IA simbólica

La IA simbólica, a menudo denominada IA a la antigua (GOFAI), es una rama de la Inteligencia Artificial (IA) que se centra en la representación del conocimiento humano mediante reglas y símbolos explícitos. Este enfoque fue el paradigma dominante en la investigación de la IA desde la década de 1950 hasta finales de la década de 1980. A diferencia de los métodos modernos basados en datos, la IA simbólica se basa en el principio de que la inteligencia puede lograrse manipulando símbolos que representan conceptos del mundo real, regidos por un conjunto de reglas lógicas. La idea central, defendida por pioneros como John McCarthy, era construir sistemas capaces de razonar sobre el mundo de forma similar a la lógica deductiva humana.

Cómo funciona la IA simbólica

Los sistemas de IA simbólica suelen constar de dos componentes principales: una base de conocimientos y un motor de inferencia.

• Base de conocimientos: Base de datos estructurada que contiene hechos, conceptos y relaciones entre ellos, todo ello codificado en un lenguaje simbólico. Este conocimiento suele ser conservado manualmente por expertos humanos. Un equivalente moderno de este concepto son los grafos de conocimiento.
• Motor de inferencia: Conjunto de reglas y algoritmos que aplican la deducción lógica a la base de conocimientos para obtener nueva información o tomar decisiones. Utiliza la lógica formal, como IF-THEN para procesar consultas y resolver problemas. Este proceso es muy transparente, lo que lo convierte en una piedra angular de IA explicable (XAI).

Lenguajes de programación como Lisp y Prolog se desarrollaron específicamente para soportar este estilo de programación basado en reglas.

IA simbólica frente a aprendizaje automático

La IA simbólica es fundamentalmente diferente del aprendizaje automático (AM), que es la base de la mayoría de las aplicaciones modernas de IA, incluidos los modelos avanzados de visión por ordenador (CV) como Ultralytics YOLO.

La distinción clave radica en cómo se adquieren los conocimientos:

• La IA simbólica es un enfoque descendente. Un experto humano programa explícitamente las reglas y los conocimientos en el sistema. El razonamiento del sistema se limita a estos conocimientos predefinidos.
• El aprendizaje automático es un enfoque ascendente. Los modelos, en particular los que utilizan el aprendizaje profundo y las redes neuronales (NN), aprenden patrones y relaciones de forma implícita mediante el análisis de grandes cantidades de datos de entrenamiento. Por ejemplo, un modelo YOLO aprende a realizar la detección de objetos entrenándose con miles de imágenes etiquetadas, no diciéndole las reglas explícitas de lo que constituye un "coche" o una "persona".

Aunque los modelos de ML son excelentes en el manejo de datos complejos y no estructurados, su proceso de toma de decisiones puede ser opaco. En cambio, el razonamiento de la IA simbólica es fácilmente rastreable, lo que resulta crucial para aplicaciones en las que la rendición de cuentas y la ética de la IA son primordiales.

Aplicaciones reales y ejemplos

Aunque menos común hoy en día, la IA simbólica ha impulsado varias aplicaciones importantes y sus principios siguen siendo relevantes.

1. Sistemas expertos: Fueron una de las aplicaciones más exitosas de la IA simbólica. Un sistema experto está diseñado para emular la capacidad de decisión de un experto humano en un ámbito específico. Por ejemplo, MYCIN fue un famoso sistema experto desarrollado en los años 70 para identificar bacterias causantes de infecciones graves y recomendar antibióticos. Utilizaba una base de conocimientos de unas 600 reglas derivadas de expertos médicos.
2. Los primeros sistemas de procesamiento del lenguaje natural (PLN): Antes de que aparecieran los métodos estadísticos y los grandes modelos lingüísticos (LLM), los sistemas de PLN se basaban en enfoques simbólicos. Utilizaban gramáticas formales y reglas sintácticas para analizar frases y comprender la estructura del lenguaje. Los primeros correctores gramaticales automáticos y sistemas de traducción automática se basaban en estos principios.

El futuro: La IA híbrida

Las limitaciones de la IA simbólica -sobre todo su fragilidad ante situaciones nuevas o ambiguas y la dificultad de ampliar su base de conocimientos- propiciaron el auge del ML. Sin embargo, es probable que el futuro esté en los modelos híbridos de IA que combinan los puntos fuertes de ambos enfoques. Al integrar el razonamiento lógico de la IA simbólica con la capacidad de reconocimiento de patrones del ML, los desarrolladores pueden crear sistemas de IA más robustos, transparentes y capaces. Estos sistemas híbridos pretenden aprovechar el conocimiento estructural de los sistemas simbólicos para mejorar el proceso de aprendizaje de los modelos básicos, un concepto explorado en campos como la IA neuro-simbólica. Plataformas como Ultralytics HUB agilizan el despliegue de modelos de ML, que algún día podrían incorporar estas técnicas híbridas.