Un equipo de la Universidad de Northwestern, en Estados Unidos, ha desarrollado un nuevo modelo computacional capaz de desempeñar una prueba de inteligencia estándar a niveles humanos. Este trabajo es un paso importante hacia la creación de sistemas de inteligencia artificial que vean y comprendan el mundo como lo hacen los humanos.
«El modelo se ha situado en el percentil 75 en adultos estadounidenses, que supone un resultado mejor que el promedio», dijo Ken Forbus de Northwestern Engineering. «Los problemas que son difíciles para las personas también son difíciles para el modelo, proporcionando pruebas adicionales de que su operación está captando algunas propiedades importantes de la cognición humana».
El nuevo modelo computacional se basa en CogSketch, una plataforma de inteligencia artificial previamente desarrollada en el laboratorio de Forbus. La plataforma tiene la capacidad de resolver problemas visuales y entender bocetos con el fin de dar una respuesta inmediata e interactiva. CogSketch también incorpora un modelo computacional de analogía, basado en la teoría de mapeo estructural de Dedre Gentner, psicóloga en Northwestern. (Gentner recibió el premio David E. Rumelhart de 2016 por su trabajo sobre esta teoría).
Forbus, profesor de ingeniería eléctrica y ciencias de la computación Walter P. Murphy en la Escuela de Ingeniería McCormick de Northwestern, desarrolló el modelo con Andrew Lovett, un ex investigador postdoctoral de Northwestern en psicología. Su investigación fue publicada en la revista Psychological Review.
La capacidad de resolver problemas visuales complejos es una de las características de la inteligencia humana. El desarrollo de sistemas de inteligencia artificial que tengan esta capacidad no sólo proporciona nuevas pruebas de la importancia de las representaciones simbólicas y la analogía en el razonamiento visual, sino que podría reducir potencialmente la brecha entre la computadora y la cognición humana [que sólo recientemente estamos comenzando a comprender en profundidad].
Si bien el sistema de Forbus y Lovett puede usarse para modelar fenómenos visuales generales de resolución de problemas, lo probaron específicamente en las Matrices Progresivas de Raven, una prueba no verbal normalizada que mide el razonamiento abstracto. Todos los problemas de la prueba consisten en una matriz con una imagen que falta. El sujeto recibe de seis a ocho opciones con las que completar la matriz de manera óptima. El modelo computacional de Forbus y Lovett obtuvo mejores resultados que el americano promedio.
«La prueba de Raven es el mejor predictor existente de lo que los psicólogos llaman» inteligencia fluida, o habilidad general de pensar abstractamente, razonar, identificar patrones, resolver problemas y discernir relaciones «, dijo Lovett, ahora investigador en el Laboratorio de Investigación Naval para EE. UU. «Nuestros resultados sugieren que la capacidad de utilizar con flexibilidad las representaciones relacionales, comparándolas y reinterpretándolas, es importante para la inteligencia fluida».
La capacidad de utilizar y comprender representaciones relacionales sofisticadas es una clave para la cognición de orden superior. Las representaciones relacionales conectan entidades e ideas tales como «el reloj está por encima de la puerta» o «las diferencias de presión causan que fluya el agua». Estos tipos de comparaciones son cruciales para hacer y entender analogías, que los humanos usan para resolver problemas, pesar dilemas morales y describir el mundo que les rodea.
«Hoy en día la mayoría de las investigaciones de inteligencia artificial relacionadas con la visión se centran en el reconocimiento, o en etiquetar lo que está en una escena en lugar de razonar sobre ello», dijo Forbus. «Pero el reconocimiento sólo es útil si apoya un subsiguiente razonamiento. Nuestra investigación proporciona un paso importante hacia la comprensión del razonamiento visual en un sentido más amplio».
Artículo original publicado por la Universidad de Northwestern. Revisado y traducido por ¡QFC!
