Precisamente por eso crece el interés por el emergente campo de la IA neurosimbólica. La IA neurosimbólica 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 hagan predicciones precisas y, al mismo tiempo, expliquen su razonamiento de una forma comprensible para las personas.

En este artículo, exploraremos cómo funciona la inteligencia artificial neuro-simbólica y cómo combina el aprendizaje y el razonamiento para crear sistemas más transparentes y sensibles al contexto.

Los dos pilares de la IA neurosimbólica: aprendizaje y razonamiento#

Antes de profundizar en la IA neurosimbólica, veamos más de cerca 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. Ambos enfoques tienen ventajas, pero también limitaciones. Al combinarlos, la IA neurosimbólica crea sistemas capaces de aprender de los datos y explicar sus decisiones con mayor claridad.

Introducción al aprendizaje profundo#

El aprendizaje profundo es una rama del aprendizaje automático que utiliza redes neuronales artificiales, inspiradas de forma general 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 diseñadas manualmente para cada situación. Por ello, el aprendizaje profundo es muy eficaz en tareas centradas en la percepción, como el reconocimiento de imágenes, el procesamiento del habla y la traducción automática.

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 grabaciones de tráfico en tiempo real.

Sin embargo, a pesar de su precisión, los modelos de aprendizaje profundo suelen tener dificultades para explicar con claridad 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, sobre todo en ámbitos sensibles como la sanidad o las finanzas. Es un problema importante, porque una IA responsable requiere transparencia, confianza y la capacidad de entender por qué un modelo ha hecho una predicción determinada.

Exploración de 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 ese conocimiento, de forma similar a como 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 sujetas a reglas claras y bien definidas, como la planificación, la programación de horarios o la gestión del 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 la práctica son los primeros programas de ajedrez. Seguían reglas diseñadas 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. Estructura de la IA y sus subcampos. (Imagen del autor)

¿Qué es la IA neurosimbólica?#

En la década de 2010, a medida que se generalizaba el uso del aprendizaje profundo, los investigadores empezaron a buscar formas de ir más allá del simple reconocimiento de patrones y comprender las relaciones y el contexto. Este cambio permitió 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, que el gato está sentado sobre la alfombra.

Sin embargo, este avance también puso de manifiesto una limitación fundamental. Los modelos de aprendizaje profundo reconocen patrones muy bien, pero a menudo tienen dificultades para explicar su razonamiento o desenvolverse en situaciones desconocidas. Este renovado interés por el razonamiento llevó a los investigadores a retomar un campo que existe desde la década de 1980: la IA neurosimbólica.

La IA neurosimbólica integra el aprendizaje profundo y la IA simbólica. Permite que los modelos aprendan de ejemplos, como lo hace el aprendizaje profundo, y que también apliquen lógica y razonamiento, como lo hace la IA simbólica.

En pocas palabras, la IA neurosimbólica puede reconocer información, comprender el contexto y ofrecer explicaciones más claras de sus decisiones. Este enfoque nos acerca al desarrollo de sistemas de IA más fiables y con un comportamiento más parecido al humano.

Fig. 2. La IA neurosimbólica (Imagen del autor)

Conceptos básicos del funcionamiento de la IA neurosimbólica#

Una arquitectura neurosimbólica combina el aprendizaje y el razonamiento en un mismo marco. Suele incluir tres componentes principales: una capa neuronal de percepción que interpreta datos sin procesar, una capa de razonamiento simbólico que aplica la lógica y una capa de integración que conecta ambas. A continuación, veremos cada capa con más detalle.

La capa neuronal de percepción#

El componente neuronal de percepción procesa datos no estructurados, como imágenes, vídeo, texto o audio, y los convierte en representaciones internas con las que el sistema puede trabajar. Suele utilizar modelos de aprendizaje profundo para detectar patrones e identificar objetos o características en la entrada. En esta fase, el sistema reconoce qué hay en los datos, pero todavía no razona sobre su significado, sus relaciones o su contexto.

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

• Las redes neuronales convolucionales (CNN) son un tipo de red neuronal diseñado para procesar datos organizados en cuadrículas, como las imágenes. Las CNN utilizan filtros convolucionales para recorrer una imagen y detectar patrones como bordes, texturas y formas. Al combinar estos patrones en capas, aprenden a reconocer objetos como coches, frutas y personas.
• Transformers: los Transformers son modelos diseñados para entender cómo se relacionan entre sí las distintas partes de una entrada. En lugar de procesar la información estrictamente en orden, pueden analizar varias partes de los datos al mismo tiempo y decidir cuáles son las más importantes. Esto les ayuda a comprender el contexto en textos, 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.
• Las redes neuronales recurrentes (RNN) están diseñadas para analizar datos secuenciales, como el habla o las señales de series temporales. Mantienen una memoria de las entradas anteriores, por lo que sus predicciones pueden tener en cuenta el contexto a lo largo del tiempo.

