Los avances en el mundo de la inteligencia artificial (IA) durante las últimas décadas han hecho que tengamos robots capaces de resolver problemas aparentemente complejos. Sin embargo, las máquinas no piensan como los humanos y aún están lejos de nuestra capacidad de pensamiento simbólico, de interpretar estrategias o de sacar conclusiones en contextos amplios.

En el mundo de la computación existe un debate abierto sobre si se deben desarrollar máquinas que en cierto modo imiten el cerebro humano, o si las IA se deben desarrollar por su propio camino. En las últimas semanas dos equipos de investigadores han publicado dos herramientas singulares que representan un acercamiento al primer paradigma: un método matemático para enseñar a leer a una máquina y un ordenador que ha aprendido a jugar al ajedrez en menos de 3 días.

Utilizar matemáticas para aprender a leer

Leer es algo que para un ser humano resulta relativamente trivial. Sin embargo, es un verdadero quebradero de cabeza para una máquina. Ya desde los años 50, los investigadores se dieron cuenta de que los problemas que son en principio sencillos para los seres humanos, como aprender un lenguaje o hacer determinados movimientos, pueden ser muy complejos de resolver para las máquinas, mientras que cuestiones que a un humano le cuesta mucho abordar, como jugar al ajedrez, resultan más sencillas para un ordenador.

Según el investigador español Ignacio Cases, miembro del Grupo de Lingüística Computacional de la Universidad de Stanford (EEUU), “nuestro cerebro es un sistema de procesamiento de información muy complejo, lo que hace difícil la labor de construir máquinas que piensen como nosotros”.

Una de las soluciones posibles para enseñar a leer a una máquina es recurrir a las matemáticas. Si identificamos cada palabra con un objeto matemático, quizás sea más fácil para ellas deducir el significado de una frase. “La idea es construir una representación numérica de las palabras que contenga información semántica, morfológica y sintáctica”, afirma Cases. Esta información numérica ofrece una aproximación cuantitativa de una palabra o, dicho de otra forma, “convierte las palabras en algo cuantificable, de manera que sea posible determinar las distancias entre palabras”.

Por ejemplo, podemos entender que, en función de un contexto, las palabras codo y antebrazo estarán más cercanas que las palabras diente y electrón. Esta es la idea que subyace tras el concepto de lingüística algebraica y consiste en hacer que una IA aprenda a identificar cada palabra con un vector, de forma que las sumas o restas entre vectores nos den como resultado otro vector asociado a una palabra que esté relacionada con las anteriores.

Entre los desarrolladores de esta nueva propuesta se encuentran un equipo de investigadores de Google, que analizaron en su estudio analogías como la del siguiente ejemplo: rey – hombre + mujer = reina. Es decir, los programadores desarrollaron un algoritmo que asociaba un vector a cada una de estas palabras, de forma que si restamos el vector asociado con la palabra hombre, al de la palabra rey y le sumamos el correspondiente a mujer, el resultado debería ser el vector que está asociado a la palabra reina.

Recientemente un equipo de investigadores de la Universidad de Melbourne ha realizado toda una serie de pruebas mediante este método para determinar hasta donde podría llegar una IA. “Utilizando este algoritmo hemos comprobado que la diferencia entre vectores es capaz de apreciar las relaciones morfosintácticas que hay entre las palabras”, afirma la principal autora del estudio, Ekaterina Vylomova.

Aunque los avances realizados por el equipo de Vylomova no han sido especialmente significativos en comparación con estudios anteriores, sí indican un camino en el que cada vez hay más investigadores implicados. Aún así, la propia investigadora reconoce que esta técnica aún tiene sus limitaciones, ya que “las relaciones semánticas siguen siendo demasiado complejas y requieren demasiado tiempo de procesamiento”. Además, el método también encuentra problemas con respecto a la polisemia, es decir, cuando una misma palabra tiene varios significados. Según Vylomova, “con esta técnica a cada palabra le corresponde un único vector, con lo que no es posible incluir todos sus posibles significados”. 

