Las raíces del aprendizaje automático

June 18, 2021

A lo largo de nuestra historia como especie nos hemos inspirado numerosas veces en la naturaleza para llevar a cabo desarrollos tecnológicos. La inteligencia artificial, uno de los campos con más tracción actualmente dentro del mundo de la investigación, nos permite solucionar problemas como predecir el tiempo que va a hacer mañana o detectar objetos de interés en imágenes. A pesar de su complejidad, la inteligencia artificial en esencia no es más que eso: un intento de replicar aquello que todos poseemos y que conocemos como inteligencia. Tanto es así que a menudo se construye a imagen y semejanza de aquello a lo que intenta imitar.

Encontrando inspiración en la naturaleza

El campo de la inteligencia artificial es muy amplio y diverso. A lo largo de su historia se ha visto la necesidad de solucionar una gran variedad de problemas con una gran variedad de métodos y algoritmos. A menudo estos algoritmos están inspirados muy claramente en algún comportamiento que podemos encontrar en seres vivos o en mecanismos existentes en la naturaleza.

Inteligencia de enjambre o colectiva

Todos hemos visto alguna vez las formaciones que dibujan una agrupación de aves en el cielo o un banco de peces en el mar, y nos hemos maravillado con la coordinación que presentan. Ésto es resultado de lo que conocemos como inteligencia colectiva y que hemos usado como inspiración en el campo de la inteligencia artificial. Encontramos inteligencia colectiva cuando tenemos un grupo de agentes simples que interactúan con lo que les rodea siguiendo normas o reglas sencillas. Los agentes actúan de manera independiente, ya que no existe una inteligencia centralizada que los controla, pero aún así la agrupación de sus comportamientos conduce a la emergencia de una inteligencia colectiva compleja.

Los sistemas multiagente son un ejemplo de cómo el campo de la inteligencia artificial se ha inspirado en el comportamiento de animales como las aves o los peces, o de microorganismos como las bacterias. Usan la idea de la inteligencia colectiva para solucionar problemas complejos a través de la interacción entre agentes simples. Otro ejemplo muy distinto es el algoritmo de la colonia de hormigas que, como su nombre indica, se inspira en el comportamiento que muestran las hormigas a la hora de buscar comida. Inicialmente las hormigas exploran distintos posibles caminos y los van marcando dejando ir feromonas. Con el tiempo, el camino óptimo termina conteniendo más feromonas y todas las hormigas lo siguen. El algoritmo en cuestión encuentra el camino más corto hasta un objetivo siguiendo una metodología muy parecida.

Aprendizaje por refuerzo

Existe una vertiente de algoritmos que se inspiran en el campo de la psicología, más concretamente en cómo solemos aprender a partir de la prueba y error o a partir de interacciones con nuestro entorno. El ejemplo más obvio de esto es como solemos enseñar a los niños o entrenar a nuestras mascotas. Si a un perro le damos una recompensa cada vez que actúa de la manera que queremos acabará asociando el comportamiento con algo bueno y pasará a actuar de esa manera. Éste es un ejemplo de refuerzo positivo, al contrario del refuerzo negativo que se basa en penalizar acciones no deseadas.

El aprendizaje por refuerzo dentro de la inteligencia artificial intenta imitar estos comportamientos, usando recompensas y penalizaciones para guiar la forma de actuar de un agente. Éste termina por perfeccionar lo que se conoce como póliza o política, el conjunto de acciones a tomar en distintas situaciones, por tal de conseguir un objetivo. Un ejemplo muy conocido de aprendizaje por refuerzo es el de DeepMind 1, empresa que desarrolló un algoritmo capaz de ganar al campeón del mundo del juego de mesa de estrategia “Go”.

Algoritmos genéticos

Una de las vías más popularmente conocidas de la inteligencia artificial es aquella que se inspira en el proceso de la evolución y selección natural. Los algoritmos que surgen de ella se conocen como algoritmos genéticos, que tratan el problema de optimización simulando una población de individuos que compiten entre sí.

Ejemplo de algoritmo genético, su población (izquierda) y reproducción (derecha). 2

Cada individuo está identificado por una serie de información (equivalente a su ADN, una sucesión de genes). El algoritmo pasa por una fase de selección donde se evalúan los individuos y solo los mejores se mantienen con vida (selección natural), una fase de cruzamiento donde parejas de individuos generan descendencia que contiene características de ambos (reproducción) y una fase de mutación por la cual algunos genes de la descendencia son modificados aleatoriamente. A base de iterar sobre este proceso los individuos de la población se irán perfeccionando para cumplir su objetivo. 

Imitando el cerebro

Hasta ahora hemos visto cómo la inteligencia artificial se ha inspirado en mecanismos de la naturaleza y comportamientos de los seres vivos. Sin embargo, si lo que queremos es imitar la inteligencia humana, ¿por qué no imitar aquello responsable de ella?

Comparación entre una neurona real y una artificial. 3

Siendo un concepto que nació en 1958, las redes neuronales artificiales han marcado un antes y un después en el campo de la inteligencia artificial. Como bien indica su nombre, intentan imitar el funcionamiento del cerebro humano a nivel celular. En nuestro cerebro las neuronas usan dendritas y axones para transmitirse información de unas a otras, a través de distintos niveles de abstracción, por tal de modelar problemas complejos. En las redes neuronales artificiales la unidad básica (conocida también como neurona) recibe una serie de entradas sobre las cuales opera, y emite el resultado a otras neuronas. Las neuronas también están organizadas por niveles, y su disposición en concreto varía dependiendo del problema a modelar. Estas estructuras son entrenadas para tareas que los humanos podemos ejercer, como identificar objetos en imágenes o extraer información de un texto.

Retos en IOMED

Una de las aplicaciones más importantes de la inteligencia artificial actualmente es la del procesamiento del lenguaje natural (NLP) que consiste en procesar datos en formato no-estructurado, así como textos escritos. Este campo es de especial utilidad para el mundo clínico, ya que contiene grandes cantidades de información en este estado que no están siendo aprovechadas. Después de todos los avances que se han hecho en la inteligencia artificial que tan arraigadas tiene sus raíces en la naturaleza, podemos usarlos para el bien de una disciplina tan conectada a la biología como es la medicina. En IOMED queremos llevar la tecnología existente al límite por tal de hacer la información clínica más accesible y, quién sabe, quizás innovar de nuevo buscando inspiración en los orígenes de todo.

[1] Deep Mind; (17 Junio de 2016). Deep Reinforcement Learning. Disponible en: https://deepmind.com/blog/article/deep-reinforcement-learning

[2] Firing Neurons; (29 de Julio de 2019). AI — Taking inspiration from nature. Disponible en: https://medium.com/firing-neurons/ai-taking-inspiration-from-nature-fea8a690f50f

[3] Towards Data Science; (4 de Septiembre de 2018). The differences between Artificial and Biological Neural Networks. Disponible en: https://towardsdatascience.com/the-differences-between-artificial-and-biological-neural-networks-a8b46db828b7