En el campo de la inteligencia artificial (IA), los agentes inteligentes híbridos se han convertido en una herramienta cada vez más utilizada para abordar problemas complejos. Estos agentes combinan el aprendizaje automático (machine learning) y la IA simbólica, aprovechando las fortalezas de cada enfoque para lograr resultados más poderosos de los que se podrían obtener utilizando solo uno de ellos.
¿Cómo funciona la IA híbrida?
La IA híbrida es un método que combina el aprendizaje automático, que utiliza modelos estadísticos para analizar datos, y la IA simbólica, que se basa en la semántica y proporciona una comprensión de los significados. Al utilizar las fortalezas de cada técnica, se puede lograr un resultado más poderoso que el que se obtendría utilizando solo una de ellas.
Por ejemplo, imaginemos un sistema de aprendizaje automático entrenado para identificar productos defectuosos. Se le muestra cientos o miles de ejemplos de productos defectuosos y no defectuosos, y luego puede distinguir con precisión entre los productos buenos y los defectuosos. Esto es uno de los muchos casos de uso en los que el aprendizaje automático es efectivo y puede ser más rápido y superior al rendimiento humano una vez que el sistema está entrenado. Pero una vez que se identifica el producto defectuoso, ¿qué sigue?
En ese punto, se requiere más información para que este proceso de identificación sea útil. ¿De qué línea de productos proviene? ¿Cuál fue el costo de perder esa pieza? ¿Qué proveedores estuvieron involucrados? ¿Quién es el responsable del proceso en el que se encontró el defecto? ¿Qué contenido debe proporcionarse para informar a los gerentes sobre el problema? Los datos del aprendizaje automático deben contextualizarse para poder actuar sobre ellos. Esto requiere de la IA simbólica, que representa el conocimiento y proporciona una comprensión semántica y razonamiento, incluido el desarrollo de reglas para extraer el conocimiento relevante.
El objetivo final es permitir que las computadoras simulen, lo más cercanamente posible, el funcionamiento del cerebro humano. Las computadoras no piensan como nosotros: el cerebro humano es mucho más complejo, versátil y adaptable que cualquier máquina. El cerebro tiene 40 neurotransmisores diferentes. Una neurona puede conectarse con diez mil otras. Hay un nivel de complejidad que es inimaginable y que aún no puede ser igualado por una computadora. Pero la IA híbrida proporciona la escalabilidad del aprendizaje automático con los matices de la IA simbólica para permitirnos simular el rendimiento del cerebro de manera más cercana y proporcionar información sobre la cual el sistema pueda actuar.
¿Cómo se relacionan los gráficos de conocimiento y la arquitectura de la información con la IA híbrida?
Una forma de representar el conocimiento es a través de un grafo de conocimiento que muestra las conexiones y otras relaciones entre diferentes elementos de datos. El grafo de conocimiento nos proporciona un punto de referencia para comprender lo que hay en los datos, especialmente en los datos no estructurados, y obtener ideas significativas. La arquitectura de la información en forma de un grafo de conocimiento es la base de la IA simbólica.
Tanto el aprendizaje automático como la IA simbólica funcionan mejor cuando la información está estructurada y se dispone de metadatos. Los datos etiquetados son necesarios para entrenar al aprendizaje automático (aprendizaje supervisado). La IA simbólica requiere reglas sobre el lenguaje y datos estructurados. Por lo tanto, la IA híbrida en su conjunto será más exitosa cuando se haya desarrollado una arquitectura de información sólida y bien pensada como base.
La arquitectura de información siempre comienza con la identificación de un problema empresarial y los casos de uso prioritarios. Además, es necesario comprender a quién afecta y cómo afecta a la organización. Desarrolle métricas de referencia para saber cómo se ve el éxito a medida que la implementación de la arquitectura de información evoluciona. Luego, descubra qué contenido, datos e información necesitan los usuarios y genere principios organizativos en torno a ellos. Para automatizar un proceso, es necesario comprenderlo.
¿Cómo mejora la arquitectura de información el descubrimiento de datos?
El descubrimiento de datos es el proceso de analizar grandes cantidades de contenido, incluidos documentos de investigación, noticias, comunicados de prensa y correos electrónicos, con el fin de comprender el entorno empresarial, buscar nuevas oportunidades y reducir riesgos. El descubrimiento de datos debe ir acompañado de un plan estratégico que permita el uso efectivo de la información. El análisis inteligente revela las relaciones entre organizaciones, influenciadores clave, temas, eventos y otras entidades.
Las taxonomías son los elementos fundamentales para el descubrimiento de datos, y la mayoría de las organizaciones necesitan múltiples taxonomías que representen diferentes aspectos de una organización. Estos pueden incluir productos, servicios, procesos, soluciones, clientes, intereses y tipos de contenido. Cada elemento en una categoría tiene diferentes atributos; por ejemplo, para los productos, pueden incluir descripción, precio, marca, etc. Los clientes tienen atributos como ubicación geográfica, historial de compras y edad.
El uso de ontologías
La definición de las relaciones entre las diferentes taxonomías produce una ontología. Por ejemplo, puede haber contenido relacionado con diferentes productos o áreas de interés para diferentes clientes. Estas relaciones permiten a una empresa hacer cosas como la personalización. Una ontología consta de múltiples taxonomías y todas las relaciones entre ellas.
