Conceptes bàsics d'Intel·ligència Artificial

Quan parlem d'Intel·ligència Artificial, moltes vegades ens evoca un món de robots o tecnologies futuristes. No obstant, la Intel·ligència Artificial ja forma part del nostre dia a dia.

Una mostra d’això la trobem quan fem compres online que, amb algoritmes d'autoaprenentatge, analitzen els nostres comportaments per recomanar-nos productes que s’adapten a nosaltres. O en Google Lens, que pujant una imatge, la identifica i enllaça els productes que hi apareixen, com es pot veure en la fotografía següent, on ho provem a la nostra oficina de Barcelona:

La Intel·ligència Artificial (IA), o Artificial Intelligence (AI) en anglès, és el camp avançat de la Informàtica actual dedicat a l'automatització del comportament que normalment s’associa a la intel·ligència humana. Com en tota ciència complexa, se’n desglossen molts conceptes i per això, amb aquest article, volem començar pel principi i ajudar-te a entendre els conceptes bàsics de la IA.

En aquest article parlarem de:

• Machine Learning
  • Les 5 tribus de Machine Learning de Pedro Domingos
    • Simbolistes
    • Connexionistes
    • Evolutius
    • Analogistes
    • Bayesians
  • Tipos de Machine Learning
    • Aprenentatge supervisat (Supervised Learning)
    • Aprenentatge no supervisat (Unsupervised Learning)
    • Aprenentatge semisupervisat (Semi-supervised Learning)
    • Aprenentatge reforçat (Learning Reinforcement)
• Deep Learning
• Neural Networks
• Computació Cognitiva

El Machine Learning (ML) és una branca de la intel·ligència artificial que es basa en la idea que els sistemes poden aprendre de dades, identificar patrons i prendre decisions amb la mínima intervenció humana.

En el seu llibre The Master Algorithm, l’expert mundial i investigador destacat en la matèria Pedro Domingos descriu les 5 tribus o corrents del Machine Learning, i les divideix en funció dels interessos o procedència de cadascun d’ells:

• Simbolistes: Es basen en la lògica i la filosofia, i practiquen la deducció inversa.
• Connexionistes: Es recolzen en la neurociència i tracten de connectar petits cervells a partir del que anomenen retroprogramació. D’aquesta manera creen una xarxa neuronal que, amb les seves interconnexions, els permet interpretar les dades. D'aquí sorgeix el Deep Learning.
• Evolutius: Es basen en la biologia evolutiva, que tracta d’aplicar els principis de l'evolució de genomes i ADN, al·legant que els algoritmes evolucionaran i s'adaptaran a condicions i processos desconeguts.
• Analogistes: Es recolzen en la psicologia i veuen l'analogia com a base per a solucionar els problemes que sorgeixin.
• Bayesians: Es basen en l'estadística i la probabilitat. El seu algoritme, la inferència probabilística, aprèn tractant de calcular com n’és d’improbable un fet per poder-lo descartar com a possible solució.

Així mateix, trobem 4 tipus de Machine Learning depenent la supervisió humana necessària:

• Aprenentatge supervisat (Supervised Learning): Aprèn donant-li moltes dades d'entrenament etiquetades amb les quals després generalitzar per a nous casos. 
• Aprenentatge no supervisat (Unsupervised Learning): Aprèn observant, comprenent i abstraient patrons directament de la informació. És molt semblant al pensament humà. 
• Aprenentatge semisupervisat (Semi-supervised Learning): Aprèn sobre la base de dades d'entrenament etiquetades i no etiquetades, sent normalment més gran la proporció de dades no etiquetades.
• Aprenentatge reforçat (Learning Reinforcement): Aprèn per l'experiència a partir de prova-error i premi-càstig. Aquesta tècnica està sent molt estudiada, ja que no requereix de grans quantitats de dades.

A partir de l'enfocament dels connexionistes, sorgeix la branca anomenada Aprenentatge Profund o Deep Learning (DL). És un subtipus d'algoritmes de Machine Learning que es basen en xarxes neuronals per processar les dades en cascada. El terme "profund" es refereix al número de capes ocultes en aquestes xarxes neuronals.

Les Xarxes Neuronals o Neural Networks (NNS), pertanyen a la família d'algoritmes de Machine Learning i s'inspiren en el funcionament de les neurones del cervell humà. Es basen en que, donats uns paràmetres, hi ha una manera de combinar-los per produir un resultat concret. Les dades van passant per diferents capes en les quals es van aplicant una sèrie de regles d'aprenentatge fins arribar a l'última capa, on els resultats es comparen amb el resultat "correcte" i es van ajustant els paràmetres en base a la funció "pes" donada en cada regla. Un cop la xarxa ha après, pot congelar els seus "pesos" i funcionar en mode record o execució.

Per acabar, alguns autors mencionen la Computació Cognitiva o Cognitive Computing (CC) com una altra variant de la Intel·ligència Artificial. Consisteix en sistemes que assumeixen tasques o prenen decisions específiques com a assistents o substituts de persones, doncs poden manejar l'ambigüitat i la vaguetat, i tenen un alt grau d'autonomia dins la seva àrea de coneixement.

Com hem comentat, la IA ja és aquí, però encara hi ha molta feina pendent, no només pel que fa a explotar tot el potencial que té per a apropar-se cada vegada més a la intel·ligència humana, sinó també en referència a poder-ne controlar l’ús indegut.

L'objectiu és evitar que passi el que Elon Musk va predir: "les màquines podrien començar una guerra publicant notícies fictícies, robant comptes de correu electrònic o enviant notes de premsa falses, només amb manipular les dades". De fet, és un succés que ja hem viscut quan, mitjançant la IA, es van manipular escenes sexuals reemplaçant la cara de les persones que hi apareixien per la d'artistes coneguts.

Hem de ser conscients de les millores que la IA suposa en les nostres vides, però sense oblidar que hem d’utilitzar-la amb prudència.