Jirafa, la máquina que aprendió a jugar sola al ajedrez

Estos acercamientos están haciendo que cada vez esté más cerca una máquina que sea capaz de comunicarse y expresar ideas complejas a través del lenguaje humano. Sin embargo, ¿qué sucede con los problemas más sencillos para las máquinas como jugar al ajedrez? Desde que hace casi 20 años Deep Blue derrotara al campeón del mundo de ajedrez, Gary Kasparov, los seres humanos han ido teniendo cada vez menos oportunidades de vencer a una máquina en una partida real. Pero que una máquina sea capaz de vencer a un campeón del mundo de ajedrez no la hace inteligente.

Uno de los motivos que ha llevado a las máquinas a imponerse a los humanos ha sido el aumento de su capacidad de cálculo. Deep Blue era capaz de calcular 200 millones de movimientos por segundo, mientras que en el mismo tiempo Kasparov apenas podría pensar 5 movimientos. Sin embargo, ambos jugaban al mismo nivel. El truco es que el ser humano es capaz de reducir el número de búsquedas evaluando las posiciones de las piezas en el tablero y estableciendo estrategias. Es decir, para un humano no es necesario pensar tantos movimientos.

Ya en 1950 el matemático estadounidense Claude Shannon estableció una diferencia entre los programas que él llamaría de tipo A y tipo B. Los primeros son los que abordarían las partidas de ajedrez examinando todas las posibles posiciones, como hacía Deep Blue. A este tipo de algoritmos se les conoce como métodos de fuerza bruta. En el otro extremo estarían los programas tipo B, que son los algoritmos que intentarían establecer estrategias para reducir el número de combinaciones posibles, imitando el comportamiento humano.

Sin embargo, a lo largo de los años el aumento de la capacidad de cálculo de los ordenadores hizo que los programas de tipo A, o de fuerza bruta, fueran más populares, ya que eran más fáciles de implementar y obtenían mejores resultados sin tratar de imitar a los humanos. Pese a que este tipo de programas siguen siendo más populares hoy en día, cada vez hay más modelos de IA de tipo B. Una de las más recientes es Jirafa, que ha conseguido un avance significativo, aprendiendo a jugar en solo tres días a un nivel de maestro internacional según la Federación Internacional de Ajedrez.

Según el creador de Jirafa, el investigador del Imperial College de Londres, Mathew Lai, de inicio esta IA solo disponía de “las características más básicas del juego, como de qué lado parten las piezas, hacia donde son los movimientos, etc.”. A partir de ahí, Jirafa fue entrenada a base de “jugar millones de partidas a hipervelocidad (alrededor de 200 juegos por segundo) contra sí mismo”, afirma Lai. Con cada partida fue la IA aprendiendo a jugar mejor, mediante un método denominado aprendizaje reforzado, que incluye recompensas cuando conseguía la victoria. “El aprendizaje reforzado consiste en premiar jugadas o movimientos relevantes. Basicamente cuando la maquina gana le damos un caramelo”, explica Cases.

Lo interesante en este caso no es el nivel al que es capaz de jugar esta IA, ya que hay otras máquinas que lo hacen mucho mejor, sino que Jirafa ha aprendido por sí sola mediante la evaluación de posiciones, de una forma mucho más próxima a como lo hacemos los seres humanos y de una manera totalmente diferente a las máquinas de ajedrez convencionales.

Tanto las técnicas de lingüística algebraica, como la IA Jirafa, son solo dos ejemplos de lo que los expertos en computación están intentando conseguir, ya sea mediante simulación de un cerebro humano o mediante otro tipo de acercamientos. “El objetivo es construir máquinas que sean capaces de comprendernos, es decir, desarrollar modelos de IA que sean asimilables a un humano”, asegura Cases. “Al final”, concluye este investigador, “lo que queremos es construir a HAL, y aprender en el proceso qué es lo que nos hace humanos”.

Hoy en día existen multitud de máquinas que pueden resolver problemas complejos, que son capaces de aprender a cocinar buscando recetas por internet e incluso que pueden derrotar a los grandes maestros de ajedrez. Sin embargo, todas estas máquinas trabajan en base a una información explícitamente incluida en su cerebro digital y siguen careciendo de una comprensión del mundo que les permita responder a preguntas que vayan más allá de esa información. Dicho de otra forma, a las máquinas les resulta muy difícil responder a una pregunta si la respuesta no ha sido previamente registrada en su base de datos.

