Cuando pensamos en tecnología, uno de los primeros temas que nos vienen a la mente es la inteligencia artificial. El informático Alan Turing, responsable de descifrar el código Enigma utilizado por los nazis durante la Segunda Guerra Mundial, oficializó la búsqueda de la auténtica inteligencia artificial (IA) en 1950. Lo hizo desarrollando una prueba destinada a determinar si una máquina mostraba signos de inteligencia real o no, una prueba que pensaba que sería fácilmente superable a tiempo para el nuevo milenio.

A lo largo de su carrera, Turing publicó artículos y manifiestos sobre el tema de la IA en los que sugería el uso de dos enfoques diferentes a los que nos referimos como top-down y bottom-up. Pero, ¿qué significan estos planteamientos? ¿Cuáles son las principales diferencias entre la inteligencia artificial bottom up y top down? ¿Y qué es el test de Turing, en detalle? Eso es lo que intentaremos explicar en este artículo.

¿Qué es la inteligencia artificial top down y bottom up?

La inteligencia artificial trata de emular el pensamiento humano mediante dos enfoques básicos: la IA top-down y bottom-up. Como hemos mencionado, la definición de IA top-down vs. bottom-up se remonta al manifiesto de Turing de 1948.

En términos sencillos, el enfoque top-down (también conocido como enfoque simbólico) puede entenderse como la división de los grandes problemas en otros más pequeños que son más fáciles de resolver. Se basa en conocimientos previamente establecidos y se apoya en símbolos o reglas (de ahí la clasificación simbólica).

Por otro lado, el enfoque bottom-up (o teoría conexionista) se basa en la adaptación y en comportamientos más realistas, combinando modelos y sistemas simples que se acumulan para formar otros más complejos. La IA bottom-up trata de construir estructuras que emulen el cerebro humano (por lo que se denomina teoría conexionista), y se basa en modelos de interacciones con el entorno, en lugar de descripciones simbólicas de estos entornos, utilizadas en la variante top-down.

¿Qué es (y cómo superar) el test de Turing?

Para medirlo, él propuso una especie de juego en el que un grupo de humanos mantiene una conversación de texto con un juez. El juez no puede ver con quién está hablando y, en un momento dado, uno de los jugadores es sustituido por una máquina. Si el juez no puede distinguir entre el ordenador y los jugadores humanos, el test de Turing está superado. En ese sentido, el objetivo del test sería que el evaluador humano fuera capaz de distinguir al participante de la máquina en función de sus respuestas. Si no lo hiciera, el participante de la máquina habría superado el test, siendo capaz de demostrar una inteligencia equivalente a la de un ser humano.

Hoy tenemos grandes jugadores que parecen estar a punto de pasar el test: Siri de Apple, Alexa de Amazon y Mitsuku, ganador de 4 premios Loebner. Muchos incluso consideran que Google Duplex es el vencedor del test de Turing.

El problema es que estos programas tienen mecanismos incorporados para desviarse de las conversaciones que no entienden, lo que pone en duda la validez de su actuación.

Sin embargo, aunque no se haya superado el test de Turing, eso no significa que los avances en IA no hayan sido innovadores y hayan supuesto una valiosa contribución a la sociedad hasta el momento. Las aplicaciones de la IA en nuestra vida cotidiana abarcan actualmente desde la automatización de procesos hasta el servicio de atención al cliente, y con su constante evolución podemos esperar mucho más.

La IA es una cuestión de percepción

Para llegar hasta donde estamos, muchos informáticos han dedicado innumerables horas a pensar en cómo crear una verdadera inteligencia artificial.

Simplemente elegir qué enfoque seguir es un argumento complicado.

A medida que la IA trata de emular el pensamiento humano, el debate no solo se centra en la inteligencia artificial bottom up y top down, o en cómo resolver mejor un problema, sino en averiguar cómo funciona el cerebro. Para los informáticos, parece que el aspecto más esencial de la mente humana es su capacidad de percibir o procesar información.

Según el Diccionario Oxford, la percepción es “la capacidad de ver, oír o darse cuenta de algo a través de los sentidos”, pero también es “aquello en lo que se considera, entiende o interpreta algo”. La disyuntiva entre interpretar y tomar conciencia es precisamente lo que ha creado la brecha en los enfoques, pero también lo que nos ha dado resultados variados y ricos que aún hoy se prueban y perfeccionan.

IA top-down vs. bottom-up

Cuando te enfrentas a un problema o a una ecuación, puedes encontrar una solución de dos maneras. Puedes procesar el problema en tu cabeza relacionándolo con información previa o puedes dejar que la ecuación te presente sus variables sin agregar ningún contexto.

El primero describe un enfoque top-down, utilizado por quienes prefieren aplicar conocimientos previos para educar su percepción. Este método, también llamado “neats”, que sugiere un enfoque en la lógica, el orden y los datos, se prefiere cuando se trata de tareas de alto nivel como la programación neurolingüística.

El enfoque opuesto, bottom-up, se basa en la creencia de que el desarrollo debe partir de un estímulo. En otras palabras, lo que impulsa nuestra percepción es lo que percibimos. Este método, también llamado “scruffies”, que denota dinamismo y funcionamiento ad hoc, funciona mejor con tareas de menor nivel, como la robótica y el reconocimiento del habla.

Al final, ningún enfoque es mejor que el otro, pero ambos ofrecen continuamente buenos resultados.
Quizás algún día logremos una verdadera inteligencia artificial, pero como han demostrado Siri y Alexa, quizás la humanidad no necesite crear ordenadores conscientes para que la inteligencia artificial trabaje para ellos.

¿Listo para realizar envíos de dinero con Ria? Descarga nuestra aplicación para iOS o Android hoy mismo para empezar.

EN