Naturaleza, la mejor inspiración para crear inteligencia artificial

Edith Escalón

Los patrones de conducta de hormigas, abejas, insectos y otros muchos animales son el mejor modelo de inspiración para crear algoritmos en inteligencia artificial, aseguró Héctor Gabriel Acosta Mesa, investigador de la Universidad Veracruzana (UV) y especialista en el diseño de modelos y aplicaciones de inteligencia artificial en ambientes médicos.

Aunque “la intención final sería emular la inteligencia humana”, el científico reconoció que esa aspiración tiene tantas aristas que sus colegas han aceptado objetivos más modestos, en principio, la observación de comportamientos de especies “menos inteligentes” que pueden ser fuentes de inspiración.

Los especialistas en el campo académico les llaman “algoritmos bioinspirados”, es decir, modelos, diseños, programaciones y técnicas que se basan en patrones biológicos que le ayudan a la máquina a entender y emular la inteligencia de especies como las hormigas, capaces de hacer, encontrar y mantener caminos, organizarse, optimizar o reorientar actividades colectivas en función del análisis del contexto.

El profesor universitario aseguró que estas técnicas aplicadas en el aprendizaje computacional han fortalecido la investigación en este campo de conocimiento, incluso desarrollar estudios valiosos en tesis de posgrado, como mostraron estudiantes de maestría y doctorado en el Primer Seminario de Aprendizaje Computacional, organizado por el Centro de Investigación de Inteligencia Artificial.

Gabriel Acosta Mesa, investigador de la Universidad Veracruzana.

Explicó que el aprendizaje computacional se define como un conjunto de técnicas que buscan que las computadoras mejoren su desempeño sobre la marcha, esto es, a partir de obtener información de sus “experiencias”, una especie de “aprendizaje” que le permite después predecir o explicar un fenómeno con modelos que se pueden representar gráficamente.

Ese aprendizaje es el que realizan diariamente buscadores web y redes sociales para encontrar relaciones y hacer operaciones predictivas, pero sus aplicaciones van más allá: “En ambientes médicos podrían detectar síntomas o condiciones que se repiten cuando se desarrolla cáncer cervicouterino, por ejemplo, a partir del análisis de imágenes, lesiones o datos genéticos del paciente, y así crear modelos para detectar factores de riesgo con más precisión”.

Para el profesor Acosta Mesa el “reconocimiento de patrones o análisis estadístico de patrones”, es una especie de aprendizaje de máquina que deriva de la extracción de patrones entre variables que tal vez no sean evidentes, pero ahí están. “Nuestro trabajo consiste en crear y mejorar las técnicas para que los sistemas computacionales puedan encontrarlos”.

Como ejemplo, habló de las técnicas de aprendizaje enfocadas a entender cómo crear esos modelos –las redes bayesianas entre ellas-, muchas veces basados en la naturaleza para lograr que las máquinas sean capaces de optimizar y encontrar no sólo una buena solución, sino la mejor, con más precisión y en menor tiempo.

“Esta aspiración es indispensable cuando hablamos de temas clínicos, por ejemplo, donde el aprendizaje de las máquinas puede significar la diferencia entre la vida y la muerte”, aseguró el integrante del cuerpo académico Investigación y Aplicaciones en Inteligencia Artificial de la UV.