Enfoque situado (inteligencia artificial)

A finales de la década de 1980, Rodney Brooks fue pionero en el Laboratorio de Inteligencia Artificial del MIT del enfoque conocido como Nouvelle AI ( Nouvelle significa nuevo en francés) . A diferencia de la inteligencia artificial clásica o tradicional , la Nouvelle AI evitaba deliberadamente el objetivo tradicional de modelar el rendimiento humano, y en su lugar intentaba crear sistemas con inteligencia a nivel de insectos, más cercanos a los robots del mundo real. Sin embargo, finalmente, al menos en el MIT , la nueva IA sí condujo a un intento de IA humanoide en el Proyecto Cog .

El cambio conceptual introducido por la nueva IA floreció en el campo de la robótica, dando paso a la robótica basada en el comportamiento (RBC), una metodología para desarrollar IA basada en una descomposición modular de la inteligencia. Se hizo famosa gracias a Rodney Brooks : su arquitectura de subsunción fue uno de los primeros intentos de describir un mecanismo para desarrollar la IBC. Es extremadamente popular en robótica y, en menor medida, para implementar agentes virtuales inteligentes, ya que permite la creación exitosa de sistemas dinámicos en tiempo real que pueden operar en entornos complejos. Por ejemplo, es la base de la inteligencia del Sony Aibo y de muchos equipos de robótica de la RoboCup .

Al comprender que, en realidad, todos estos enfoques buscaban construir no una inteligencia abstracta, sino una inteligencia situada en un entorno determinado, se les conoce como el enfoque situado. De hecho, este enfoque surge de las primeras ideas de Alan Turing , quien describió la necesidad de construir máquinas equipadas con órganos sensoriales para aprender directamente del mundo real, en lugar de centrarse en actividades abstractas, como jugar al ajedrez.

La simulación de entidades en un entorno virtual requiere simular todo el proceso que va desde la percepción del entorno, o más generalmente desde un estímulo, hasta la acción sobre dicho entorno. Este proceso se denomina bucle de IA y la tecnología utilizada para simularlo se puede subdividir en dos categorías. La IA sensoriomotora o de bajo nivel aborda el problema de la percepción (¿qué se percibe?) o el problema de la animación (¿cómo se ejecutan las acciones?). La IA decisiva o de alto nivel aborda el problema de la selección de acciones (¿cuál es la acción más apropiada en respuesta a una percepción dada, es decir, cuál es el comportamiento más apropiado?).

En la IA de decisiones existen dos enfoques principales. La gran mayoría de las tecnologías disponibles en el mercado, como los algoritmos de planificación , las máquinas de estados finitos (FSA) o los sistemas expertos , se basan en el enfoque de IA tradicional o simbólica . Sus principales características son:

• Es un enfoque descendente : subdivide, de manera recursiva, un problema dado en una serie de subproblemas que supuestamente son más fáciles de resolver.
• Se basa en el conocimiento : se apoya en una descripción simbólica del mundo, como un conjunto de reglas.

Sin embargo, las limitaciones de la IA tradicional, cuyo objetivo es construir sistemas que imiten la inteligencia humana, son bien conocidas: inevitablemente, se produce una explosión combinatoria del número de reglas debido a la complejidad del entorno. De hecho, es imposible predecir todas las situaciones a las que se enfrentará una entidad autónoma.

Para abordar estos problemas, se ha propuesto otro enfoque de la IA decisional, también conocido como IA situada o conductual . Este enfoque no pretende modelar sistemas que produzcan procesos de razonamiento deductivo, sino sistemas que se comporten de forma realista en su entorno . Las principales características de este enfoque son las siguientes:

• Es un enfoque ascendente : se basa en comportamientos elementales que pueden combinarse para implementar comportamientos más complejos.
• Se basa en el comportamiento : no se apoya en una descripción simbólica del entorno, sino en un modelo de las interacciones de las entidades con su entorno.

El objetivo de la IA situada es modelar entidades autónomas en su entorno. Esto se logra gracias a la robustez intrínseca de la arquitectura de control y a su capacidad de adaptación a situaciones imprevistas.

En inteligencia artificial y ciencia cognitiva , el término situado se refiere a un agente que está integrado en un entorno. El término situado se usa comúnmente para referirse a robots , pero algunos investigadores argumentan que los agentes de software también pueden estar situados si:

• existen en un entorno dinámico (que cambia rápidamente), que
• pueden manipular o cambiar a través de sus acciones, y cuál
• pueden sentir o percibir .

Algunos ejemplos podrían ser los agentes basados ​​en la web, que pueden alterar datos o activar procesos (como compras) a través de Internet, o los bots de realidad virtual que habitan y modifican mundos virtuales, como Second Life .

Generalmente, se considera que estar situado forma parte de estar encarnado , pero es útil analizar cada perspectiva individualmente. La perspectiva situada enfatiza que el comportamiento inteligente deriva del entorno y de las interacciones del agente con él. La naturaleza de estas interacciones está definida por la encarnación del agente.

La característica más importante de un sistema impulsado por IA situada es que la inteligencia está controlada por un conjunto de módulos semiautónomos independientes. En los sistemas originales, cada módulo era en realidad un dispositivo separado o , al menos, se concebía para ejecutarse en su propio hilo de procesamiento . Sin embargo, por lo general, los módulos son solo abstracciones . En este sentido, la IA situada puede considerarse un enfoque de ingeniería de software para la IA, quizás similar al diseño orientado a objetos .

La IA situada suele asociarse con la planificación reactiva , pero no son sinónimos. Brooks defendió una versión extrema del minimalismo cognitivo que requería inicialmente que los módulos de comportamiento fueran máquinas de estados finitos y, por lo tanto, carecieran de memoria o aprendizaje convencionales . Esto se asocia con la IA reactiva porque esta requiere reaccionar al estado actual del mundo, no a la memoria o la concepción previa que un agente tenga de ese mundo. Sin embargo, el aprendizaje es fundamental para una IA fuerte y realista , por lo que esta restricción se ha flexibilizado, aunque no se ha abandonado por completo.

La comunidad de IA situada ha presentado varias soluciones para modelar procesos de toma de decisiones, también conocidos como mecanismos de selección de acciones. El primer intento de resolver este problema se remonta a las arquitecturas de subsunción , ^{[ 1 ]} que de hecho eran más una técnica de implementación que un algoritmo. Sin embargo, este intento allanó el camino a varios otros, en particular las jerarquías de flujo libre ^{[ 2 ]} y las redes de activación . ^{[ 3 ]} Una comparación de la estructura y el rendimiento de estos dos mecanismos demostró la ventaja de usar jerarquías de flujo libre para resolver el problema de selección de acciones. ^{[ 4 ] [ 5 ]} Sin embargo, los esquemas de motor ^{[ 6 ]} y los lenguajes de descripción de procesos ^{[ 7 ]} son ​​otros dos enfoques que se han utilizado con éxito para robots autónomos.

• Inteligencia artificial
• Ciencia cognitiva