El objetivo del proyecto Aristo es que la máquina sea capaz de relacionar distintos conceptos para poder responder a las preguntas de un examen de ciencias o matemáticas de cuarto de primaria. Para ello, los investigadores ofrecen todo el contenido de los libros de texto a Aristo. Sin embargo, esto no será suficiente para que la máquina apruebe el examen, dado que muchas de las preguntas requieren un conocimiento global del mundo, además de un conocimiento lingüístico adecuado para comprender las preguntas. El problema es ciertamente complejo, dado que requiere de la aplicación de diversas técnicas de IA, como aprendizaje automático o lingüística computacional.

La asociación de ideas no es fácil de implementar

Por ejemplo, si a Aristo le preguntamos de qué color es un oso polar, nos responderá que es blanco, porque probablemente esa información aparezca de forma explícita en los libros de texto, es decir, ha leído en algún libro la frase “los osos polares son blancos”. Para responder a esta pregunta, la máquina solo tendría que recurrir a su base de datos. Sin embargo, no todas las preguntas son tan sencillas de entender, ni de responder para una máquina, ya que muchas requieren una asociación de ideas que no es fácil de implementar.

El siguiente nivel en complejidad corresponde a preguntas cuya respuesta se puede alcanzar por inferencia simple, es decir, deduciendo la respuesta a través de dos proposiciones conocidas. Por ejemplo, se le pregunta a la máquina cuál de las siguientes tres situaciones corresponde a un organismo que está tomando nutrientes: un perro enterrando un hueso, un insecto arrastrando una hoja o una niña comiendo una manzana. Para responder a esta pregunta se requieren dos conocimientos, en primer lugar que comer implica tomar nutrientes y en segundo lugar que una manzana contiene nutrientes. Finalmente, por inferencia Aristo tendría que deducir que la respuesta correcta es la tercera.

Exámenes de niños de 6 a 11 años

No es la primera vez que se planeta la realización de este tipo de pruebas para medir el progreso de una IA. En este caso los padres de Aristo han optado por centrarse en pruebas de grado elemental (orientadas a niños de 6 a 11 años), debido a que los requisitos básicos de procesamiento del lenguaje son relativamente asequibles, al mismo tiempo que las preguntas “suponen desafíos importantes”, aseguran los creadores de Aristo, que fue presentado en el congreso internacional sobre Aplicaciones Innovadoras en Inteligencia Artificial. Además, los investigadores han escogido exámenes de ciencias o de matemáticas, ya que estas materias ofrecen unos límites más claros respecto a las posibles respuestas, lo cual facilitaría la labor de Aristo.

Lo desarrolladores aseguran que enseñar a una máquina este tipo de capacidades de conocimiento global puede suponer una gran oportunidad para el desarrollo aplicaciones, tanto en educación, como en medicina e incluso en el ámbito científico. Pero la realidad es que los investigadores aún están se lejos de conseguir estos objetivos, ya que Aristo aún no ha sido capaz de aprobar sus exámenes. Aristo encuentra especiales dificultades a la hora de responder preguntas basadas en diagramas, como por ejemplo, identificar en el dibujo de una planta cuál es la parte que sirve para absorber agua. Aristo tendría primero que interpretar la pregunta, luego identificar el diagrama y finalmente correlacionar ambas cosas.

Otros investigadores consideran que no tiene mucho sentido someter a una máquina a pruebas diseñadas para humanos y algunos incluso defienden que para superar un examen de primaria se pueden utilizar otras técnicas de IA, como las de aprendizaje profundo. Por este motivo, los desarrolladores de Aristo plantean un desafío a la comunidad de investigadores y ofrecen un premio de 50.000 dólares a quien consiga desarrollar una IA que sea capaz de aprobar un examen de 8º de primaria (equivalente a 2º de la ESO). A esta competición se puede acceder a través del sitio web Kaggle, donde los participantes disponen de miles de preguntas de práctica para entrenar a su software.

Un equipo de investigadores ha desarrollado una herramienta para evitar la censura y el control de la información que muchos gobiernos mantienen en internet. Su nombre es proyecto Marioneta y se trata de un sistema que permitirá camuflar el tráfico de Internet de un usuario, simulando que está realizando otra actividad y permitiendo su acceso a contenidos que normalmente estarían bloqueados.