Las taxonomías varían mucho según las industrias. En las ciencias de la vida, un conjunto de taxonomías incluiría medicamentos, tanto de marca como genéricos, enfermedades que los medicamentos tratan y mecanismos de acción. Para los seguros, las taxonomías podrían cubrir productos, servicios y riesgos. Y para un distribuidor industrial, podrían ser productos, industrias e intereses. El dominio del conocimiento se representa mediante una colección de ontologías.
Una ontología para una empresa de distribución industrial se muestra a continuación. Muestra las relaciones jerárquicas en las taxonomías, pero también muestra las relaciones asociativas que reflejan qué productos son apropiados para ciertas industrias. Muestra las relaciones conceptuales entre los diferentes elementos.
Ejemplo de ontología de distribución industrial:
- Productos
- Industria 1
- Industria 2
- Industria 3
- Industrias
- Producto A
- Producto B
- Producto C
- Intereses
- Producto X
- Producto Y
- Producto Z
Utilizando gráficos de conocimiento
Un grafo de conocimiento se puede derivar de una combinación de una taxonomía más una ontología más datos. Primero, describa las entidades en el dominio a través de una taxonomía. Luego, muestre las relaciones entre las taxonomías para desarrollar una ontología. Finalmente, agregue datos a la ontología para formar un grafo de conocimiento que refleje las conexiones. El grafo de conocimiento proporciona múltiples formas de navegar a través de los datos, ya sea que estén estructurados o no estructurados.
Cada proceso empresarial crítico gira en torno al lenguaje, pero el lenguaje es notoriamente difícil de entender y responder para las computadoras. Un ejemplo típico es el titular bancos cerrados debido a inundaciones. Al principio, podría parecer que el mal tiempo causó el cierre de una institución financiera. Pero en la noticia, fueron los bancos del río los que se cerraron, no una institución financiera.
La ambigüedad del lenguaje es uno de los problemas más problemáticos en el análisis de datos no estructurados. Ha requerido una intervención significativa por parte de los humanos, lo que hace que los procesos basados en el lenguaje sean difíciles de escalar. Un problema particular es la comprensión de la intención, que si no se hace correctamente, es un obstáculo importante para cumplir con las solicitudes de los clientes. Es en estas situaciones donde la IA híbrida puede ser muy beneficiosa.
La extracción de entidades del texto permite detectar fraudes, identificar riesgos y obtener otra información vital que respalda la toma de decisiones. Sin embargo, el sistema debe tener el vocabulario adecuado para que esto funcione; no funciona sin comprender el contexto.
Aplicaciones del entorno real
Una de las aplicaciones del entorno real para la IA híbrida se encuentra en el descubrimiento de datos financieros. El objetivo es automatizar la extracción de información sobre activos financieros, para brindar eficiencia a los procesos de la oficina central y escalar la creación de datos. El entorno financiero cuenta con una gran cantidad de documentos y eventos, como fusiones y adquisiciones, quiebras, entre otros.
El entorno financiero, ya sean compañías de administración de activos o aquellas que brindan información a organizaciones financieras, debe lidiar con una avalancha de documentos: artículos, informes y otros activos digitales. Los asociados de datos se enfrentan a un alto número de eventos de la compañía. Las empresas se fusionan, son adquiridas, solicitan quiebras y también manejan activos financieros.
Monitorear estos eventos es muy costoso, a menudo requiere mucho trabajo manual y está limitado por las capacidades del equipo. Entonces, ¿cómo hacen estas organizaciones frente a este volumen de información para decidir, por ejemplo, si deben invertir en el desarrollo de un determinado producto financiero para el consumidor?
En un estudio de caso, el consultor recopiló contenido de varios servicios y lo sometió a un proceso de extracción de datos. Una plataforma de lenguaje natural automatizó la extracción de parámetros clave. Se diseñó una interfaz de usuario para que los expertos en la materia pudieran navegar dentro de los documentos, revisar la información y evaluarla en un entorno de autoría colaborativa. La interfaz de usuario permitió la evaluación sin problemas de los parámetros clave y la ingestión de la base de datos. Se prepararon conjuntos de entrenamiento para el modelado de datos. Estos modelos eran modelos de conocimiento, ya que combinaban técnicas de aprendizaje automático con una base de conocimientos de un experto en la materia.
Resumen
Comparar el aprendizaje automático y la IA simbólica muestra cuán complementarios son los dos enfoques. Por su naturaleza, el aprendizaje automático requiere una gran cantidad de datos pero menos experiencia en la materia por parte del usuario, y es una buena combinación cuando los datos son abundantes y las tareas son sencillas. La IA simbólica requiere menos datos y tiene requisitos computacionales y costos computacionales más bajos. Sin embargo, requiere experiencia humana, y la curación de la experiencia específica del dominio puede ser compleja, lenta y costosa. La IA híbrida es una situación en la que todos ganan, combinando lo mejor de ambos enfoques.
Si quieres conocer otras notas parecidas a Agentes inteligentes híbridos: poderosa combinación de ia puedes visitar la categoría Inteligencia.