Al surgir las primeras computadoras hace más de 50 años, algunos científicos se preguntaron si estas máquinas podrían realizar tareas que asociamos con la inteligencia humana, como resolver problemas, entender el lenguaje o interpretar imágenes. Se empezaron entonces a desarrollar programas de computadora que buscaban emular la inteligencia humana, naciendo así una nueva disciplina que se conoce como “inteligencia artificial”. Pero, ¿cómo programamos a una computadora para que tenga cierta inteligencia? Surgieron entonces varias alternativas. Una consiste en simular, en forma simplificada, como funcionan las neuronas en el cerebro, surgiendo lo que se conoce como redes neuronales. Otro enfoque se basa en la deducción lógica que incluye reglas de inferencia como: “todos los hombres son mortales, Sócrates es hombre, entonces Sócrates es mortal”. Recientemente ha surgido otra alternativa basada en la teoría de probabilidades, y en particular en la regla de Bayes.
Thomas Bayes fue un reverendo inglés del siglo XVII que estableció una de las leyes más famosas de la probabilidad, conocida como la regla de Bayes. La regla de Bayes dice que la probabilidad de que ocurra cierto evento, dada cierta información o evidencia, es proporcional a su probabilidad inicial, antes de conocer la evidencia, por la probabilidad de la evidencia dado que ocurrió el evento. Por ejemplo, queremos estimar la probabilidad de que cierta persona tenga un tumor canceroso en el pulmón. Supongamos que es un hombre de 70 años, así que su probabilidad inicial de tener este tipo de cáncer es de uno en 10 mil. Se realiza un análisis del tumor y se encuentra que es positivo; y se sabe que esta prueba tiene una exactitud del 90 por ciento (de cada 10 veces que la prueba es positiva, en 9 la persona tiene cáncer). Entonces la probabilidad de que la persona tenga cáncer es proporcional a la multiplicación de estos dos factores: 1/10,000 x 9/10, lo que implica que tiene una mayor probabilidad de presentar cáncer de pulmón que la probabilidad inicial en la población. Mediante esta misma regla se puede incorporar otro conocimiento, como si la persona fuma o no, la información de una radiografía, etcétera. De esta forma, la regla de Bayes es la base de un procedimiento genérico para combinar diferentes fuentes de información cuando existe incertidumbre, como es el caso de un diagnóstico médico.
A medida que se incorpora más información, la cantidad de datos crece rápidamente, y pronto se vuelve inmanejable, aun para las computadoras más poderosas. Esta aparente limitación del enfoque bayesiano hizo que en los inicios de la inteligencia artificial fuera desechada por la mayor parte de los investigadores. En los años 80 hay un avance importante que permite desarrollar sistema muy grandes basados en probabilidades y resolver problemas complejos, como es el caso de los sistemas de ayuda para diagnóstico médico. La clave de estos nuevos sistemas inteligentes es una forma de representación conocida como redes causales probabilistas o redes bayesianas.
En la mayor parte de los fenómenos reales, cada aspecto se relaciona solamente con otros pocos aspectos, y no se relaciona directamente con los demás. Continuando con el ejemplo del cáncer, podemos decir que fumar se relaciona directamente con la probabilidad de cáncer en el pulmón, y el tumor canceroso provoca fatiga; pero no hay una relación directa entre fumar y fatiga. Una red bayesiana representa en una forma gráfica este conjunto de relaciones entre diversos aspectos de un problema. En en la gráfica, cada nodo (óvalo) representa un aspecto o variable, y cada arco (flecha) entre nodos corresponde a una dependencia directa entre los nodos que une. Generalmente se asume que la dirección de esta flecha tiene que ver con una relación causa–efecto; de ahí el nombre de redes causales. Una parte de una hipotética red bayesiana para diagnosticar cáncer de pulmón se muestra en la figura.
Asociada a cada nodo hay una pequeña tabla de probabilidades, que contiene las probabilidades de esa variable dadas las variables directamente relacionadas a ella. De esta forma, en vez de necesitar una tabla gigante de números que relacione a todas las variables, se tiene un conjunto de pequeñas tablas que en general hacen el problema mucho más manejable. De esta forma, se puede almacenar en cualquier computadora una red bayesiana con cientos e incluso miles de aspectos (variables), y hay programas muy eficientes que pueden estimar en pocos segundos la probabilidad de cualquiera de las variables, si conocemos algunas otras. Por ejemplo, con base en la red bayesiana para cáncer de pulmón, se puede calcular la probabilidad de que alguien tenga cáncer si fuma, si cierta prueba es positiva, y si presenta fatiga. También se podría estimar qué tan probable es que alguien presente ciertos síntomas como tos y fatiga si tiene cáncer de pulmón.
Con base en estas técnicas se han desarrollado sistemas inteligentes para muy diversas aplicaciones. Por ejemplo, programas para predecir el precio futuro del petróleo, sistemas para diagnóstico de fallas en plantas de generación eléctrica, sistemas que ayudan a deducir lo que sabe y no sabe un estudiante para darle instrucción personalizada, programas que ayudan a determinar el mejor cultivo de acuerdo a las condiciones ambientales y del lugar, entre muchos otros. Incluso los “ayudantes” de los programas de Microsoft OfficeMR como Word y Excel, utilizan redes bayesianas para tratar de adivinar cuál es el problema que tenemos al estar utilizándolos y así darnos ayuda, ¡aunque no siempre lo consiguen!
Al parecer, el enfoque bayesiano es útil para tomar decisiones en situaciones en que hay incertidumbre; es decir, que no se tiene certeza sobre todas las variables que intervienen en dichas situaciones. Pero, ¿realmente nuestro cerebro utiliza este tipo de razonamiento? Hay cierta evidencia, tanto desde el punto de vista psicológico como fisiológico, de que utilizamos probabilidades y la regla de Bayes. Cuando combinamos información de varios sentidos lo hacemos básicamente siguiendo un enfoque bayesiano; por ejemplo, al combinar información de voz y visión al reconocer a una persona en un lugar ruidoso y con poca luz. Por otro lado, en experimentos con chimpancés se ha observado que éstos parecen representar las probabilidades mediante la fracción de neuronas activadas contra las no activadas en cierta zona de su cerebro ante un estímulo específico.
A pesar de importantes avances en inteligencia artificial mediante diversos enfoques como el bayesiano, aún estamos muy lejos del desarrollo de sistemas realmente inteligentes. Para ello, se requiere de un mejor entendimiento de la inteligencia natural, uno de los más interesantes y complejos retos científicos del siglo XXI.
*Investigador del INAOE