En definitiva, estos modelos neuronales extraen y representan características significativas de los datos sin procesar. Este resultado se convierte 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 que produce la capa de percepción neuronal y la interpreta 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 cómo se relacionan entre sí). Estos elementos ayudan al sistema a entender cómo encajan 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, es más fácil explicar y verificar las decisiones del sistema, 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 con la capa de razonamiento simbólico y garantiza que el aprendizaje y el razonamiento funcionen conjuntamente. En una dirección, convierte los resultados 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 los modelos neuronales. Esto puede implicar resaltar las zonas relevantes de una imagen, influir en la atención o dar forma a las vías de decisión del modelo.

Este intercambio bidireccional crea un ciclo de retroalimentación. La parte neuronal obtiene estructura e interpretabilidad de las reglas simbólicas, mientras que la parte simbólica puede adaptarse con mayor eficacia a partir de datos del mundo real. Técnicas como las redes neuronales lógicas (LNN) ayudan a posibilitar esta interacción al incorporar restricciones lógicas directamente en las arquitecturas neuronales.

Al vincular así la percepción y el razonamiento, la IA neuro-simbólica puede generar decisiones precisas y más fáciles de interpretar. Muchos investigadores consideran que este enfoque es 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 entendemos mejor qué es la IA neuro-simbólica y cómo funciona, echemos un vistazo a algunos de sus casos de uso reales.

Conducir de forma más segura: de ver a los peatones a entenderlos#

Los vehículos autónomos necesitan entender lo que los rodea para circular de forma segura. Utilizan tecnologías como la visión artificial para detectar peatones, vehículos, marcas viales y señales de tráfico.

Aunque los modelos de aprendizaje profundo pueden identificar estos objetos con precisión, no siempre entienden qué significan en su contexto ni cómo se relacionan entre sí en una situación 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 si simplemente está 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 señales visuales como la postura, el movimiento y la posición de un 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 qué indica el semáforo en ese momento.

Al combinar estas dos perspectivas, el sistema neuro-simbólico puede hacer mucho más que detectar a un peatón. Puede predecir razonablemente si es probable que 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. 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 VQA están diseñados para responder a preguntas sobre imágenes.

Combina modelos de lenguaje grandes (LLM) y modelos visuales para realizar razonamiento multimodal, integrando lo que ve el sistema con lo que entiende. Por ejemplo, si se muestra una imagen a un sistema VQA y se le pregunta «¿Está la taza sobre la mesa?», el sistema tiene que reconocer los objetos y también entender la relación entre ellos. Debe determinar si la taza está realmente 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 los objetos entre sí 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 situaciones de VQA que requieren conocimientos abstractos y lógica. (Fuente)

Estas investigaciones muestran cómo la VQA neuro-simbólica puede ir más allá de proporcionar respuestas sin más. Como el modelo puede mostrar los pasos que ha seguido para llegar a una conclusión, contribuye a la IA explicable, en la que los sistemas hacen 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 la 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 ámbitos de conocimiento estructurado, en los que la IA simbólica destaca tradicionalmente.
• Adaptabilidad: Estos sistemas funcionan bien con tareas nuevas o que no han visto antes, ya que pueden razonar lógicamente más allá de aquello con lo que se han entrenado. En lugar de limitarse a memorizar datos, entienden las relaciones y los patrones.
• Resistencia al ruido y la ambigüedad: Las restricciones lógicas pueden ayudar a evitar errores cuando los datos tienen ruido, están incompletos o son ambiguos. La capa de razonamiento puede aplicar reglas que orienten o corrijan las predicciones neuronales.

A pesar de su potencial, la IA neuro-simbólica sigue 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 la percepción y el razonamiento sigue siendo complicado.
• Escalabilidad: El razonamiento simbólico puede volverse lento o exigir muchos recursos computacionales al trabajar con grafos de conocimiento grandes o conjuntos de reglas complejos. Esto puede dificultar el despliegue 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. Encontrar el equilibrio entre un aprendizaje flexible y un razonamiento fiable sigue siendo un reto.

Conclusiones clave#

La IA neuro-simbólica supone un paso importante hacia la creación de sistemas de IA que no solo perciban el mundo, sino que también razonen sobre él y expliquen sus decisiones. A diferencia de los sistemas tradicionales de aprendizaje profundo, que dependen principalmente de patrones aprendidos a partir de datos, la IA neuro-simbólica combina el aprendizaje estadístico con la lógica y el conocimiento estructurados. En lugar de sustituir el aprendizaje profundo, se apoya en él y nos acerca un poco más al desarrollo de una IA capaz de entender y razonar de una forma más parecida a la humana.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub. Echa un vistazo a nuestras páginas de soluciones para descubrir distintas aplicaciones de la IA en la agricultura y la visión artificial en el sector sanitario. Descubre nuestras opciones de licencia y empieza a crear tu proyecto de IA visual.