Si algo ha quedado en evidencia durante los últimos años, es la intención de muchos gobiernos de controlar el tráfico en internet. Algunos de ellos incluso han bloqueado el acceso de sus ciudadanos a ciertos contenidos, considerados una amenaza para el control de la información o las políticas de seguridad nacional. De China e Irán son bien conocidos sus esfuerzos para bloquear todo tipo de aplicaciones, desde redes sociales, como Facebook o YouTube, a servicios que permiten navegar desde el anonimato, como la red Tor. Pero también otros países, como Reino Unido, han comenzado a expresar su interés limitar o prohibir las aplicaciones con cifrado.

Para evitar la censura en la red existen diversos métodos que permiten a los internautas ocultar su actividad en la red y acceder a contenido bloqueado. Tradicionalmente los usuarios de internet han utilizado redes privadas virtuales, más conocidas por sus siglas en inglés, VPN. Sin embargo, este tipo de redes cada vez son más fáciles de identificar y bloquear por parte de los proveedores de servicios de internet. También se pueden utilizar redes P2P, como Lantern, que ha sido bloqueada en China, o aplicaciones como Phispon, una de las más populares de los últimos años.

Pero independientemente de las herramientas utilizadas, éstas se pueden combinar con sistemas que permitan camuflar las comunicaciones haciéndolas más confusas y difíciles de interpretar para posibles observadores externos, ya sea mediante el cifrado o utilizando otro tipo de técnicas. El objetivo de este tipo de sistemas, llamados de ofuscación, es hacer que sea más difícil para los proveedores de internet identificar la actividad en la red de un usuario.

Un sistema de ofuscación programable

Marioneta es un sistema de ofuscación programable que se puede configurar para que nuestra actividad en la red pase desapercibida, simulando que estamos realizando acciones permitidas, como jugar en línea o hablar por Skype. “El objetivo principal de Marioneta es proporcionar una herramienta que permita a los usuarios controlar el aspecto de su tráfico en internet”, explica a eldiario.es uno de los creadores, el investigador de la Universidad Estatal de Portland, Kevin Dyer.

Simular actividades permitidas en red para ocultar el verdadero tráfico ya se había hecho antes, sin embargo, los creadores de Marioneta aseguran que ésta “es un imitador más flexible y preciso”. Esta nueva herramienta funciona mediante el análisis de muestras de todo tipo de tráfico y “se puede implementar con decenas o cientos de configuraciones diferentes, que permitirán a los usuarios seleccionar el que mejor se adapta a su caso específico”, asegura Dyer. Este investigador destaca que, pese a que actualmente existen sistemas de ofuscación que funcionan relativamente bien, “es importante que sigamos innovando y construyendo herramientas que estén un paso por delante de los proveedores”.

Marioneta se adapta cuando es inspeccionado

Uno de los principales problemas de los sistemas de ofuscación que se utilizan en la actualidad es su incapacidad para adaptarse cuando son inspeccionados por sistemas informáticos de censura, una táctica que utilizan diversos países para investigar las conexiones sospechosas antes de bloquearlas. Los actuales sistemas de ofuscación no son capaces de recrear la variación en el flujo de datos que se produce cuando alguien está realmente utilizando Skype o navegando por la web. 

Sin embargo, Marioneta puede programarse para responder y adaptarse si está siendo investigado. “Es un sistema novedoso, ya que puede adaptarse rápidamente, en cuestión de segundos o minutos, a las nuevas condiciones de la red”, explica Dyer.

Los creadores de Marioneta, que se presentó el pasado agosto en un congreso internacional sobre seguridad en la red, pusieron a prueba la herramienta a través de una serie de casos inspirados en los distintos mecanismos de censura que existen en la actualidad, además de otros que han sido planteados por otros investigadores. “Los resultados de nuestros experimentos no sólo muestran que Marioneta ofrece una excelente flexibilidad y control sobre las características de tráfico, sino que también es capaz de lograr un buen rendimiento de tráfico”, aseguran los autores en el artículo publicado en el congreso.

El doctor Dyer asegura que Marioneta aún no está del todo listo para su uso a gran escala y que requerirá más pruebas. El código, de software libre, ha sido publicado con el objetivo es que la comunidad de programadores ayude a optimizar, desarrollar y redistribuir la herramienta. “Nuestro objetivo es que Marioneta sea adoptado por todos aquellos proyectos a los que les pueda resultar útil”, afirma Dyer.